米国のイェール大学医学部(Yale University School of Medicine)の救急の研究者は、救急外来に来た人のうち、オピオイド使用障害の人を見つける仕組みを作りました。受付までにそろう過去の記録から機械学習のモデルが点数を出し、点数が高い人を電子カルテの知らせで医師に伝えます。医師4人がカルテを見直した217人で比べると、モデルが印を付けた人の89.3%が、医師の判断と一致しました。ただ、全体に直した推計では、本当に病気の人のうち見つけられたのは約4割です。2026年9月に学術誌「PLOS Digital Health」に出た論文にもとづく内容です。
オピオイド使用障害は痛み止めなどに使うオピオイドという薬をやめられなくなる病気です。救急外来ではブプレノルフィンという治療の薬をその場で始められます。ただ、忙しい中で、どの人がこの病気かに医師が気づけるとは限りません。
研究者はこの病気の人に救急外来で薬を始める臨床試験「ADAPT」を準備しています。試験の候補になる人を、医師の気づきに頼らず見つけるために、この仕組みを作りました。
モデルはランダムフォレストです。たくさんの決定木の答えを合わせて、病気の見込みを出します。ロジスティック回帰とも比べ、こちらの方が成績がよかったため選びました。
使う記録は受付の時点までにある過去の病名、薬、検査、処置などです。年齢や性別、人種は記録として集めましたが、モデルには入れていません。学びに使ったのは、2014年から2025年に地域の9つの救急外来に来た大人の記録です。
点数は電子カルテの中で計算されます。境目を超えると、試験の候補かどうかを見直すよう知らせが出ます。
知らせが多すぎると、医師が見なくなります。試験の候補を見直す人の数にも限りがあります。そこで研究者は取りこぼしを減らすより、まちがった知らせを減らす方に境目を置きました。取りこぼした人は、本人の訴えや、病院に着く前に過量服薬を戻す薬を使われたことなど、別の決まりで拾います。
2025年の対象の受診866,569件のうち、印が付いたのは28,284件(3.26%)でした。3つの救急外来で、1日に約77回の知らせになる見込みです。
| 📊 項目 | 数字 | 比べた相手 |
|---|---|---|
| 印を付けた人のうち、医師も病気と判断した割合 | 89.3%(103人) | 医師4人のカルテの見直し |
| 印を付けなかった人のうち、医師も病気でないと判断した割合 | 95.7%(114人) | 同じ |
| 病気の人のうち、見つけられた割合(推計) | 0.40(95%信頼区間0.24〜0.64) | 同じ(全体に直した推計) |
| 病気でない人を、正しく外した割合(推計) | 0.996 | 同じ(全体に直した推計) |
| 過去の記録での見分ける力(AUROC。1に近いほど高い) | 0.99 | 記録から機械的に決めた「病気あり」の印 |
| 2025年に印が付いた受診 | 28,284件(3.26%) | 対象の受診866,569件 |
出典:論文(2026年9月3日公開)。カルテを見直す217人は、印の有無で分けて選びました。そのため「見つけられた割合」は、全体の割合に合わせて直した推計です。この数字の幅が広いのは、印を付けなかった114人の中に、病気の人が5人いたためと論文は書いています。
| 📢 公表されている説明 | ⚠️ 確認できていない点 |
|---|---|
| 救急外来でこの病気の人をすぐ見つけられる | 知らせで、薬を始める人が増えたか |
| 臨床試験の候補探しの手間が減る | 候補探しの時間がどれだけ減ったか |
| 1日約77回の知らせで回せる | 実際の知らせの数と、出るまでの遅れ |
| 同じ作り方は、救急でほかの急ぐ病気を見つける型にもなりうる | ほかの病気や、別の医療グループ・電子カルテで同じように働くか |
凡例:📢=当事者(研究者)が論文で述べている説明 ⚠️=出典に書かれておらず、こちらで確認できていない点
出典:論文(2026年9月3日公開)。試験の結果や、知らせの数、時間の遅れは、これから報告するとしています。
論文は1つの医療グループと1つの電子カルテの製品での研究で、ほかの病院に当てはまるとは限らないと書いています。
自治体の福祉の窓口に応用できそうです。来た人の過去の記録から、支援が要りそうな人に印を付けて担当者に知らせます。知らせが多すぎると見られなくなるので、まずはまちがいの少ない境目で始めます。取りこぼしは、本人の訴えなど別の決まりで拾う形です。
薬局や保険の窓口にも使えそうです。印を付けた人と付けなかった人の両方から抜き取って人が見直すと、見つけられた割合まで数字で出せます。
研究者はこの仕組みを使った臨床試験の結果と、知らせが治療につながったかを、試験が終わってから報告するとしています。
米国のマウントサイナイ医療グループ、入院した高齢者のせん妄の危険を見る機械学習のモデルを学び直さずに2つ目の病院で使い、見分ける力は本院の0.94に対して0.91だったが、危険が高いと出た人のうち実際にせん妄だったのは25.9%だった
2026.11.16
英国のケア品質委員会、公的な調査に出す文書を、職員が付けた「関係あり・なし」から学ぶ機械学習で並べ替え、関係がありそうな順に読む仕組みを試している
2026.11.15
英国の情報コミッショナー事務局、苦情や問い合わせの案件を、メールはGPT-4.1で読み取って自動で作り、1件12〜15分かかっていた手作業の9割以上を、ウェブの申込書の分と合わせて置き換える見込みとしている
2026.11.15