救急部門での予後予測を革新するIMPACTモデル：多角的要因の統合分析

9月 24, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: IMPACT: Integrated Model For Patient Acuity, Care, And Triage Efficiency In Emergency Department
Journal of Medical Systems｜被引用数: 0（2026年9月24日時点）

救急部門（ED）では、多くの要因が複雑に絡み合い、対象者の予後に影響を与えます。既存の予測アプローチがこれらの多次元的な要素を統合的に捉えきれていない中、ニュージーランドの研究チームがIMPACT（Integrated Model for Patient Acuity, Care, and Triage Efficiency）という新たなフレームワークを開発しました。このモデルは、死亡率の主要な予測因子を特定し、複数の臨床時間枠にわたる個別の有害事象リスクスコアを生成することで、救急ケアにおける意思決定とサービス評価を支援することを目指しています。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の病院データセット（59万件以上のED来院記録）を遡及的に利用しており、実行可能性が高いです。
Ethical倫理面	匿名化された二次データ分析であり、倫理委員会の承認を得て実施され、対象者のプライバシーが保護されています。
Interesting面白さ	救急部門での対象者の予後を多角的要因で予測する統合モデルは、臨床意思決定と運用効率改善に貢献します。
Novel新規性	複数の臨床、人口統計、運用因子を統合し、解釈可能なリスクスコアを生成するIMPACTモデルは新規性があります。
Relevant切実さ	救急部門における対象者の有害事象予測と医療格差是正は、医療システム全体の質向上に極めて重要です。
Measurable測定可能性	死亡率（ED内、10日後、28日後）を客観的なエンドポイントとして設定し、モデルの識別性能をAUROCで測定しています。
Modifiable派生・改善	滞在時間や待機時間、リソース配分といった運用因子がモデルに含まれ、介入による改善の余地があります。
Structured文章構造	GLMと正則化ロジスティック回帰の2段階モデリングアプローチを採用し、TRIPODガイドラインに準拠しています。
PICO / PECO対象・介入・比較・結果	P: 救急部門来院対象者, I: IMPACTモデルによるリスク評価, C: 従来の個別因子分析, O: 死亡率予測と意思決定支援の改善

はじめに：救急部門における複雑な予後因子

どうも、Beyond the Pixelです。救急部門（ED）は、多様かつ緊急性の高い医療ニーズを持つ対象者に対応する医療システムの最前線です。しかし、そこでの対象者の予後は、臨床的、人口統計学的、運用上の複雑な要素の相互作用によって大きく左右されます。これまでのアプローチでは、これらの要因を統合的かつ実用的な形で考慮できていないという課題がありました。このような背景のもと、ニュージーランドの研究チームは、EDにおける有害事象（死亡）の主要な予測因子を特定し、複数の臨床時間枠（ED内、10日後、28日後）にわたる個別のリスクスコアを生成するための包括的なフレームワーク「IMPACT（Integrated Model for Patient Acuity, Care, and Triage Efficiency）」を開発しました。このモデルは、救急ケアにおけるリスク層別化、サービス評価、公平な意思決定を支援することを目的としています。

IMPACTモデルの目的とアプローチ

本研究は、EDにおける対象者の有害事象に影響を与える多因子的な影響を、IMPACTモデルの設計と開発を通じて評価することを目的としています。著者らは、対象者の人口統計学的特性、トリアージスコア（TS）、複雑性スコア（CS）、待機時間（WT）、滞在時間（LoS）など、広範な変数を評価するために、ED来院データと統計的推論、分析手法を用いています。有害事象の評価は、ED内死亡、退院後10日死亡、退院後28日死亡にまで拡大されており、死亡という客観的に測定可能で臨床的に重要な指標に焦点を当てています。IMPACTモデルは、リスクスコアを生成することで、臨床的な意思決定を支援し、ケアの提供を最適化し、EDの運用効率を向上させることを目指しています。研究は、ワカト地域の三次病院における2016年から2024年までの、匿名化された593,673件のED来院データを用いて、レトロスペクティブな分析アプローチで実施されました。

データと分析方法

本研究では、ニュージーランドのワカト病院のデータを使用しました。このデータセットは、2016年1月から2024年8月までのED来院を網羅しており、National Minimum Dataset（NMDS）およびNational Non-Admitted Patient Collection（NNPAC）から抽出されたものです。データには、対象者の人口統計情報（年齢、性別、民族性など）、トリアージ評価、時間データ（来院・退院時間）、運用指標（WT、LoS）、臨床指標（CS、診断・処置コード）が含まれています。主要なアウトカムは、ED内死亡、退院後10日死亡、退院後28日死亡と定義されました。予測因子としては、年齢、WT、LoS、CSといった連続変数に加え、民族性、性別、TSといったカテゴリカル変数が用いられました。CSはZスコア正規化によって標準化され、カテゴリカル変数は臨床的に関連するカテゴリに集約されました。

