回復期病棟の朝のカンファレンス。昨夜、入棟2週目の80代の患者さんがトイレへの移動中に転倒した、という報告が上がります。転倒・転落アセスメントスコアは「中リスク」——センサーマットの優先順位は他の患者さんに回っていました。「あの人が転ぶなら、うちの病棟の半分はハイリスクだ」と誰かがつぶやく。従来のスケール評価は、リスクを「広く浅く」拾うことはできても、限られた予防資源を誰に集中させるかを教えてくれない——この歯がゆさは、病棟でも外来でも訪問でも、転倒予防に関わるセラピスト共通のものだと思います。

ここに機械学習（AI）による転倒予測モデルという選択肢が現れました。電子カルテの数百項目から転倒リスクを自動計算する、歩行のセンサーデータから将来の転倒者を分類する——そんな研究が2020年前後から急速に蓄積しています。この記事では「AI 転倒予測」を検討するセラピストに向けて、①従来のスケール評価と機械学習予測の違い、②実在論文6本の個別レビュー、③AUC・感度・特異度という精度指標の臨床的な読み方、④現場導入の考え方、⑤限界、の順に整理します。先に結論を要約すれば、機械学習モデルの識別能はおおむねAUC 0.7〜0.8台で、従来スケールを一定程度上回るが、「転倒を減らした」という証拠はまだ乏しい——だからこそ、出力の意味を正しく読める臨床家の関与が導入の成否を分けます。

なお、AIとリハビリ全般の関係は別記事（AIと理学療法士・セラピストの関わり方）で、デジタル技術による転倒「予防介入」のエビデンスはSafe Stepデジタル運動プログラムのRCT解説で扱っています。本記事は「予防の前段」である予測（リスク層別化）に焦点を絞ります。

転倒予測の現在地——従来のスケール評価と何が違うのか

転倒リスク評価には長い歴史があります。病棟ではMorse Fall ScaleやSTRATIFYのような転倒・転落アセスメントシート、外来・地域ではTimed Up and Go（TUG）やBerg Balance Scaleのようなパフォーマンステスト。これらは「専門家が選んだ少数の項目を、人が採点し、合計点をカットオフで区切る」方式です。運用が簡単で解釈しやすい一方、よく知られた弱点があります。項目数が少ないため個人差を拾いきれないこと、採点者間でばらつくこと、そして多くの病棟スケールでは「ハイリスク」に該当する患者が多すぎて、資源配分の判断材料にならないことです。

図1 従来のスケール評価と機械学習予測の違い

機械学習による転倒予測は、この方式を3点で拡張します。第1に入力の桁が違うこと。電子カルテの診断名・処方・検査値・過去の受診歴など数十〜数百項目を同時に扱えます。後述するYeらの研究では157個の予測因子が最終モデルに組み込まれました。第2に非線形の組み合わせを学習できること。「認知機能低下×向精神薬×夜間頻尿」のような交互作用を、人手でルール化せずデータから拾います。第3に自動計算できること。カルテに情報が入った時点でリスクスコアが更新されるため、採点の手間と採点者間誤差が原理上なくなります。

ただし、ここで冷静に押さえるべきことがあります。機械学習が置き換えようとしているのは「リスクの計算」であって「転倒予防」ではないということです。予測モデルの出力は「この人は転びやすい」という確率にすぎず、環境調整・運動療法・薬剤見直しといった介入は、依然として人間のチームが設計し実行します。予測が良くなっても介入が変わらなければ転倒は減りません。この「予測と予防のギャップ」は、本記事の6論文すべてに共通する背景であり、最後の限界の節で改めて扱います。

論文の選び方——選定基準の明示

本記事の6本は次の基準で選びました。①PubMed（E-utilities API）で書誌情報とアブストラクトを取得し、記事中の数値を原文アブストラクトと照合できた実在論文であること。②システマティックレビュー・メタアナリシスまたは検証コホートを持つ予測モデル研究を優先し、発表年は直近5年（2020〜2026年）を中心に、方法論上重要な2019年の2本を加えたこと。③「転倒の検出（fall detection）」ではなく「将来の転倒の予測（fall prediction）」を扱うこと。④データ源が偏らないよう、地域高齢者・電子カルテ・診療録テキスト・ウェアラブル・入院患者・救急外来と場面を分散させたこと。⑤当サイト既刊の転倒予防RCT記事等で扱った文献と重複しないこと。各論文には「研究の限界」を必ず1文添えます。

