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。
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。
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。
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。
| 📊 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。
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。
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。
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
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