**Table 1.** Table 1 Descriptive analysis Analysis Dataset (n = 593,673)**解説:** 分析に使用された593,673件のデータセットにおける連続変数（平均値）とカテゴリカル変数（割合）の記述統計を示した表です。平均対象者年齢は40.73歳、平均待機時間は1.62時間、平均滞在時間は5.16時間でした。民族性ではニュージーランド欧州系が最大多数を占め、死亡率はED内が0.7%、10日後が0.4%、28日後が0.5%でした。

。データセットは前処理とクリーニングの後、593,673件の記録に絞られました。WTとLoSの欠損値はゼロで補完され、TSの欠損値は最低緊急度カテゴリ（TS=5）に割り当てられました。統計分析には2段階のアプローチが採用されました。まず、一般化線形モデル（GLM）を用いて死亡の有意な予測因子を特定し、変数間の関連性の強さと方向性に関する初期の洞察を得ました。

**Table 2.** Table 2 The results of the GLM解説: 一般化線形モデル（GLM）の、ED内死亡、10日後死亡、28日後死亡の3つの有害事象カテゴリに対する結果を示した表です。民族性、年齢、待機時間、滞在時間、トリアージスコア、複雑性スコアなどの各変数が、各死亡アウトカムに与える影響の係数が示されています。

次に、予測精度を高め、多重共線性を緩和するために、LASSO、Ridge、ElasticNetを含む多重正則化ロジスティック回帰法が適用されました。このハイブリッドモデリング戦略は、予測精度と解釈可能性のバランスを取るために意図的に選択されました。モデルの汎化性能を評価するために、データセットはランダムに80%の訓練セットと20%のテストセットに分割され、すべての性能指標（AUROC、適合率、再現率、F1スコア、精度）は、ホールドアウトされたテストセットで計算されました。

主要な分析結果

クリーニングされたデータセットには593,673件の記録が含まれていました。平均対象者年齢は40.73歳で、EDでの平均滞在時間は5.16時間、平均待機時間は1.62時間でした。民族性ではニュージーランド欧州系が50.5%で最大、次いでマオリ（29.1%）、欧州系（7.6%）でした。トリアージスコアの分布では、ほとんどの対象者がスコア3（53.8%）、次いでスコア4（24.9%）、スコア2（17.7%）でした。死亡率については、ED内死亡が0.7%、10日後死亡が0.4%、28日後死亡が0.5%でした。

**Figure 2.** Fig. 2 Annual trends in ED patient arrivals解説: EDへの月間来院数の年間傾向を示した図です。2016年から2019年にかけて来院数に上昇傾向が見られ、2020年初頭にCOVID-19パンデミックにより大幅な減少がありましたが、その後は回復し、2020年後半以降は安定しています。

は、2016年から2025年1月までのED来院数の月次推移を示しており、2016年から2019年にかけて増加傾向が見られ、COVID-19パンデミックの影響で2020年初めに大きく減少した後、回復していることが示されています。

**Figure 3.** Fig. 3 Monthly trends for average LoS and average WT in the ED解説: EDにおける平均滞在時間（LoS）と平均待機時間（WT）の月次傾向を示した図です。平均LoSと平均WTは上昇傾向にあり、特に2020年から2021年にかけてLoSに大きなスパイクが見られ、2024年末には急増しています。COVID-19パンデミック初期には来院数の減少に伴い待機時間が減少しました。

は、同じ期間の平均LoSと平均WTの月次傾向を示しており、LoSとWTの両方で上昇傾向が見られ、特に2024年末にかけてLoSが急増しています。

**Figure 4.** Figure 4 (c) considers the age distribution of the deceased patients. It follows that adverse outcome is highly concen trated in the older age groups. Most of the deaths happened in patients aged between 70 and 90 years, reflecting the fact that older patients are more vulnerable because of frailty, comorbidities, and reduced physiological reserves. On the other hand, mortalities were very few among the younger patients, in line with the relative resilience of this demo graphic. Figure 4 indicates that shorter WT shows the responsiveness of EDs for critical cases, while longer LoS indicates potential bottlenecks in handling complex cases. Furthermore, strong age-related trends underscore the need for tailored approaches to improve outcomes among older patients, who account for the majority of mortalities. Fig ure 5 builds on these insights by further exploring the rela tionships between LoS, WT, age, and gender in relation to mortality status.解説: 死亡した対象者のLoS（a）、WT（b）、年齢（c）の分布を示した図です。死亡対象者のほとんどはEDに4～8時間滞在し、平均は6時間付近でした。WTは1時間未満が大半ですが、一部で長時間の待機も見られました。年齢分布では、70歳から90歳の高齢層に死亡が集中しています。

