患者の取り違えやラベルの貼り間違いにより、採血管に別の患者の血液が入る「wrong blood in tube(WBIT)」をはじめとする検体取り違えは、誤診や診療の遅れにつながり得る、検査医学における重大な患者安全の課題である。検査の発注から分析までの「分析前工程」は検査室エラーの68〜98%を占め、医療費の増大や業務効率の低下も招く。トルコ保健省の研究者らは、分析前工程の7領域でAIと機械学習がどこまで研究・実装されているかを、学術研究22件と商用製品30件を対比して整理したナラティブレビューを、Clinical Chemistry and Laboratory Medicineに発表した。
対象は、血餅検出、WBIT検出、検体希釈管理、尿検体の化学的操作(改ざん)検出、溶血・黄疸・乳びに基づく血清品質評価、検査利用の最適化、自動チューブ処理の7領域である。研究段階では、血餅検出でニューラルネットワークが95%超の精度、WBIT検出でXGBoostモデルが後ろ向きデータで98%の精度を示し、22週間・38,187件の血算結果を用いた前向き評価では、通常のチェックで見逃された12件のWBITを検出した。一方、多くの研究は単施設・後ろ向きの設計やシミュレーションで作成した取り違えデータに依拠しており、説明可能性やシステム統合に課題を残す。商用製品はバーコードやセンサー、ルールベースの決定論的な制御が中心で、明示的にAIを組み込んだ製品は限られ、レビューで取り上げられたWBIT対策製品にAI・MLを用いたものはなかった。
研究者らは、このギャップを埋めるには多施設前向き検証、検査情報システム(LIS)との統合、規制遵守の枠組み、統計的性能だけでなく運用上のアウトカムに着目した評価が必要だと指摘する。そのうえで、決定論的制御と競合するのではなく補完するAI(分析前に希釈を計画するAIや、不適切な検査オーダーを上流で検出するAIなど)が、今後5年程度で導入が進む可能性が高いとの見通しを示している。
参照論文:
The role of AI in pre-analytical phase – use cases
関連記事:
1. 血液検査で「たこつぼ症候群」を早期診断するAI – BioTAK
