機械学習を用いた患者の未診察離脱リスク予測：単一の過密な救急科における後ろ向き研究
カテゴリ：医療現場の業務効率化
公開日：2026年2月19日
タイトル：Predicting patient risk of leaving without being seen using machine learning: a retrospective study in a single overcrowded emergency department.
雑誌名：BMC Emerg Med. 2025 Jul 15; 25(1): 121.
概 要：
本研究は、救急科の過密状態が患者の待機時間を延ばし、未診察で離脱する（LWBS）患者の増加を招く問題に対処することを目的としています。イタリアのマレスカ病院における2019年から2023年の間の80,614件の救急訪問を対象に、LWBS率に影響を与える主要因を特定し、機械学習（ML）技術を用いた予測モデルを開発しました。患者の特性、運用変数とLWBSの発生との相関を調査し、4つのML分類アルゴリズム（ランダムフォレスト、ナイーブベイズ、決定木、ロジスティック回帰）の予測能力を評価しました。
方 法：
本研究は、2019年から2023年にかけてイタリアのマレスカ病院で記録された80,614件の救急訪問に基づく後ろ向き分析です。患者の特性や運用変数とLWBSの発生との相関を調査するために統計解析を行い、4つの機械学習アルゴリズムの予測能力を評価しました。主要評価指標は、LWBSの予測精度です。
結 果：
ランダムフォレストが最も高い性能を示し、全体の精度は72%でした。特徴重要度分析により、待機時間、トリアージスコア、アクセスモードが重要な予測因子であることが明らかになりました。これらの結果は、病院のリソース計画や患者の流れ管理戦略を支援し、LWBS率を低下させる可能性を示唆しています。
結 論：
機械学習を用いた予測モデルは、救急科におけるLWBS率の低下に寄与する可能性があり、病院のリソース管理や患者の流れの最適化に役立つことが期待されます。