図2 エビデンス整理マップ（6論文の位置づけ）

エビデンスレビュー——実在論文6本を1本ずつ読む

論文1：Gao et al. 2026（Journal of Medical Internet Research）——地域高齢者の転倒予測モデルを束ねたシステマティックレビュー

何を調べたか。 地域在住の60歳以上を対象に、機械学習・深層学習で「将来の転倒」を予測した縦断研究を6データベースから系統的に検索し、28研究を組み入れたシステマティックレビュー＋メタアナリシスです。リアルタイムの転倒検出研究や入院患者研究は除外し、バイアスリスクはPROBASTで評価されました。

何が分かったか。 予測期間は3か月〜7年、転倒発生率は1.6〜46.6%と幅広く、23研究が機械学習、5研究が深層学習を使用。入力はテキスト（診療データ等）18件・センサー5件・画像1件・マルチモーダル4件で、頻出予測因子は年齢・性別・転倒歴・抑うつ・基本的ADLでした。10モデルのメタアナリシスで統合AUCは0.79（95%CI 0.69–0.87）。ただし異質性は極めて高く（I²=99.8%）、予測区間は0.20〜0.99。外部検証を受けたモデルは1つだけで、全モデルがバイアスリスク「高」と判定されました。

臨床でどう使うか。 「AI転倒予測は平均するとAUC 0.8弱」という相場観と、「ただし実環境での性能はもっと低いかもしれない」という保留を、同時に与えてくれる論文です。製品やアプリが「AUC 0.9」を謳っていたら、この統合値との差の理由（対象集団・検証方法）を問う基準線になります。また頻出予測因子のリストは、モデルがなくても「転倒歴・抑うつ・ADLを必ず聴取する」という形で明日の評価に反映できます。

研究の限界。 組み入れ研究の異質性が極端に高く外部検証もほぼ皆無のため、統合AUC 0.79は「新しい現場でこの性能が出る」ことを保証しない、と著者ら自身が強調しています。

論文2：Ye et al. 2020（International Journal of Medical Informatics）——州全体の電子カルテ26万人でつくる1年転倒予測

何を調べたか。 米国メイン州の州全域医療情報ネットワークの電子カルテ（2016〜2018年）から、65歳以上の高齢者265,225人のデータを用い、勾配ブースティング（XGBoost）で「翌年の転倒」を予測するモデルを構築し、独立した検証コホートで性能を試験しました。

何が分かったか。 検証コホートでのC統計量（AUCに相当）は0.807。ハイリスクと判定された真陽性者の50%は翌年の最初の94日以内に転倒し、翌年30日以内の転倒の58.01%、30〜60日の転倒の54.93%を事前に捕捉しました。最終モデルには157個の予測因子が組み込まれ、上位5因子は認知障害・歩行と平衡の異常・パーキンソン病・転倒歴・骨粗鬆症でした。

臨床でどう使うか。 「カルテに既にあるデータだけで、追加の測定なしにここまで層別化できる」ことを大規模に示した代表例です。注目すべきは上位予測因子がすべて臨床家におなじみの項目であること。AIは魔法の因子を見つけたのではなく、既知のリスク因子の組み合わせ方と重み付けを最適化したのです。地域包括ケアや外来で「どの患者に評価と介入を集中させるか」を考えるとき、このモデルが拾った因子群はそのままスクリーニングの視点として輸入できます。

研究の限界。 米国1州の医療データに基づく後ろ向き研究であり、日本の医療制度・記録文化への外挿可能性と、モデル使用が転倒を減らすかどうかは検証されていません。

論文3：Dormosh et al. 2023（Age and Ageing）——診療録の「自由記載」は転倒予測に使えるか

何を調べたか。 オランダのプライマリケア電子カルテを用い、65歳以上35,357人（うち転倒4,734人）を対象に、①構造化データのみ（Baseline）、②自然言語処理（NLP）で診療録の自由記載テキストから抽出した151トピックのみ（Topic-based）、③両者の結合（Combi）の3つのロジスティック回帰モデルを作り、10分割交差検証で比較しました。

何が分かったか。 AUCはBaseline 0.709、Topic-based 0.685、Combi 0.718。つまり自由記載テキストだけでも構造化データに迫る予測ができ、組み合わせるとわずかに上回るという結果です。較正（予測確率と実際の頻度の一致）も良好でした。一方、改善幅（0.709→0.718）は小さく、著者らは「臨床的な意義は限定的」と率直に結論しています。

