しばしば計測されない臨床シグナル
病院の看護師は、投薬の巡回、バイタルサインの確認、記録、家族との会話、そして患者が安定しているかどうかについての絶え間ない細かな判断のあいだを、ひっきりなしに動き続ける。そうした環境では、最も重要な専門性の一つが、記録するのが最も難しいものにもなりうる。標準的な指標がはっきり異常を示す前に、何かがおかしいと感じ取る感覚だ。
ジョンズ・ホプキンス大学看護学部の准教授、ケリー・グリーソンは、まさにこの問題を軸に研究を進めてきた。彼女によれば、看護師は機器だけでなく人も読むよう訓練されている。外見、覚醒度、行動、全体的な様子の変化に気づき、それが従来の病院の早期警告システムでただちに警報を鳴らすとは限らない。しかし、その懸念を客観的に伝える手段がなければ、後にそれが正しかったと分かっても、直感は単なる勘のまま残ってしまう。
その結果、急性期医療では繰り返し厄介な場面が生じる。看護師は患者を少し心配しているが、血圧、心拍数、その他の標準指標は正常に見える。より具体的な根拠もなく医師の回診を中断して呼び止めるのは正当化しにくく、忙しい業務の流れの中で直感を体系的に掘り下げる時間もほとんどない。次のシフトで、患者が悪化し集中治療室へ移されていたと分かることもある。
看護師の判断を機械学習システムに加える
グリーソンのアプローチは既存の病院アラートを置き換えることではなく、それを補強することにある。病院はすでに、複数のシフトにまたがって患者データを処理し、リスクスコアを算出する早期警告システムを使っている。スコアがしきい値を超えると、ケアチームにアラートが送られる。こうしたシステムには、状態悪化のリスクがある患者をよりよく予測するために機械学習を用いるものが増えている。
これらのシステムは、安全網として有用な役割を果たす。患者を時系列で追跡し、シフト交代をまたいで継続性を保ち、多忙な病棟でパターンを見逃さないよう臨床家を助ける。しかし、依然として主に記録済みデータ、特にバイタルサインやその他の測定可能な要素に基づいている。課題は、ベッドサイドの看護師が、数値にきれいに落とし込める前の段階で、しばしば気がかりなパターンを察知していることだ。
ジョンズ・ホプキンスの研究は、そのギャップを埋めるために、こうしたベッドサイドでの観察を定量化し、AI支援の警告システムに組み込む方法を探っている。ここでいうのは、神秘的な直感をそのままソフトウェアに変換する話ではない。経験豊富な看護師が繰り返し行う、微妙だが臨床的に意味のある観察を構造化して取り込み、それが標準的な指標のしきい値をまだ超えていなくても、悪化と相関しうるようにする考え方だ。
