Nursing Assessment–Derived Risk Profiles and VALENF Instrument–Based Classification in Adult Inpatients: A Two-Stage Machine Learning Study

病院は、人間の病気の複雑さが、しばしば単純なラベルの背後に隠れてしまう場所です。患者が診断名とともに到着しますが、その一つの医学用語だけでは、その人が何を必要としているかという全容を語るには不十分なことがほとんどです。同じ疾患を持っていても、一方は自立して歩き、食事ができるほど強い一方で、もう一方は虚弱で混乱しており、転倒や床ずれ（褥瘡）のリスクが高いということがあります。何十年もの間、病院の記録は医学的な診断や管理コードに重きを置いてきました。これらは請求業務や疾患の追跡には有用ですが、患者の身体状態や安全へのニーズという日常的な現実を見落としがちです。しかし、看護師はこうした「欠落した絵」を見るように訓練されています。看護師は毎日、患者がどの程度動けるのか、滑り落ちるリスクがどの程度あるのか、そして皮膚が壊れるリスクがあるかどうかを評価しています。これらの観察は、標準的な医療記録が見落としがちな、患者の脆弱性に関する豊かで詳細な地図を作り上げます。

課題は常に、これら詳細で人間的な観察結果を、医師や看護師が数千人の患者に対してより迅速かつ適切な意思決定を行えるようなシステムへと、いかに変換するかという点にありました。もし看護師が、ある患者の中にリスクのパターンを見つけられるのであれば、コンピュータは次の患者に対しても同じパターンを見つけ出すことができるのでしょうか？これは、スペインの研究チームが答えを出そうとした問いです。彼らは、患者が入院した際に看護師が記入する特定の構造化された記録を用いて、患者を明確なリスクカテゴリーに分類できるかどうかを検証したいと考えました。彼らの目的は、単に患者を分類することではなく、短時間のルーチン的な看護チェックに基づき、新しい患者を適切なリスクグループへ自動的に割り当てることができるデジタルツールを構築し、最も脆弱な人々が遅延なく必要なケアを受けられるようにすることでした。

研究者たちはスペインのある病院のデータを用い、数千件の入院記録を調査しました。まず、2,600人以上の患者からなる膨大な記録を集めました。これらの各患者について、入院時に行われた詳細な看護アセスメントの全データにアクセスしました。これらのアセスメントには、食事や歩行といった日常生活動作の遂行能力、褥瘡の発症リスク、および転倒のリオスクなどのスコアが含まれていました。また、患者の年齢、性別、および併存疾患の数をカウントしたスコアも含まれていました。チームは、指示を与えなくてもデータの背後にあるパターンを見つけ出すコンピュータ手法を用い、データ自体に語らせる方法を取りました。彼らは、これらの複合的な要因に基づいて、患者の中に自然なグループを見つけ出すようコンピュータに命じたのです。

コンピュータは、人間の専門家にとっても納得のいく5つの明確なグループ（プロファイル）を見つけ出しました。第1のグループは、非常に健康で自立しており、転倒や褥蓋のリスクがほとんどない若い患者たちでした。第2のグループは、身体的な自立度においては第1のグループと似ていましたが、慢性的な健康問題を抱えた高齢者で構成されていました。第3のグループは、中程度の困難を抱える患者たちでした。彼らはまだ自分で行えることもありますが、明らかに苦労しています。第4のグループは、ケアを受けるために他者に大きく依存しており、高いリスクに直面している患者たちを含んでいました。最後に、第5のグループは最も脆弱な層でした。非常に高齢で多くの健康問題を抱え、移動のために完全に他者の介助を必要とし、転倒や皮膚損傷の最高レベルのリスクを抱えている患者たちです。これら5つのカテゴリーは、手厚いケアをほとんど必要としない層から、絶え間なく集中的なケアを必要とする層まで、明確なリスクの梯子（ラダー）を形成しました。