臨床でどう使うか。 この論文の価値は、私たちが日々書いているカルテの文章そのものが予測資源になることを示した点です。「ふらつきの訴え」「独居」「夜間トイレ」のような、スコア表に載らない情報は自由記載にしか残りません。逆に言えば、記録の質がAI時代のデータの質を決めます。SOAPの記載を「後で機械にも読める形で書く」——具体的な訴え・環境要因・移動の様子を言語化して残す習慣は、モデル導入の有無にかかわらず価値があります。

研究の限界。 テキスト追加によるAUC改善は0.01程度と小さく、著者ら自身が臨床的意義の限定性を認めているほか、オランダ語診療録に特化したトピック抽出は他言語へそのまま移植できません。

論文4：Lockhart et al. 2021（Scientific Reports）——胸部ウェアラブル1個と10m歩行で6か月後の転倒を分類する

何を調べたか。 地域在住高齢者171人に胸骨部の慣性計測装置（IMU）を装着して10m歩行テストを実施し、歩行の変動性・複雑性・滑らかさに関する指標を抽出。その後6か月間の転倒発生を前向きに追跡し、ランダムフォレスト分類器で「将来の転倒者」を識別できるか検証しました。

何が分かったか。 線形指標と非線形指標を併用した最良モデルは、ブラインドテストで精度81.6±0.7%・感度86.7±0.5%・特異度80.3±0.2%を達成しました。著者らは、イベント検出（1歩ごとの切り出し）に依存する指標より、時系列解析に基づく指標が有用だったことを強調しています。

臨床でどう使うか。 センサー1個＋10m歩行という外来・訪問で再現可能な計測構成で、前向きの転倒予測がここまで出た点が重要です。TUGのタイム1つでは拾えない「歩行の質」（ばらつき・滑らかさ）が転倒リスク情報を含む、という知見は、機器がなくても歩行観察の着眼点を変えてくれます。動画・センサーによる歩行の定量化全般はスマホAI動作分析の記事で詳述したとおり急速に民主化しており、この研究はその転倒予測版と位置づけられます。

研究の限界。 171人・追跡6か月と規模も期間も限られた単一コホートで、外部検証がなく、報告された精度がそのまま他の集団で再現される保証はありません。

論文5：Ladios-Martín et al. 2022（Journal of Nursing Management）——「予防策がとられているか」まで学習した入院転倒モデル

何を調べたか。 スペインの病院の内科系入院成人22,515人（訓練11,134人・検証11,381人）の電子カルテから機械学習で入院中転倒リスクモデルを構築。特徴的なのは、転倒予防策の実施という「リスクを下げる変数」をモデルに含めた場合（モデルA）と含めない場合（モデルB）を比較した点です。

何が分かったか。 ベイズポイントマシンによるモデルAは感度0.74・特異度0.82・AUC 0.82で、予防変数を除いたモデルB（感度0.71・特異度0.74・AUC 0.78）を一貫して上回りました。従来の転倒スケールが「リスク因子」だけを数えるのに対し、「その患者に既に何がなされているか」を組み込むと予測が改善することを示したのです。電子カルテに統合すれば看護師の手動採点の負担も減ると著者らは述べています。

臨床でどう使うか。 この研究は病棟の転倒カンファレンスの構図を変えるヒントになります。私たちは「リスクの高さ」を議論しがちですが、本当に知りたいのは「予防策を講じてなおリスクが残る人は誰か」です。モデルがなくても、アセスメントシートの横に「実施中の予防策」欄を並べ、リスクと対策のギャップで優先順位を決める運用は今日から可能です。リハ職は移動能力の変化を最も早く察知できる職種であり、予防策の「解除」（センサー解除・見守りレベル変更）の判断材料を看護チームに渡す役回りが期待されます。

研究の限界。 単一病院グループの内科系患者に限られた後ろ向き研究で、「予防策」変数の定義が施設の運用に依存するため、他施設への一般化には再学習が必要です。

論文6：Patterson et al. 2019（Medical Care）——AUCが同じでも臨床影響は違う：救急外来からの転倒予測

何を調べたか。 米国の救急外来（ED）を受診した高齢者について、退院時点で利用可能な電子カルテデータから6か月以内の転倒による再受診を予測するモデル（ランダムフォレスト・AdaBoost・回帰系）を構築。さらにモデルをAUCだけでなく、介入につなげた場合の「治療必要数（NNT）」と「週あたり紹介数」という臨床運用の指標で評価しました。

