MEDICINE & AI

タイトル：Artificial Intelligence-powered tiered early warning framework addressing high false alarm rates for in-hospital mortality prediction 雑誌名：NPJ Digit Med. 2026 Mar 14; doi: 10.1038/s41746-026-02522-8. Epub 2026 Mar 14. 概　要： 本研究は、緊急医療における予測モデルの効果的な展開を妨げる「アラート疲労」の問題に対処するため、AI-TEW（AI駆動の段階的早期警告）という新しい二段階の早期警告フレームワークを提案します。入院中の死亡（IHM）は、緊急部門から入院した患者の5%未満で発生するため、クラス不均衡が生じ、陽性的中率（PPV）が低下します。第一段階では、174,292件の緊急訪問データを用いて機械学習モデルを開発し、IHM予測においてAUROCが0.84から0.91の範囲で強い識別能力を示しました。第二段階では、リスク層別化戦略を実施し、PPVを基準の9.8-18.8%から32.5-40.5%に向上させ、低リスク個人に対して98%以上の高い陰性的中率（NPV）を維持しました。さらに、SHAP法から得られた患者特有のリスク要因を解釈するために、大規模言語モデル（LLM）を活用した知識ベースのフィルタリング層を導入しました。この統合により、外部検証でPPVが11.53%向上しました。AI-TEWは、予測効率の向上と解釈可能な知識に基づくフィルタリングを統合し、アラートの負担を軽減しつつ、迅速な臨床介入を支援する有望なアプローチを示しています。 方　法： この研究は、174,292件の緊急訪問データを用いたコホート研究です。データは中国とアメリカの3つの病院から収集され、機械学習モデルが開発されました。主要評価指標は、IHM予測におけるAUROCで、内部および外部検証コホートで0.84から0.91の範囲を達成しました。 結　果： AI-TEWは、第一段階で強い識別能力を示し、第二段階でリスク層別化戦略を実施することで、PPVを基準の9.8-18.8%から32.5-40.5%に向上させました。また、低リスク個人に対するNPVは98%以上を維持しました。外部検証では、PPVが11.53%向上しました（p=0.0092）。 結　論： AI-TEWは、入院中の死亡予測におけるクラス不均衡の影響を軽減し、臨床介入のタイミングを支援する有望な手法であることが示されました。このフレームワークは、誤警報を減少させ、臨床的解釈を向上させることが期待されます。