これら5つのグループが確立された後、研究者たちは新たな課題に直面しました。それは、毎回時間を要する詳細なアセスメントを行うことなく、新しい患者をこれらのグループに割り当てる方法を見つけることでした。彼らは、看護師が日常的に使用している「VALENF」と呼ばれる、より短いツールに目を向けました。これは7項目のチェックリストであり、より長く詳細なテストと同じリスクを推定する単純な質問で構成されています。チームは、この7つの質問への回答から、患者がどの5つのリスクグループに属するかを予測するようにコンピュータプログラムを学習させました。彼らは、いくつかの異なる種類の機械学習アルゴリズムをテストし、最も正確であり、かつ極めて重要な点として、「最も安全な間違い」をするものはどれかを検証しました。

リスク評価の世界において、間違いには2つの方向があります。コンピュータが、実際にはリスクがある患者を「安全である」と判断してしまう場合と、実際には安全な患者を「リスクがある」と判断してしまう場合です。研究者たちは、ランダムフォレストとして知られる特定のアルлоリズムが最良の選択であることを発見しました。別の手法の方が全体的な精度はわずかに高かったものの、ランダムフォレストはより「慎重」でした。つまり、疑わしい場合には、脆弱な人を低リスクカテゴリーに誤って入れてしまうのではなく、より高いリスクグループに割り当てる傾向があったのです。このような「安全第一」のアプローチは、リスクを見逃すことが深刻な事態を招きかねない病院の設定において不可欠です。選ばれたコンピュータモデルは、テスト中に患者をリスクグループに約82パーセントの割合で正しく割り当て、研究者が前進するのに十分な性能であると判断できる水準に達しました。

このシステムが実世界で機能するかどうかを確認するため、チームは数年後に記録された8,000件以上の入院を含む、全く新しい患者のデータセットを用いてテストを行いました。彼らはコンピュータプログラムを一切変更せず、単に新しいデータを入力してどのような結果になるかを確認しました。結果は心強いものでした。システムは新しい患者を5つのリスクグループに正常に分類し、リスクの全体的なパターンも一貫していました。高リスクグループの患者は、確かに低リスクグループの患者よりも高齢で、健康問題が多く、移動能力が低いという特徴を持っていました。コンピュータによる割り当ては、大部分のケースにおいて臨床的な実態と一致していました。

しかし、この研究はいくつかの重要なニュタンスも明らかにしました。システムは、中リスクおよび高リスクのカテゴリーの患者に対して最もよく機能しました。比較的健康な2つのグループについては、コンピュータが「低リスク」と「健康問題のある低リスク」の間で患者を入れ替えてしまうことがありました。これは、新しい患者層が、コンピュータが学習した元のグループよりもわずかに高齢で、わずかに慢性的な健康問題を多く抱えていたために起こりました。コンピュータは複雑な高リスク事例を非常に安定して処理しましたが、より健康な集団におけるこうした微妙な差異は、システムが患者構成の変化に敏感であることを示しました。研究者たちは、このツールは技術的に健全であり臨床的にも論理的ではあるものの、まだあらゆる病院に導入できる完成品ではないと指摘しています。

本研究は、患者の健康という複雑で多次元的な姿を、日常的な看護データを用いて、単純化された自動化されたリスクプロファイルへと翻訳することが可能であると結論付けています。特定された5つのグループは、単なる医学的診断を超えて、日々の機能や安全性の実態を捉えるための、明確で秩序ある理解の方法を提供します。これらのプロファイルを割り当てるために開発されたコンピュータツールは、特に最も多くのケアを必要とする人々を特定する上でうまく機能します。とはいえ、研究者たちは、これは最終的な解決策ではなく、あくまで出発点であると慎重に述べています。このようなシステムが病院での患者ケアの意思決定に用いられる前に、それがアウトカム（治療成果）を改善し、新たな問題を引き起こさないことを確認するために、多くの異なる病院でテストされ、長期的に監視される必要があります。この研究は、そのアイデアが実現可能であり、データが存在することを証明しましたが、成功したコンピュータ実験から信頼される日常的な看護ケアの一部へと至る道のりには、さらなる証明と慎重な計画が必要なのです。