何が分かったか。 最良のランダムフォレストはAUC 0.78。しかし本研究の核心は数値そのものではありません。AUCがほぼ同じモデル同士でも、臨床の文脈（何人を予防プログラムに紹介し、何人に1人の転倒を防げるか）に置き換えると優劣が分かれたのです。著者らは、導入前に「紹介数とNNTのトレードオフ」を意思決定者が見られるようにする枠組みを提案しています。

臨床でどう使うか。 「AUCの高いモデル＝良いモデル」という短絡を戒める、実装科学寄りの重要な1本です。現場が本当に問うべきは「このモデルを使うと、うちの外来の紹介ワークフローがどう変わり、何人分の介入資源が必要になるか」。ベンダーの説明資料にAUCしか書かれていなければ、カットオフごとの感度・特異度と想定される陽性者数を尋ねる——その質問力の根拠になります。救急・整形外来から地域の転倒予防事業へつなぐ日本の文脈でも、紹介基準の設計にそのまま応用できる発想です。

研究の限界。 アウトカムが「転倒による救急再受診」であるため救急外を含む転倒の全体像を捕捉できず、単一施設のデータで外部検証もされていません。

精度指標の読み方——AUC・感度・特異度を臨床の言葉に翻訳する

6本を読むと、AUC 0.7台後半〜0.8前後という数字が繰り返し出てきました。この数字をどう解釈すべきでしょうか。

図3 AUC（ROC曲線下面積）の直感的な意味

AUCは「並べ替えの正しさ」の指標です。 転倒する人と転倒しない人を1人ずつ無作為に連れてきたとき、モデルが転倒する人のほうに高いリスクスコアを付ける確率——それがAUCです。0.5なら当てずっぽう、1.0なら完璧。AUC 0.8とは「10組中8組で順序を正しく付けられる」という意味で、集団の並べ替え（トリアージ）にはかなり有用、個人の運命の断定にはまったく不十分、という水準です。従来の転倒スケール単独のAUCは多くの検証で0.6台にとどまることが報告されており、0.78〜0.82という機械学習モデルの水準は「改善はあるが、桁が変わるほどではない」と読むのが妥当です。

感度・特異度は「どちらの間違いを許容するか」の表明です。 感度86.7%（Lockhartら）は「実際に転倒する人の86.7%を事前にハイリスクと呼べる」こと、特異度80.3%は「転倒しない人の80.3%を正しくローリスクと呼べる」ことを意味します。カットオフを動かせば感度と特異度はトレードオフになります。見逃し（偽陰性）が許されない病棟では感度を優先し、介入資源が限られる地域事業では特異度と陽性的中率を重視する——同じモデルでも、運用のカットオフは現場の目的で決めるべきものです。

図4 感度・特異度・陽性的中率——有病率で変わる「当たりの数」

もうひとつ、現場で最も誤解されやすいのが陽性的中率（PPV）と発生率の関係です。仮に感度80%・特異度80%のモデルを、年間転倒発生率20%の集団1,000人に適用すると、転倒者200人中160人を正しく拾う一方、非転倒者800人中160人を誤ってハイリスクと呼びます。ハイリスク判定320人のうち本当に転倒するのは160人——PPVは50%です。同じモデルを発生率5%の元気な集団に使えば、PPVは約17%まで落ちます。「ハイリスク判定の半分以上は転ばない」のはモデルの欠陥ではなく確率の性質であり、だからこそハイリスク判定は「レッテル」ではなく「評価と介入を優先する順番」として扱う必要があります。Pattersonらが示したNNTと紹介数の発想は、この翻訳作業を制度化したものと言えます。

現場導入の考え方——モデルを「使える道具」にする4条件

研究知見を病棟・外来・地域の運用に落とすとき、確認すべき条件を4つに整理します。

図5 AI転倒予測の現場導入チェックフロー

条件1：自分の現場と対象・場面が合っているか。 6論文が示すとおり、モデルは「地域高齢者の1年予測」「内科病棟の入院中予測」「ED退院後6か月」など、特定の集団と時間軸に紐づいています。回復期病棟に地域向けモデルを持ち込めば性能は落ちます。Gaoらのレビューが示した予測区間の広さ（0.20〜0.99）は、この「場面ミスマッチ」の危険の定量表現です。