は、死亡した対象者のLoS、WT、年齢の分布を示しており、ほとんどの死亡対象者は4～8時間のLoSを経験し、WTは1時間未満が多いものの、一部で長時間待機も発生していました。年齢については、70歳から90歳の高齢層に死亡が集中していることが示されています。

**Figure 5.** Fig. 5 Box plots comparing LoS, WT, and gender distribution by mortality解説: 生存対象者と死亡対象者のLoS、WT、性別による年齢分布を比較した箱ひげ図です。死亡対象者のLoS中央値は生存対象者よりかなり高く、WT中央値は両グループでほぼ同様でした。死亡対象者の年齢分布は性別で大きな違いはないものの、若年層でも死亡が確認されました。

は、生存対象者と死亡対象者のLoS、WT、性別による年齢分布を比較した箱ひげ図です。死亡対象者のLoS中央値は生存対象者よりもかなり高く、WT中央値は両グループでほぼ同じでした。死亡対象者の年齢分布は性別で大きな差はないものの、若年層でも死亡が確認されました。

**Figure 6.** Fig. 6 Box plots of LoS (a) and WT (b) across age groups解説: 年齢層別のLoS（a）とWT（b）の分布を示した箱ひげ図です。LoS中央値は年齢とともに上昇し、特に高齢層（61-80歳、81歳以上）で滞在期間が長く、変動が大きいことが示されています。WT中央値は年齢層間で比較的安定していますが、高齢層ではWTの変動範囲が広くなっています。

は、LoSとWTの年齢層別分布を示しており、LoS中央値は年齢とともに上昇し、特に高齢層で長く変動が大きいことが分かります。WT中央値は年齢に関わらず比較的安定していますが、高齢層ではIQRが広い傾向にありました。

**Figure 7.** Fig. 7 Mortality rates and average CSs for deceased patients解説: 死亡した対象者の民族性別死亡率（a）と平均複雑性スコア（CS）（b）を示した図です。欧州系が最も高い死亡率を示し、マオリ族とインド族が高い平均CSを示しており、これらのグループがより進行した状態で来院することが多い可能性が示唆されています。

は、死亡対象者の民族性別死亡率と平均CSを示しています。欧州系が最も高い死亡率を示し、ニュージーランド欧州系、ポリネシア系、マオリ族がそれに続きました。一方、アジア系、MELAA、インド系は比較的低い死亡率でした。マオリ族とインド系は最も高い平均CSを示し、これはこれらのグループの対象者がより進行したまたは重篤な状態で来院することが多いことを示唆しています。

IMPACTモデルの予測性能とリスクスコアリング

GLMによる初期分析では、高齢、高い臨床的複雑性、長いED滞在が有害事象の増加と関連していることが示されました。一方、待機時間の長期化は有害事象と逆相関しており、これはトリアージによる優先順位付け効果、すなわち重症度の高い対象者が先に診察され、最も高い死亡リスクに直面するという関連パターンであり、因果関係ではないことが示唆されています。民族性では、マオリ族とポリネシア系で死亡オッズが増加する傾向が見られました。正則化ロジスティック回帰（LASSO、Ridge、ElasticNet）の結果はこれらの知見を裏付け、ElasticNetモデルの係数が安定して解釈可能であったため、このモデルが最終モデルとして採用されました。

**Table 3.** Table 3 Regularised Logistic Regression Coefficients (LASSO, Ridge, ElasticNet) Variables ED Mortality 10-Days Window 28-Days Window LASSO Ridge EN LASSO Ridge EN LASSO Ridge EN Intercept 3.61 3.61 3.61 0.63 0.58 0.58 -0.40 -0.38 -0.40 Age 1.49 1.49 1.49 1.60 1.60 1.60 1.61 1.60 1.61 Wait Time -0.19 -0.19 -0.19 -0.13 -0.13 -0.13 -0.09 -0.09 -0.09 Length of Stay 1.15 1.15 1.14 1.19 1.17 1.21 1.26 1.18 1.26 Complexity Score 1.74 1.74 1.74 1.15 1.15 1.15 0.93 0.93 0.93 Ethnicity解説: 正則化ロジスティック回帰（LASSO、Ridge、ElasticNet）による、ED内死亡、10日後死亡、28日後死亡の各モデルにおける各変数の係数を示した表です。年齢、滞在時間、複雑性スコアはすべてのモデルで死亡の強力な正の予測因子であることが示されています。

