ENTRY

◀︎ AI NEWS TOPへ

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
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

米国ニューヨークのマウントサイナイ医療グループ(Mount Sinai Health System)は、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、本院で作ったまま、同じグループの別の病院で使いました。その病院のデータで学び直すことはしていません。1年余りの本番で、見分ける力は本院に近い値でした。せん妄の聞き取り検査をした人のうち、せん妄と分かった割合は、モデルを使う前(2018〜19年)の月平均9.23%に対し、使ったあとは19.59%でした。ただ、前と後の間には約6年の開きがあり、時期の違いも混ざります。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%です。2026年11月に学術誌「JAMA Network Open」に出た論文にもとづく内容です。

何が起きたか

せん妄は入院や手術のあとなどに、急に頭が混乱する状態です。高齢の人に多く、医師や看護師が見落とすことも少なくありません。論文は、専門の人が見るとせん妄なのに、担当の医師や看護師が気づかない割合を55〜70%とする過去の報告を挙げています。

マウントサイナイの本院には、せん妄を見つけて手当てする専門の担当があります。本院では2019年から、どの患者から見に行くかを決めるために、機械学習のモデルを使ってきました。

同じグループのマウントサイナイ・モーニングサイド病院(495床)も、2019年に最初のバージョンを入れていました。今回の論文は、この病院で2024年11月24日から使った新しいバージョンの結果です。この病院の担当は看護師の資格を持つ診療の担当1人と、聞き取りと手当ての担当1人の2人です。本院より小さな体制です。

AIの使い方

対象は集中治療室以外に入院した60歳以上の人です。モデルは毎日、一人ひとりのせん妄の危険を0から1の点数で出します。

使う記録は電子カルテ(Epic)の中にあります。年齢や入院の情報、検査の値、体の測定、心電図の数字のほかに、経過や看護の記録の文章も使います。文章は言語処理で読んで別の点数にし、ほかの記録と合わせます。本体はランダムフォレストで、たくさんの決定木の答えを合わせて見込みを出す方法です。

点数は患者の一覧に色で出ます。境目を超えた人は危険が高い色になり、担当の2人はその人たちから順に、決まった聞き取りの検査(CAM)を毎日します。

学び直さず、境目だけ変えた

モデルは本院のデータで作ったもので、モーニングサイドのデータでは学び直していません。変えたのは境目だけです。本院の0.55に対して、モーニングサイドは0.50にしました。それぞれの病院の人手や、検査できる人数に合わせて決めたと論文は書いています。

2つの病院の患者は、年齢や病気の種類がかなり違いました。モーニングサイドの方が年齢が高く、手術でない内科の入院が多く、認知症の人の割合も高い(13.2%と5.8%)です。

発表された数字

📊 項目 モーニングサイド(2つ目の病院) 本院
入院の件数(2024年12月〜2025年12月) 9,020件 21,186件
境目 0.50 0.55
見分ける力(AUROC。1に近いほど高い) 0.91(95%信頼区間0.90〜0.92) 0.94(同0.93〜0.94)
せん妄の人のうち、危険が高いと出た割合 92% 84%
せん妄でない人のうち、低いと出た割合 84% 89%
危険が高いと出た人のうち、実際にせん妄だった割合 25.9%(1,863人中482人) 19.4%(2,772人中538人)

出典:論文(2026年11月4日公開)。せん妄かどうかは、検査をした人は聞き取りの結果で、検査をしなかった人は病名の記録で決めています。

📊 モーニングサイドの検査の結果 使う前(2018年10月〜2019年9月) → 使ったあと(2024年12月〜2025年12月)
聞き取りの検査をした入院 2,889件 → 2,649件
そのうち、せん妄と分かった割合(月の平均) 9.23% → 19.59%

凡例:→=前から後への変化
出典:論文(2026年11月4日公開)。年齢や性別、病気の種類などをそろえた計算では、せん妄が見つかるオッズは1.63倍(95%信頼区間1.37〜1.94)でした。使う前の期間は約6年前で、担当の仕事の流れは2018年10月に始まっています。

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
学び直さなくても、別の病院で見分ける力が保てた 電子カルテや記録の仕方が違う、別の医療グループで同じように働くか
モデルを使うと、せん妄が見つかる割合が上がった 約6年の時期の違いを除いて、モデルの分がどれだけか
少ない人手でも、仕事の流れの役に立った 担当の2人の時間がどれだけ減ったか
見分ける力は高い 外れが多いことによる、知らせへの慣れや見落とし

凡例:📢=当事者(論文の著者)が述べている説明 ⚠️=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11月4日公開)と、同じ号の論評。

論文は自分たちの限界も書いています。検査は主に危険が高いと出た人に行ったため、危険が低いと出たせん妄の人は見つかりにくくなります。検査する人をモデルが決めているため、検査の結果にもモデルの影響が入るとしています。2つの病院は同じ医療グループで、電子カルテや記録の仕方も近いとしています。

同じ号には、メイヨー・クリニック(Mayo Clinic)の医師2人が論評を書いています。同じグループの中での結果なので、別のグループの病院でも確かめる必要があるという内容です。

誰に関係するか

介護施設の夜の見回りに応用できそうです。入居者の記録から、転んだり具合が悪くなったりしそうな人に点数を付け、少ない人手で先に見に行く順を決めます。施設を増やすときは、学び直す前に境目だけをその施設の人手に合わせて決め直す形です。

訪問看護や、自治体の高齢者の見守りにも使えそうです。点数で先に回る人を決め、回った人のうち当たった割合を、入れる前と後で月ごとに比べます。外れが多いことは、先に数字で知っておきます。

まとめ

著者は別の医療グループの病院でも確かめる必要があると書き、グループの外の病院でも使えるようにモデルを良くしていくとしています。遠くからつなぐ診療も使い、少ない人手で回せる形も考えています。

参考文献

  • Joseph I. Friedman、Prathamesh Parchure、Weijia Fu ほか(Arash Kia まで12人)「External Validation of a Machine Learning Model for Delirium Risk」JAMA Network Open 9(11): e2642142、2026年11月4日、https://doi.org/10.1001/jamanetworkopen.2026.42142 、確認日 2026-11-16
  • Sandeep R. Pagali、Christopher R. Carpenter「Implementing a Machine Learning Model for Delirium Risk in Clinical Practice—Beyond Discrimination」JAMA Network Open 9(11): e2642151、2026年11月4日、https://doi.org/10.1001/jamanetworkopen.2026.42151 、確認日 2026-11-16

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