条件2：出力がワークフローに接続されているか。 リスクスコアが画面に出るだけでは転倒は減りません。スコア上位者に何をするか——理学療法評価の依頼、薬剤師による処方レビュー、環境調整、エビデンスのある運動プログラムへの接続——を事前に決め、「予測→介入」の受け皿を設計してから導入するのが順序です。

条件3：現場の記録がモデルの燃料になっているか。 Dormoshらが示したように、自由記載も構造化データも予測資源です。転倒歴・ふらつき・住環境・服薬の記載が薄いカルテからは、どんなモデルも良い予測を引き出せません。導入前の「データの棚卸し」に、記録の質の点検を含めてください。

条件4：性能を自施設で監視する体制があるか。 モデルの性能は時間とともに劣化します（患者層の変化・記録様式の変更・診療報酬改定など）。少なくとも「ハイリスク判定者のうち実際に転倒した割合」と「転倒者のうち事前にハイリスクだった割合」を四半期ごとに数える——この2つの数字だけでも、モデルが現場で生きているかを見張れます。ここはデータに強いリハ職が主導できる領域です。

限界と注意点——この知見で「言えないこと」

  • 「AI予測で転倒が減った」を示すランダム化比較試験は本記事の6本に含まれません。 いずれも予測性能の研究であり、予測を使った介入が転倒率・骨折率を下げるかは別の検証を要します。予測は予防の必要条件であって十分条件ではありません。
  • 報告された精度は楽観的である可能性があります。 Gaoらのレビューでは全モデルがPROBASTでバイアスリスク「高」と判定され、外部検証は1件のみでした。内部検証のAUCは実環境で目減りするのが通例です。
  • 集団が変われば性能は変わります。 米国・欧州のデータで学習したモデルの日本の現場への外挿は未検証で、記録の言語・制度・ケア文化の違いは予測因子の意味を変えます。
  • 公平性の検証が不足しています。 訓練データに少ない属性（超高齢者・認知症の重度例・在宅独居者など）で系統的に外す危険は、転倒予測でも例外ではありません。
  • 自動化バイアスへの警戒が要ります。 スコアが低いことを理由に臨床的な違和感を打ち消す使い方は本末転倒です。モデルは臨床判断の代替ではなく入力の一つです。
  • 個人情報の取り扱いが前提条件です。 カルテデータ・センサーデータの二次利用には、施設の規程・同意・匿名化の整備が先行します。

まとめと「明日からの3ステップ」

図6 まとめ：AI転倒予測との付き合い方4か条

本記事の要点を4つに圧縮します。第1に、機械学習による転倒予測は電子カルテ・診療録テキスト・ウェアラブル・入院データのいずれでもAUC 0.7〜0.8台に到達しており、従来スケールの弱点（項目の少なさ・手動採点・層別化力の不足）を部分的に克服しつつあります（Gao 2026・Ye 2020・Dormosh 2023・Lockhart 2021・Ladios-Martín 2022）。第2に、上位の予測因子は認知障害・歩行と平衡の異常・転倒歴・骨粗鬆症など臨床家が既に知っている因子であり、AIの寄与はその組み合わせと重み付けの最適化にあります。第3に、精度指標は翻訳して読む——AUCは並べ替えの正しさ、感度・特異度はカットオフ次第、PPVは発生率次第で、導入判断はNNTと紹介数まで落として行う（Patterson 2019）。第4に、予測は予防ではない——介入の受け皿と性能監視のないモデル導入は、数字の飾りに終わります。

明日からの3ステップを提案します。

  1. 「モデルなしの層別化」を今の評価に足す。 Yeらの上位5因子（認知障害・歩行と平衡の異常・パーキンソン病・転倒歴・骨粗鬆症）＋Gaoらの頻出因子（抑うつ・ADL）を、初回評価とカンファレンスの必須確認項目にする。紙とペンで始められるAI研究の還元です。
  2. 記録を「機械にも読める」形に整える。 転倒歴は時期・状況・受傷の有無まで、ふらつきの訴えは具体的な場面とともに記載する。Dormoshらが示したとおり、自由記載は将来の予測資源であり、今日の記録の質が数年後の自施設モデルの上限を決めます。
  3. 導入の話が来たら4条件＋2つの数字で応じる。 対象の一致・ワークフロー接続・データの質・性能監視の4条件を確認し、ベンダーにはカットオフごとの感度・特異度と想定陽性者数を求める。この質問ができる臨床家がいるかどうかが、導入の質を決めます。