。IMPACTモデルは、優れた識別性能を示しました。AUROC値は、ED内死亡で0.9532、10日後死亡で0.9183、28日後死亡で0.8999と非常に高い値でした。

**Table 4.** Table 4 Classification report for Elastic-Net models Model Status Precision Recall f1-Score Accuracy AUROC (95% CI) Ed-Mortality Alive 0.91 0.88 0.89 0.90 0.953 (0.943–0.964) Dead 0.89 0.92 0.90 10-Days Window Alive 0.87 0.83 0.85 0.86 0.918 (0.902–0.935) Dead 0.84 0.88 0.86 28-Days Window Alive 0.86 0.80 0.83 0.83 0.900 (0.884–0.916) Dead 0.81 0.87 0.84解説: ElasticNetモデルの分類レポートをまとめた表です。ED内死亡、10日後死亡、28日後死亡の各モデルについて、生存と死亡の各ステータスにおける適合率、再現率、F1スコア、全体の精度、およびAUROC値が示されています。ED内死亡モデルは精度0.90、AUROC 0.953と高い性能を示しています。

はElasticNetモデルの分類レポートを要約しており、各死亡カテゴリにおいて高い精度、再現率、F1スコアを示し、その予測信頼性をさらに裏付けています。最終モデルに基づいて、対象者レベルのデータを個別の確率スコアに変換する有害事象スコアリングシステムが導出されました。このシステムでは、年齢、待機時間、滞在時間、複雑性スコア、民族性、性別、トリアージスコアなどの関連予測因子をElasticNetロジスティック回帰係数と組み合わせて、対象者固有のリスクスコアが算出されます。得られた線形予測値は、ロジスティック関数を用いて0から1の範囲のリスク確率に変換され、IMPACTリスクスコアとして提供されます。これにより、高リスクな対象者を早期に特定し、適切な介入を行うことが可能になります。

考察：IMPACTが明らかにした知見

IMPACTフレームワークは、ED環境における対象者の予後を予測するための統合的かつ解釈可能なモデルを提供することで、従来の単一因子予測の限界を超えました。特に注目すべき知見の一つは、待機時間と有害事象の間に逆相関が認められたことです。これは、待機時間が長い対象者の方がわずかに有害事象のオッズが低いという結果であり、トリアージによる優先順位付け効果と整合しています。すなわち、最も重篤な対象者が直ちに診察され、同時に内在する死亡リスクが最も高いため、短い待機時間は臨床的緊急度を示すマーカーであり、ケアの質が低いことを意味するものではありません。これは、待機時間のみをケアの質の信頼できる指標として解釈する際には、文脈的要因を考慮する必要があることを示唆しています。一方、滞在時間と有害事象の間の正の相関は、すべての時間枠で一貫していました。EDに長く滞在する対象者は、一貫して高いリスクを示し、緊急ケア経路における遅延が予後に与える影響を強調しています。これは、対象者の流れにおけるボトルネックや入院の遅延などが、有害事象リスクの増加に直結することを示しています。臨床的複雑性と高齢であることも、有害事象の強力な予測因子であり、高齢対象者の脆弱性を反映しています。また、高いトリアージスコア（低い緊急度）の保護効果は、トリアージシステムが臨床的緊急度に基づいて対象者を正確に識別し、優先順位を付けていることの有効性を示しています。さらに、マオリ族やポリネシア系の人々が高い死亡率を示し、MELAAやインド系の人々が低い死亡率を示すなど、民族性に関する医療格差が明らかになりました。これは、ニュージーランドにおける健康格差に対処するための体系的な変化の必要性を強調しています。IMPACTフレームワークは、これらの格差をデータ駆動型で監視し、対象を絞ったリソース配分や文化的に対応するケア戦略の設計に役立つ可能性があります。

