機械学習を活用した救急部における誤分類患者のサブグループ特定：多施設の概念実証研究
カテゴリ：災害・救急医療
公開日：2026年2月19日
タイトル：Leveraging Machine Learning to Identify Subgroups of Misclassified Patients in the Emergency Department: Multicenter Proof-of-Concept Study
雑誌名：J Med Internet Res. 2024 Dec 31; 26: e56382. doi: 10.2196/56382. Epub 2024 Dec 31.
概 要：
本研究は、救急部におけるトリアージ誤分類に関連する臨床的特徴を特定することを目的とし、機械学習モデルを用いて非線形関係を捉えました。ノルウェーの2つの大規模地域病院からの多施設後ろ向きコホートデータを使用し、トリアージスコア、年齢、性別、到着時間、主治医の所属、救急部への連絡理由、退院先、ケアレベル、死亡時刻などの変数を抽出しました。トリアージの過小評価と過大評価に強く関連する特徴を特定しました。
方 法：
ノルウェーのベルゲン大学病院とトロンハイム大学病院からの205,488件および304,997件の患者記録を収集しました。南アフリカトリアージシステムと迅速救急トリアージおよび治療システムを使用し、ランダムフォレスト分類モデルを用いて、過大評価と過小評価に関連する特徴を特定しました。変数の重要性はSHAP値として報告しました。
結 果：
両病院での過大評価は非常に稀であり（いずれも0.1%未満）、過小評価はベルゲンで0.8%、トロンハイムで0.2%でした。両病院の人口統計は類似していましたが、高優先トリアージスコア（赤またはオレンジ）を受けた割合はベルゲンで24%、トロンハイムで9%でした。臨床紹介部門が過小評価に最も強く関連する変数であることが示されました（ベルゲンでの平均SHAP +0.62、トロンハイムでの平均SHAP +0.37）。
結 論：
2つの一般的なトリアージシステムを使用して、一貫して過小評価される患者のサブグループを特定しました。トリアージシステムや場所によってトリアージ誤分類に対する臨床的特徴の重要性は異なるものの、臨床紹介部門が最も重要な変数であることが両地点で一貫して確認されました。このアプローチを他のセンターで再現することで、トリアージスコアリングシステムの改善と患者ケアの向上が期待されます。