よくある質問

AIの転倒予測モデルは、TUGやBerg Balance Scaleを置き換えますか

置き換えではなく役割分担になる、というのが現在のエビデンスに即した答えです。電子カルテ型のモデル（Ye 2020・Dormosh 2023）は「測定なしで広い集団を粗く層別化する」のが得意で、パフォーマンステストは「目の前の1人の運動機能を精査し介入につなげる」のが得意です。実務的には、モデルやリスク因子で優先順位を付けた上で、ハイリスク者にTUG・バランス評価・環境評価を集中させる——スクリーニングと精査の二段構えが合理的です。パフォーマンステスト自体も、センサーや動画AIで質的情報を足す方向に進化しています。

AUCはどのくらいあれば「使える」のですか

一律の合格ラインはありません。目安として0.7台は「トリアージには有用」、0.8台は「かなり良好」とされますが、本文で述べたとおり使えるかどうかはAUCではなく運用で決まります。発生率が低い集団では高AUCでもハイリスク判定の大半が「外れ」になりますし、Pattersonらが示したように同じAUCのモデルでも紹介数とNNTは異なります。「AUC いくつ？」の次に「うちの発生率でPPVはいくつになる？」「カットオフをどこに置く前提？」と問えることのほうが重要です。

転倒予防の効果までAIで出せるようになりますか

現時点では「予測」と「予防効果の証明」の間に明確なギャップがあります。予測モデルの研究は本記事のとおり蓄積しましたが、モデル運用を組み込んだケアが転倒を減らすことを示す質の高い介入研究はまだ乏しく、Gaoらのレビューも実装検証の必要性を結論に挙げています。一方、運動プログラムそのものの転倒予防効果はデジタル運動プログラムのRCTのように検証が進んでいます。「AIで見つけ、エビデンスのある介入につなぐ」統合設計の効果検証が、次の5年の焦点になるはずです。

書類作成など、臨床の他の場面でのAI活用も知りたいのですが

文書業務への生成AIの使い方はChatGPT・生成AIの臨床実務ガイドで、リハビリ領域のAI全体の見取り図はAIとセラピストの関わり方の記事で整理しています。転倒予測はAI活用の一分野にすぎず、書類・動作分析・予後予測を含む全体像の中で位置づけるのがおすすめです。

出典（すべてPubMed E-utilities APIで書誌・抄録を取得し数値を照合済み）

  1. Gao Y, Xu D, Li X, et al. Machine Learning and Deep Learning Models for Predicting Future Falls in Community-Dwelling Older Adults: Systematic Review and Meta-Analysis of Longitudinal Evidence. Journal of Medical Internet Research. 2026;28:e84844. DOI: 10.2196/84844（PubMed: 42133917）
  2. Ye C, Li J, Hao S, et al. Identification of elders at higher risk for fall with statewide electronic health records and a machine learning algorithm. International Journal of Medical Informatics. 2020;137:104105. DOI: 10.1016/j.ijmedinf.2020.104105（PubMed: 32193089）
  3. Dormosh N, Schut MC, Heymans MW, et al. Predicting future falls in older people using natural language processing of general practitioners' clinical notes. Age and Ageing. 2023;52(4):afad046. DOI: 10.1093/ageing/afad046（PubMed: 37014000）
  4. Lockhart TE, Soangra R, Yoon H, et al. Prediction of fall risk among community-dwelling older adults using a wearable system. Scientific Reports. 2021;11(1):20976. DOI: 10.1038/s41598-021-00458-5（PubMed: 34697377）
  5. Ladios-Martín M, Cabañero-Martínez MJ, Fernández-de-Maya J, et al. Development of a predictive inpatient falls risk model using machine learning. Journal of Nursing Management. 2022;30(8):3777-3786. DOI: 10.1111/jonm.13760（PubMed: 35941786）
  6. Patterson BW, Engstrom CJ, Sah V, et al. Training and Interpreting Machine Learning Algorithms to Evaluate Fall Risk After Emergency Department Visits. Medical Care. 2019;57(7):560-566. DOI: 10.1097/MLR.0000000000001140（PubMed: 31157707）

※本記事は医療従事者向けの教育・情報提供を目的としたもので、特定の製品・アルゴリズムの効果や安全性を保証するものではありません。転倒予測モデルの臨床利用は、各施設の規程と各臨床家の評価・判断のもとで行ってください。