triageレベルの非構造化データと構造化データを用いた心不全入院のための早期救急部門意思決定支援：後ろ向きコホート研究
カテゴリ：災害・救急医療
公開日：2026年4月30日
タイトル： Early emergency department decision support for heart failure hospitalization using triage-level unstructured and structured data: a retrospective cohort study.
雑誌名： BMC Med Inform Decis Mak. 2026 Apr 29; doi: 10.1186/s12911-026-03481-6.
概 要：
本研究は、救急部門における心不全（HF）入院リスクの早期特定を目的とし、triage時に利用可能なデータのみを用いてHF入院を予測する機械学習モデルの開発と検証を行いました。主に、自由記述の主訴と構造化されたtriage変数を活用し、270,596件の成人患者のデータを分析しました。結果として、HF入院の予測精度が向上し、早期の診断評価やリソース計画に寄与する可能性が示されました。
方 法：
2016年から2021年の間に、大規模な統合医療システムでの270,596件の成人救急部門から入院への遭遇を対象にした後ろ向きコホート研究を実施しました。主要評価項目はHF入院で、triage時に利用可能なデータ（人口統計、バイタルサイン、併存疾患、自由記述の主訴）を用いて予測因子を特定しました。主訴テキストは、用語頻度-逆文書頻度法と潜在意味解析を用いて変換され、臨床的に定義された症状の表現が補足されました。ロジスティック回帰とライト勾配ブースティングマシン（LGBM）モデルを訓練し、テストセットで評価しました。
結 果：
HF入院は7.5%の遭遇で発生しました。構造化データと自然言語処理から得られた特徴を組み合わせたモデルが最も高い性能を示しました。LGBMモデルは、強い識別力（AUC = 0.896）、再現率（0.816）、精度（デフォルト閾値で0.630）を達成し、構造化データのみおよびNLPのみのモデルを上回りました。呼吸困難や浮腫に関連する症状クラスターが強力な予測因子の一部でした。
結 論：
HF入院は、救急部門でのtriage時に利用可能なデータのみを用いて正確に予測できることが示されました。自由記述の主訴と構造化変数を統合することで、早期リスク層別化が大幅に改善され、急性期医療における早期診断評価やリソース計画を支援する可能性があります。