救急医療サービスのデータを活用した機械学習モデルが病院到着前の脳卒中トリアージを強化する

なぜ迅速な脳卒中の判断が重要か

脳卒中では1分1秒が勝負です。脳細胞は急速に失われ、歩行や会話、日常生活の自立能力が遅延ごとに低下します。多くの脳卒中は医師ではなく救急隊員が乗る救急車で最初に遭遇します。本研究は、過去の症例から学ぶコンピュータが救急医療サービス（EMS）において脳卒中をより早く見つけ、患者を適切な病院へ迅速に誘導できるかを検証し、脳組織の保護や長期的な生活の質の改善につながる可能性を探ります。

病院到着前に何が起きるか

脳卒中患者の経路は通常、119（※日本では119、原文は9-1-1）通報に始まります。情報要員がどの支援を送るかを判断し、EMS隊が自宅や現場で患者を診察します。年齢や体重といった基本情報に加え、心拍数、血圧、呼吸数、酸素飽和度、意識レベルなどのバイタルサインが記録されます。これらの数値は病院が患者を受け取る前に取られることが多いです。研究者たちは単純な疑問を投げかけました：これらの初期測定は、コンピュータがリアルタイムで脳卒中の可能性を示すのに十分に信頼でき、かつ十分に揃っているか？

研究の実施方法

チームは2015年から2020年にかけてシカゴ近郊の大病院に運ばれた成人4,333人による8,221件の救急搬送記録を遡及的に調査しました。これらの遭遇のうち脳卒中と確定したのは約2％に過ぎず、そのうち約3分の2は重症で、集中治療を要したり人工呼吸器を使用した患者でした。研究者は現場でEMSが記録した値と、到着後すぐに病院スタッフが測定した値を比較しました。心拍数、血圧、血糖、酸素飽和度、簡単な意識評価はほとんどの患者で利用可能で、病院の測定値と概ね一致しており、救急車内のデータが患者の実際の状態をよく反映していることが示されました。

危険を認識するようにコンピュータを教える

これらの病院到着前の数値に、通報内容や患者を拾った場所などの基本的情報を加えて、研究者は複数の機械学習モデルを訓練し、2つの課題を解かせました：脳卒中と非脳卒中の識別、ならびに重症脳卒中とその他のケースの識別です。ランダムフォレスト、XGBoost、単純なニューラルネットワークという3つの一般的手法を別々のデータセットで検証し、公平に評価しました。脳卒中は希少事象であるため、モデルは脳卒中症例に特に注目するよう調整され、リスクスコアが実世界の確率にできるだけ近づくよう入念に校正されました。

ツールの性能

全搬送記録を通じて、いずれの脳卒中を検出する最良モデルはXGBoostであり、重症脳卒中を検知する最良モデルはランダムフォレストでした。これらのツールは誰が脳卒中の可能性が高いかを順位付けするのに優れており、適切な閾値に調整すると、現行のEMSスクリーニング方法より多くの脳卒中を検出しつつ、多くの誤警報を避けることができました。例えば、ある運用点では脳卒中モデルは約3分の2の脳卒中症例を正しく特定し、非脳卒中症例のほぼ9割を正しく除外しました。最も影響力の大きかった指標は馴染みのある臨床的手がかりで、高血圧、意識レベルの変化、異常な脈拍、年齢の高さ、そして突然の麻痺や発話困難といった脳卒中を示唆する119通報コードなどが挙げられます。

患者にとっての意義

脳卒中はすべての救急搬送患者の中で少数派であるため、性能の良いモデルでも誤警報を出すことがあります。実際には「可能性あり」と識別されても脳卒中ではなかった患者が一定数出ることになります。著者らは、時間が勝負の緊急事態においては、そのようなトレードオフは、アラートが人間の判断を置き換えるのではなく迅速な評価を促すものであれば受容に値する可能性があると主張しています。結果は、機械学習ツールがEMSが既に収集しているデータに対する追加の目として機能し、見落とされがちな高リスク患者を救急隊や病院に示す手助けになり得ることを示唆しています。

今後の展開

簡潔に言えば、本研究は救急車内で記録される数値が、誰が脳卒中の可能性があり高度なケアをどの程度急ぐべきかを支援する賢いコンピュータツールを駆動できることを示しています。これらのシステムは単独で診断することを意図したものではなく、救急隊員や救急医が患者の搬送先やストロークチームの迅速な動員を決める際の支援を目的としています。データ共有の改善、記録のより完全な整備、異なる地域での検証を進めれば、こうしたツールはより多くの人を適切な病院へ迅速に導き、脳卒中による後遺症を減らす助けになる可能性があります。

引用: Saban, M., Hiura, G., de la Peña, P. et al. Machine learning models powered by emergency medical services data enhance stroke triage in prehospital settings. Sci Rep 16, 7139 (2026). https://doi.org/10.1038/s41598-026-37069-x

キーワード: 脳卒中トリアージ, 救急医療サービス, 機械学習, 病院到着前ケア, 医療における人工知能