ENTRY

◀︎ AI NEWS TOPへ

米国のイェール大学医学部、救急外来の受付までの記録からオピオイド使用障害の患者を機械学習で見つけて知らせる仕組みを作り、医師のカルテの見直しと比べると、印を付けた人の89.3%が一致し、病気の人のうち見つけられたのは推計で4割だった

2026.11.15
米国のイェール大学医学部、救急外来の受付までの記録からオピオイド使用障害の患者を機械学習で見つけて知らせる仕組みを作り、医師のカルテの見直しと比べると、印を付けた人の89.3%が一致し、病気の人のうち見つけられたのは推計で4割だった

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。

何が起きたか

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。

AIの使い方

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。

境目の決め方

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。

発表された数字

📊 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。

公表された説明と、確かめられていないこと

📢 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。

誰に関係するか

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。

まとめ

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。

参考文献

  • Huan Li、Mark Iscoe、John Lutz ほか(R. Andrew Taylor まで12人)「Implementation of an opioid use disorder (OUD) machine-learning phenotype in real-time for the ADAPT clinical trial」PLOS Digital Health 5(9): e0001140、2026年9月3日、https://doi.org/10.1371/journal.pdig.0001140 、確認日 2026-11-15

最新の記事も併せてチェック

Tags

タグ一覧へ ▶︎

Kamone
著者 Kamone

30歳で学者志望からITエンジニアに転身。通信・金融業界におけるインフラ領域を中心に、オンプレミスからクラウドまで幅広く経験。AWS学習コミュニティでは公認メンターとして教材制作や講師を務める。現在はリツアンSTCにて事業推進に携わり、AI活用とエンジニア支援の高度化に取り組んでいる。

Kamone
著者 Kamone

株式会社リツアンSTC社員。

1984年 東京都中野区生まれ。

大学中退後、工場や警備員などを経て、何もスキルが身についていないことに危機感を覚える。
2014年 何か手に職をつけなければと思い、電子専門学校からエンジニアになった弟を見て「コイツにできるなら俺もできる」と安易な考えで未経験からIT業界に飛び込む。
そこは「まともな案件に入れなければ営業としてこき使われるか中国に送られるらしい」と恐ろしい噂が飛び交う会社だった。
「とんでもないところに来てしまった…」と戦慄するも、運よく大手新聞社系のインフラチームから声がかかり、エンジニアとしてのスタートを切る。

その後、SESを転々としながら通信・金融業界のオンプレ・クラウド案件を中心にインフラエンジニアとして経験を積む。

2021年 AWS学習サービス「Cloudtech」に参加し、公認メンターとして書籍出版プロジェクトや教材制作・講師などのコミュニティ・サービス運営に関わる。

2023年 ゆとりーマンのYoutube動画で新興SESの闇とリツアンの存在を知り、転職。(当時所属していたSES企業が動画で紹介されていた特徴に当てはまっていて愕然)
その後、CloudTechとリツアンの橋渡し役を担い、合同プロジェクト「テラコヤテック」の運営に関わる。
2025年 リツアンの「エンジニアに一円でも高い報酬を」「会社は社員に使われるためにある」「出入り自由」といったスタンスに共鳴。エンジニアから転向し、リツアンの事業推進に参画。
現在に至る。

他人の文体を真似たり、他人が書いた文章を手直しするのが得意、という若干嫌な気持ちにさせる特技を持つ。
AI活用を鋭意研究中。
(リツアンいいとこ一度はおいで。)

今すぐわかる。報酬シミュレーション