電子健康記録を用いた緊急入院後の医療接触の機械学習予測
カテゴリ：公衆衛生・予防医療
公開日：2025年12月18日
タイトル：Machine learning-based predictions of healthcare contacts following emergency hospitalisation using electronic health records.
雑誌名：NPJ Digit Med. 2025 Dec 17; 8(1): 764. doi: 10.1038/s41746-025-02138-4. Epub 2025 Dec 17.
概 要：
本研究は、高齢化社会における緊急医療システムの課題に対処するため、緊急入院後の高齢患者における医療接触を予測する機械学習アルゴリズムの可能性を検討しました。スコットランド南東部の電子健康記録（EHR）データを用いて、脆弱性マーカーと看護リスク評価に基づく勾配ブースティング（XGBoost）モデルを開発しました。98,242人の患者を対象に、入院から72時間以内の医療接触や専門的な支援の必要性を予測しました。予測精度は、緊急受診時に49%、入院72時間後に34%の誤差率を示しました。急性老年医学サービスの必要性を予測するAUCは0.89、入院リハビリテーションの予測は0.83でした。圧迫潰瘍リスクとその文書化が医療接触の予測因子となりました。
方 法：
この研究は、スコットランド南東部の電子健康記録データを用いたコホート研究です。98,242人の高齢患者を対象に、脆弱性マーカーと看護リスク評価を基にした勾配ブースティング（XGBoost）モデルを訓練し、入院から72時間以内の医療接触や専門的支援の必要性を予測しました。主要評価指標は、医療接触の予測誤差率とAUCです。
結 果：
緊急受診時の医療接触の予測誤差率は49%、入院72時間後は34%でした。急性老年医学サービスの必要性を予測するAUCは0.89、入院リハビリテーションの予測は0.83でした。また、圧迫潰瘍リスクとその文書化が医療接触の予測因子として機能しました。
結 論：
EHRデータを用いた機械学習モデルは、緊急入院後の医療活動を詳細に予測でき、迅速な適切な緊急ケアへの割り当てを促進する可能性があります。