早期予測AIがくれる、静かな安心と”余裕”のつくり方
夜勤のナースステーション。
コールのランプがいくつも点いて、点滴のアラームが鳴り、記録はまだ半分も終わっていない。
そんな中で、ふと頭をよぎるのがこの問いです。
「この人、今日ここに来たばかりなのに…皮膚、大丈夫かな？」
褥瘡（じょくそう。最近は「圧迫損傷」とも呼ばれます）は、目に見えにくいところで静かに始まります。
赤みが出た時には、もう”火種”はできている。
だから本当は、赤くなる前に気づけるといい。
その「赤くなる前」を、入院後わずか8時間の”看護記録だけ”で予測しようとした研究が報告されています。
褥瘡（圧迫損傷）って、結局なにが起きているの？
褥瘡は、骨が出っ張っている部位などで、圧迫（押され続ける力）やずれ（せん断力）が重なり、
皮膚やその下の組織が傷んでしまう状態です。
「床ずれ」という言い方が有名ですが、実際には”皮膚の表面だけの問題”ではありません。
例えるなら、布団の下でじわじわ炭がくすぶるようなもの。
表面が平気そうでも、内側が先に弱っていくことがあります。
入院患者では一定の割合で起こり、予防できる余地が大きい一方、
起きてしまうと入院期間やケア負担を増やします。
だからこそ、早めの予防が大事です。
なぜ従来の評価だけでは”取りこぼし”が起きるのか
多くの病院ではリスク評価に、ブレーデンスケールなどの尺度が使われます。
もちろん有用ですが、研究では「患者の状態の複雑さを十分に拾いきれない」ことや、
評価が主観に寄りやすいことが課題として挙げられています。
特に、失禁がある人、スコアが中くらいの人、肥満など”見えにくい脆さ”がある人は、
過小評価が起きうるという指摘もあります。
ここで登場するのが、機械学習（ML）です。
機械学習は「たくさんの条件が絡み合う状況」を、経験則だけでなくデータから学んで”傾向”をつかむ技術。
料理でいえば、塩や火加減だけでなく湿度や食材の個体差まで含めて、仕上がりを当てにいくようなものです。
この研究が面白いのは「8時間以内の看護記録だけ」で勝負した点
研究の舞台はチリ・サンティアゴの病院で、2022年に入院した患者446人のデータを用いています。
そして条件が潔い。
入院後8時間以内に集まる「基本的な看護記録」だけを使う。
その8時間の時点で見つかった褥瘡は「入院前からあったもの（pre-hospital）」として扱い、
院内発生の予測対象から除外する。
つまり、「入院してからの未来」を当てにいく設計です。
ここが臨床に優しい。
検査結果や長期の経過を待たず、その日のうちに対策へつなげられるからです。
どんなAIを試し、どう公平に比べたの？
試したのは5つの代表的モデルです。
決定木（DT）、ロジスティック回帰（LR）、ランダムフォレスト（RF）、勾配ブースティング（XGB）、そしてサポートベクターマシン（SVM）です。
しかも、きちんと交差検証（データを分けて何度もテストする方法）で比較し、
ハイパーパラメータもグリッドサーチで調整しています。
こういう地味な丁寧さが、現場に持ち込むときの信頼になります。
データ処理も現実的でした。
体重など欠損が多い項目があり、体重は欠損が約50%と報告されています。
そこでKNNという方法で欠損を補い（k=4）、”データが少ないからこそ無理に増やさない”工夫もされています。
結果：褥瘡は18.8%。そして最も頼れたのはランダムフォレスト
このデータでは、院内で褥瘡が発生した割合は18.8%でした。
決して珍しい事故ではありません。
モデルの成績は、ざっくり言うと「どれも悪くないけれど、RFが一歩抜けた」。
ランダムフォレスト（RF）は、AUC 82.4%、正解率 82.5%、特異度 86.9%などの成績を示しました。
ここで出てくる指標を、初心者向けに短くほどくと、以下のようになります。
AUCとは、ざっくり「危ない人を危ない順に並べるうまさ」のこと。
正解率は、全体でどれだけ当たったかを示します。
特異度は、危なくない人を「危なくない」と言える力、つまり誤警報の少なさです。
そしてこの研究のこだわりがもう一つ。
「精度（precision）」を上げるために、判定のしきい値を調整しています。
精度は「危ないと判定した人が、本当に危ない確率」のことです。
現場でアラートが鳴りすぎると、いわゆるアラート疲れが起きます。
だから、むやみに警報を増やさず”当たりやすい警報”に寄せた、という判断です。
結果としてRFでは、調整後の精度が93.3%と報告されています。
なお、しきい値は0.2±0.1程度だったこと、
精度を上げると感度（取りこぼし）が下がりうるトレードオフも明記されています。
ここはとても誠実なポイントです。
「魔法のAI」ではなく、「どう使うと現場が回るか」を考えている。
何が効いた？ ”看護記録の宝”がちゃんと光っている
特徴量（予測に効いた要素）の解釈も興味深いです。
RFが重視した上位は、総合リスクスコア、体重、身長（size）の3つでした。
さらに、体位変換の介助、依存度リスク、便失禁なども影響が大きいとされています。
ここを”人の言葉”に翻訳すると、こうなります。
体を動かしにくいこと（依存度が高い、介助が必要）、
皮膚が湿りやすく刺激を受けやすいこと（失禁など）、
そして圧が一点に集まりやすいこと（体格、体重など）。
この3つが組み合わさるほど、リスクが高まるのです。
看護記録は、ただのチェック欄ではなく、患者さんの体の”生活地図”です。
AIは、その地図から「ここに渋滞が起きそう」「ここがぬかるみそう」と、
先に危険地点を示してくれる。
そんなイメージが一番近いと思います。
現場でどう生きる？ ”未来のケア”を増やすのではなく、”余裕”を増やす
研究では、このモデルは電子カルテ（EHR）やトリアージに組み込み、
リアルタイムのリスクアラートやダッシュボードとして使える可能性が述べられています。
大事なのは、AIがケアを増やすことではありません。
ケアの優先順位を整えて、現場の余裕を取り戻すことです。
一方で、導入の壁もあります。
インフラが弱いとリアルタイム処理が難しく、使い手の教育も欠かせません。
アラートが多すぎると逆効果になりますし、
モデルの性能は時間とともにずれる可能性（データドリフト）もあります。
だからこそ、この研究が強調する通り、
AIは臨床判断を置き換えるものではなく、支えるものとして設計されるべきです。
まとめ：褥瘡予防は「未来の痛み」を今日のうちに減らす仕事
褥瘡は、誰かの不注意を責めるための出来事ではありません。
忙しさ、体の弱り、予防資源の限界。
いくつもの要因が重なって起きる”静かな事故”です。
だから、入院後8時間の看護記録からリスクを先読みし、
予防を間に合わせるという発想は、現場にとってとても現実的で、やさしい。
ランダムフォレストが示した高い精度は、
アラート疲れを起こさずに「本当に危ない人」に集中する道筋にもなり得ます。
褥瘡予防は、皮膚を守るだけじゃない。
「その人の入院生活の痛み」を、未来からそっと引き算する仕事だ。
この”未来からの引き算”を、記録とデータの力で少しでも確実にできるなら。
それは患者さんにも、家族にも、そして現場にも、ちゃんと効く希望だと思います。
コメント