研究の限界と今後の展望

本研究にはいくつかの限界があります。データの欠損値やコーディングの不一致が結果の頑健性に影響を与えた可能性があります。死因情報がなかったため、死亡事象を特定の臨床状態に帰属させる能力が制限されました。また、社会経済的地位や既存の併存疾患、病院の人員配置レベルなど、潜在的に影響力のある変数がデータセットに含まれておらず、測定されない交絡因子として作用した可能性があります。分析は単一の三次病院のデータを用いて行われたため、他の医療施設への一般化には限界があるかもしれません。今後は、複数の施設での検証や、より包括的な変数の組み込みがモデルの適用性を高める上で重要となります。欠損値の補完に関する強い仮定（WTとLoSをゼロ、TSを最低緊急度カテゴリに設定）も、もし欠損が情報を持つ場合、系統的なバイアスを導入する可能性があります。今後、感度分析や異なる補完戦略の検討が必要です。また、本研究ではモデルのキャリブレーション（予測確率と実際のイベント発生率の一致度）が正式に評価されていません。将来の検証作業では、Brierスコアやキャリブレーションカーブなどの関連指標を計算し、報告することが求められます。IMPACTは現状では遡及的なリスク層別化とサービス評価のフレームワークですが、今後は電子カルテシステムに組み込まれることで、来院するED対象者の継続的な自動モニタリングが可能となり、動的な臨床アラートを通じてリスクの高い個人を特定できるようになる可能性があります。リアルタイムの臨床データ（バイタルサイン、検査結果など）を統合することで、モデルは対象者のリスクプロファイルを動的に更新し、重篤な事象が発生する前に臨床的悪化を早期に特定できるようになるでしょう。このアプローチは、救急部門以外の様々な臨床状況、例えば入院ケア経路や外科トリアージシステム、慢性疾患対象者の管理にも拡張可能であり、医療システム全体での標準化されたリスク評価を支援します。その解釈可能性を維持しながら、AI駆動型医療システム内でスケールアップしていくことが重要です。最終的には、ライブEDワークフロー内での前向きなテストを通じて、モデルのリアルタイム性能と臨床的影響を評価し、意思決定支援システムへの完全な統合を目指す必要があります。

まとめ

本研究は、救急ケアにおける従来の単一因子予測を超え、運用、臨床、人口統計学的要因を統合した、解釈可能なリスクスコアリングシステムであるIMPACTフレームワークを導入しました。IMPACTは、複雑な対象者データと運用データを実用的なリスク確率に変換することで、継続的なパフォーマンス評価、公平なベンチマーキング、そしてシステム的なボトルネックの事前の特定を可能にします。待機時間と有害事象の間の逆相関の発見は、ED効率指標の従来の解釈に疑問を投げかけ、状況に応じた評価の必要性を強調しています。モデル内に民族性を統合することで、系統的な公平性モニタリングが可能となり、マオリ族やポリネシア族に影響を与える格差を特定し、対処するためのデータ駆動型メカニズムを提供します。この能力は、政策改革、対象を絞ったリソース配分、文化的に対応するケア戦略の策定を支援します。IMPACTは現状、遡及的なリスク層別化とサービス評価のフレームワークですが、さらなる開発、特に将来の臨床意思決定支援システムの分析基盤となることで、その価値を大きく高める可能性があります。継続的に個別のリスクスコアを更新できる自動化された動的システムの開発は、その予測有用性と応答性をさらに向上させるでしょう。最終的には、多施設検証と前向きテストにより、モデルのスケーラビリティと汎化性が確保され、公平でデータに基づいた救急ケア提供のための国家的なフレームワークとしての採用が支援されることを期待します。

用語集

IMPACT: Integrated Model for Patient Acuity, Care, and Triage Efficiencyの略で、救急部門における対象者の緊急度、ケア、トリアージ効率を統合したモデルです。
GLM: Generalised Linear Models（一般化線形モデル）の略で、統計的推論に用いられるモデルの一種です。
LASSO: Least Absolute Shrinkage and Selection Operatorの略で、変数選択と正則化を同時に行うロジスティック回帰分析手法です。
Ridge: Ridge Regression（リッジ回帰）の略で、多重共線性を緩和し、モデルの過学習を防ぐロジスティック回帰分析手法です。
ElasticNet: ElasticNet Regression（ElasticNet回帰）の略で、LASSOとRidgeの両方の特徴を組み合わせたロジスティック回帰分析手法です。
AUROC: Area Under the Receiver Operating Characteristic curve（受信者操作特性曲線下面積）の略で、予測モデルの識別性能を評価する指標です。
Triage Score (TS): トリアージスコアの略で、救急部門で対象者の緊急度を評価し、治療の優先順位を決定するための指標です。
Length of Stay (LoS): 滞在時間の略で、対象者が救急部門または入院施設に滞在した期間を指します。
Waiting Time (WT): 待機時間の略で、対象者が救急部門でケアを受けるまでに待機した時間を指します。
Complexity Score (CS): 複雑性スコアの略で、対象者の臨床的状態の複雑さや重症度を示す指標です。
多重共線性: 複数の予測変数の間に高い相関がある状態を指し、回帰モデルの推定に問題を引き起こす可能性があります。