AIをベッド管理に適用し、追跡予測により患者にベッドの空きを確保

医療分野はAIが進歩していく上で重要な方向であると言えます。現在開始されているプロジェクトには、AIによる診断や治療、医薬品開発などが含まれます。死亡時刻を予測するための特別なディープラーニングモデルを導入している機関もあります。しかし、ナレッジグラフの不完全さやNLP研究開発の未熟さなどの技術的条件により、直接適用できるものは多くありません。

一方、医療画像認識、健康管理、さらにはインテリジェント登録管理における AI アプリケーションは、はるかに一般的です。これらの医療分野では、AI を利用して登録の手配などのデータ処理を行ったり、画像認識技術を活用したりしており、AI 研究が比較的成熟している分野です。

Nature Digital Medicineに掲載された新しい研究によると、医療分野におけるAIの応用は新たな進歩を遂げており、成熟した「AI+医療」アプリケーションに新たな力を加える可能性があるという。

モデルがあれば、入院後いつ退院できるかがわかります

従来の入院計画では、医師は患者の状態の予測、入院期間、治療計画などの従来の治療経験に基づいて入院の決定を下すことが多いです。入院日数は基本的に患者さんの日々の回復状況に応じて決定され、回復がほぼ完了すれば基本的には退院できます。この追跡ベースの動的入院管理では、患者に退院が通知されてから実際に退院するまでの時間差が非常に短くなるため、ベッド配置の柔軟性が大幅に低下します。

スタンフォード大学の教授らが参加するチームは最近、ディープラーニングを使用して入院を予測する新しいアルゴリズムモデルを構築しました。これにより、将来的にこの状況が改善される可能性があります。

このモデルは、さまざまな医療機関の成人患者の 20 万件を超える電子記録を分析することで、いくつかの高精度な予測タスクを達成できます。たとえば、患者の院内死亡率、長期入院、30 日後の再入院の可能性を予測します。

具体的には、研究者らは入院、入院24時間、退院という3つの時点を使用し、上記の3種類の入院に対して異なるデータ分析の焦点を当てました。

院内死亡率の予測:心拍数、呼吸数、体温、白血球数や乳酸値などの患者の生活の質に関係する定期的な臨床検査を通じて、死亡リスクのある患者を分析します。

30 日以内の再入院を予測:過去の入院回数、現在の入院期間、病院のサービス レベルなどに基づいて、患者が 30 日以内に再入院する可能性があるかどうかを予測します。入院件数が多いということは、ある程度、患者の医療資源への依存度を反映しており、病院のサービスレベルが高いことも、患者が再び入院する主な理由となる。

患者の長期入院の予測：患者の性別や入院元（下位病院からの転院など）などの要素に基づいて、患者が長期入院（7日以上）になるかどうかを判断します。特に転院する場合、元の病院で現地で解決できない場合は、患者の状態が重篤であり、長期入院となる可能性があることを意味します。

200,000 を超えるサンプルに基づくこの予測は、ある程度信頼できるものです。研究によれば、患者の死亡率の予測は従来の研究モデルよりも大幅に高いという。このモデルは、患者の生活の質の向上と病院の医療費の削減に大きな意義を持つと予測されます。

患者の生存に関しては、試行錯誤しながらもAI医療の精度向上が必要

現時点では、人体の病理学的特徴を理解することは AI にとって少々困難であり、このモデルを患者の健康指標の支援に使用するには時間がかかるでしょうが、最も直接的な応用シナリオは病床管理かもしれません。

中国では、質の高い医療資源が省レベル以上の病院に集中していることが多く、その結果、これらの病院ではベッドが全体的に不足しています。廊下や階段までベッドでいっぱいで、多くの患者が何日も前に予約を取る必要があり、時間がかかります。付き添いの家族も含めると、病棟はしばしば過密状態になります。

したがって、このディープコンピューティングモデルの適用により、一方では、医師は患者により正確な退院時間の推奨を提供し、病院管理部門には手配のための正確なベッドの空き時間を提供することができ、他方では、ベッドのスケジュール設定における不確実性を大幅に低減し、入院期間を相対的に短縮することもできます。

これにより、患者の入院期間が短縮され、必要な患者の待ち時間も短縮されます。全体としては、入院患者数はほぼ横ばいであるものの、患者の流れは増加しており、目に見えない形で入院部門の経営効率が向上しています。

一方、AIによる入院患者管理の助けを借りれば、病院は多くの労力を節約し、ベッドの使用に関する長期的な計画を立てることができます。例えば、従来は今日ベッドを空けて明日のベッドの予定を立てていましたが、これからは今日ベッドを空けて明日のベッドの予定を立て、明後日のベッドを用意するなど、より先のベッド配置を予測できるようになり、高度なベッドマネジメントが実現します。

しかし、モデルのトレーニング中のサンプルデータの分析が不十分なため、実際に使用されるまでにはまだ程遠い状況です。たとえば、サンプル患者の健康情報はさまざまな医療機関から提供されており、医療機関によって記録方法、症例注釈、さらには医師からの個別のアドバイスも異なります。予測を行う際、モデルはさまざまな健康情報の共通点を使用しますが、それらの変数を把握することは困難です。したがって、その予測精度は従来の方法よりも高いものの、実際には精度にはまだ多少の偏差が残っています。

さらに、病院の管理や患者の健康検査が関係するため、申請プロセスでは医師と患者の間で対立が生じる可能性も考慮する必要があります。患者が予測されたとおりに退院したが、その後すぐに再入院した場合、患者の信頼は失われるだろうか。それとも、患者は長期間、無意味に入院することになるだろうか。特に、患者の死亡率を予測することに関しては、より慎重になる必要がある。結局のところ、それは生死の問題であり、ある程度の精神的忍耐力が必要である。

もちろん、医療分野におけるAIの動向は不可逆的です。 AI アプリケーションが利益の追求を目的としている一部の商業活動と比較すると、医療分野における AI 研究は患者の生活の質に重点を置いています。人間は皆、大切な生き物です。今、AIの正確な保護が必要ですが、AIに試行錯誤とアップデートのための十分な時間を与えることも必要です。