高齢心不全患者の「自立を失うリスク」をAIが高精度で予測 ―新たな高リスク群を発見し、個別化されたリハビリテーションへ―

サービス・製品の概要

この研究で開発されたのは、高齢心不全患者が退院後1年時点で、日常生活動作（ADL）の自立度を示す「バーセルインデックス（BI）」や下肢機能を評価する「SPPB」といった客観的な身体機能データを基に、機能的自立を失うリスクを予測する機械学習モデルです。将来的には、医療現場で活用できるプロトタイプのWebアプリケーションも開発されています。

• 新しい点：

  • 国内最大規模となる6,382例の高齢心不全患者のデータを解析し、既存のフレイルスクリーニングスコアを上回る予測精度（AUC 0.75）を達成しました。

  • 特に注目すべきは、死亡リスクは低い（生存率89.0%）にもかかわらず、1年以内に57.0%もの患者が身体機能を失う新たな「低死亡・高機能低下リスク群」（1,732人）が発見されたことです。これにより、従来の死亡リスク中心の評価では見過ごされがちだった集団に光が当てられます。

• 対象となる方：

  • 心不全で入院し、リハビリテーションを受けた65歳以上の患者の方々、およびその退院後の生活支援に携わる医師や理学療法士などの医療スタッフ。

• 費用：

  • 現時点では研究成果の発表であり、直接的なサービス提供に関する費用は発表されていません。

• 提供エリア：

  • 本研究は国内96施設の多施設共同研究のデータを用いていますが、開発されたモデルやWebアプリケーションが具体的にどの医療機関で、いつから利用可能になるかについては、今後の臨床的有用性の検証を経て決定される予定です。

• 開始時期：

  • AIモデルおよびプロトタイプのWebアプリケーションは既に開発されています。しかし、その臨床現場での導入や一般提供の開始時期は未定であり、今後の研究や検証の進展が待たれます。

• 申込や問い合わせ：

  • この研究成果は、現時点では医療機関での診療に直接結びつく公的なサービスではありません。ご自身の健康状態や今後の治療、リハビリテーションについては、かかりつけの医療機関や担当の医師、理学療法士、または専門の相談窓口、ケアマネジャーにご確認ください。

研究の背景

心不全患者は高齢化に伴い増加しており、退院後にどれだけ自立した生活を維持できるかは、患者ご本人にとって生命予後と並ぶ重要な課題です。しかし、これまでの研究は死亡や再入院の予測に重点を置いており、退院後の要介護状態への移行を予測する確立された手法は十分ではありませんでした。特に高齢の心不全患者では、フレイルなどの複数の要因が複雑に絡み合うため、従来の統計モデルでは捉えきれない課題がありました。また、身体機能が低下する前に亡くなってしまうケースも考慮する必要があり、両者を偏りなく予測することは統計的に難しいとされていました。そこで、競合リスクを考慮しつつ、退院後1年の身体機能低下を高精度に予測するAIモデルの開発が期待されていました。

研究内容

本研究では、日本循環器理学療法学会が主導する「J-Proof HF Registry」に登録された、心不全で入院しリハビリテーションを受けた65歳以上の患者6,382人のデータを解析しました。年齢、性別、心機能、血液検査データなどの従来の臨床情報に加え、理学療法士が退院時に測定した「バーセルインデックス（BI）」、「SPPB」、歩行速度、握力といった客観的な身体機能データを含む77項目が、機械学習（XGBoost）モデルに学習されました。

モデルの性能を厳格に評価するため、「Leave-one-site-out交差検証」という手法が用いられました。これは、特定の施設をテストデータとし、残りの施設で学習したモデルで予測精度を検証するという、非常に頑健な検証方法です。

その結果、開発されたAIモデル（10項目の簡易版）は、高齢者のフレイルを評価する一般的なスクリーニングツールである「基本チェックリスト（KCL）」に基づくスコアと比較して、退院1年後の機能低下の予測精度において統計学的に有意に高い精度（AUC 0.75）を達成しました。

さらに、死亡リスクと機能低下リスクを組み合わせて患者を4つのグループに分類したところ、死亡リスクは低いにもかかわらず、1年以内に57.0%もの患者が身体機能を失う「低死亡・高機能低下リスク群」の存在が明らかになりました。これは、生命が助かっても自立した生活を失うという、これまで十分に注目されてこなかったリスクを可視化する重要な発見です。

今後の展望

本研究で開発されたAIモデルは、退院時に機能低下のリスクが高い患者を客観的に特定することを可能にします。これにより、集中的なリハビリテーションや個別化された退院支援計画を優先的に提供できるようになることが期待されます。特に、「低死亡・高機能低下リスク群」を早期に特定できることは、限られた医療・介護資源を効率的に配分する上でも有益であると考えられます。

研究グループは、この予測モデルを医療スタッフが日常的に使えるよう、プロトタイプのWebアプリケーションも開発しており、退院時のリスク推定や身体機能パラメータ改善による効果のシミュレーションを行っています。今後は、このツールの臨床的有用性を検証する研究が進められる予定です。本研究が、高齢心不全患者の生命予後だけでなく、生活の質（QOL）の維持・向上に貢献することが期待されています。

用語解説

• バーセルインデックス（BI）：食事、移乗、整容、トイレ動作、移動など10項目の日常生活動作（ADL）の自立度を評価する指標です。

• SPPB (Short Physical Performance Battery)：高齢者の下肢機能（バランス、歩行速度、椅子からの立ち上がり能力）を総合的に評価するテストです。

• フレイル：加齢に伴い心身の活力が低下し、健康障害を起こしやすくなった状態を指します。

• 基本チェックリスト（KCL）：日常生活動作や運動機能、栄養状態、認知機能など25項目からなる質問票で、高齢者のフレイルの程度を簡便に評価する指標です。

研究者のコメント

研究グループは、「これまで、心不全診療はどれくらい長生きできるかを予測することに主眼が置かれてきました。退院後に自立した生活を送れるかどうかも重要な課題として認識されていましたが、それを高い精度で予測する手法はまだ十分に確立されていませんでした。今回の研究で、死亡リスクは低くても身体機能を失ってしまう患者さんが一定数存在することを、大規模なデータで示すことができました。この知見が、患者さん一人ひとりの生活の質を守るリハビリテーション計画の立案に繋がることを願っています」とコメントしています。

原著論文

本研究は『Journal of Cardiac Failure』のオンライン版で2026年8月20日付で公開されました。

• タイトル：Machine Learning Predicts Functional Decline and Risk Phenotypes in Older Patients With Heart Failure

• DOI：doi.org/10.1016/j.cardfail.2026.08.005