注目ポイント
本研究では、高齢救急外来（Emergency Department, ED）患者の6か月死亡率予測において、AIベースのモデルであるGeriatric End-of-Life Screening Tool（GEST）と、従来の医師による surprise question（SQ）を比較し、さらに両者を組み合わせた手法の有効性を検討した。GEST+SQ の協働モデルは GEST 単独よりもキャリブレーションを改善し、段階的スクリーニング・プロトコルにより、予測精度を維持しながら医師の負担を大幅に軽減できることが示された。
研究背景
救急外来では、複雑な健康状態を有する高齢患者を頻繁に診療するため、終末期が近い患者を同定し、適時に緩和ケアに関する話し合いを行い、適切に医療資源を配分することが重要である。従来の予後予測は、「この患者が今後6か月以内に死亡しても驚かないか」という問いである surprise question（SQ）のような、臨床医の直感的評価に依存することが多い。しかし、SQ は主観性が高く、予測精度にもばらつきがあるという限界がある。電子カルテデータを活用する人工知能（AI）モデルは、急性期医療における予測の信頼性を高め、臨床医の評価を補完する可能性を有する。
研究デザイン
本前向きコホート研究は、2022年11月から2023年6月にかけて、単一の三次救急・学術医療機関の救急外来で実施された。対象は、EDを受診した65歳以上の患者である。6か月死亡率について、以下の3つの予測手法を比較した。
- 臨床的 surprise question（SQ）：EDでの退院・入院方針決定時に医師が回答し、電子カルテに記録
- Geriatric End-of-Life Screening Tool（GEST）：検査結果、バイタルサイン、人口統計学的情報、病歴を組み込んで死亡リスクを算出するAIモデル
- 新規の併用ロジスティック回帰モデル（GEST+SQ）：SQ と GEST の出力を統合したモデル
死亡データは電子記録および州記録から取得した。評価項目は、感度、特異度、受信者動作特性曲線下面積（area under the receiver operating characteristic curve, ROC-AUC）による識別能、ならびにキャリブレーション評価のための expected calibration error であった。さらに著者らは、まず GEST により低リスク群と高リスク群に層別化し、その後の SQ 評価を省略、介入が必要な中間リスク群のみ医師による SQ 評価を行う段階的スクリーニング経路を設計した。
主な結果
適格患者9,256例のうち、SQ の回答が完了していたのは3,479例（37.6%）で、6か月死亡率は13.3%であった。GEST の感度を SQ と同等（83.8%）に合わせた場合、GEST の特異度は SQ より高かった（61.5% vs. 50.8%）。一方、特異度を同等（50.8%）に揃えた場合、GEST の感度（90.0%）は SQ（83.8%）を上回った。ROC-AUC は GEST で0.79、GEST+SQ の併用モデルで0.80であり、全体の識別能はわずかに改善した。
特に、GEST+SQ モデルはキャリブレーション指標を有意に改善し（expected calibration error 0.01、GEST 単独では0.042）、予測死亡リスクと実際の死亡リスクの一致がより良好であることを示した。段階的スクリーニング戦略を導入すると、医師による SQ 入力が必要なのは患者の5%（中間リスク群）のみとなり、SQ のみの運用と比較して、臨床医の評価負担を95%軽減できる可能性が示された。
総じて、AI ベースの GEST は死亡率予測において医師の SQ を上回り、協働モデルは識別能を大きく変えないままリスクのキャリブレーションを改善した。自動化されたリスクスコアリングと、必要な患者に限定した医師の入力を組み合わせる段階的スクリーニングモデルは、救急外来において実用的かつ資源効率の高い方法である。
専門家コメント
本研究は、救急医療における重要な課題、すなわち高負荷な診療環境で終末期が近い高齢者を特定することに取り組んでいる。GEST のような AI ツールは、日常診療で収集される臨床データを活用し、客観的かつ再現可能なリスク評価を提供する。SQ は有用な臨床的直感を反映する一方で、解釈にばらつきがあり、適用が不完全になりやすい。本研究でも、回答率は37.6%にとどまっていた。
SQ を GEST に統合したことで ROC-AUC がわずかに改善したことは、AI ツールが多くの予後情報を捉えられる一方で、キャリブレーションの微調整には臨床医の判断が依然として有用であることを示唆する。段階的スクリーニングは革新的かつ実践的であり、医師の認知的負荷を最小限に抑えつつ、臨床判断が最も価値を持つ患者に注力できる可能性がある。
限界としては、単施設研究であること、および SQ 回答データが不完全であることが挙げられ、一般化可能性に影響する可能性がある。今後は、多様な診療環境で本結果を検証するとともに、このようなスクリーニング戦略が臨床転帰や緩和ケア紹介に与える影響を評価する必要がある。
結論
本研究は、AI 駆動型スクリーニングツールである GEST が、高齢 ED 患者の6か月死亡率予測において、従来の医師による surprise question をわずかに上回ることを示した。GEST と SQ を組み合わせた協働モデルはリスクのキャリブレーションを改善し、段階的スクリーニング経路に適用することで、医師の労力を大幅に削減できる。これらの知見は、救急医療における終末期予後予測と医療資源配分を向上させるために、自動化された AI スクリーニングツールと臨床医の入力を統合する有用性を支持する。
資金提供および臨床試験
原著論文における研究資金の出所および臨床試験登録については、抄録中に記載がなかった。詳細は正式出版論文を参照されたい。
参考文献
- Haimovich, A.D., Erion-Barner, G., Nathanson, L.A., et al. Improving End-of-Life Screening in the Emergency Department With Collaborative Artificial Intelligence. Ann Emerg Med. 2026 Jun 18. PMID: 42313042.
- Downar J, Goldman R, Pinto R, et al. The “Surprise Question” for Predicting Death in Seriously Ill Patients: A Systematic Review and Meta-analysis. CMAJ. 2017;189(13):E484-E493.
- Tomasini C, Bursi F, Petrini L, et al. Artificial Intelligence and Machine Learning in Palliative Care: A Narrative Review. J Palliat Med. 2021;24(10):1542-1558.
