AIによる転倒予測は介護現場で使えるか｜『当てられる』と『防げる』の差を研究エビデンスから読み解く

「AIが転倒を予測する」「カメラが危険な動きを先回りで知らせる」。介護テクノロジーの展示会や製品紹介では、こうした言葉をよく見かけるようになりました。人手が足りず、夜間の見守りに大きな負担を抱える現場にとって、機械が転倒を先読みしてくれるなら、これほど心強い話はありません。実際、厚生労働省も介護テクノロジーの導入を強く後押しし、見守り支援機器の施設での導入は近年大きく伸びています。

一方で、現場で働く人ほど直感的に分かっているはずです。転倒は、その人の体調、薬、足腰、フロアの状況、そのときたまたまの動作など、たくさんの要因が重なって起きます。これを機械が完璧に言い当てられるなら、苦労はありません。だからこそ、宣伝の言葉に「すごそう」と圧倒されるのではなく、研究で本当に確かめられたことは何かを、自分の目で測れるようになることが大切です。

この記事では、AIで転倒を予測する研究が「どこまで言えて、どこからは言えていないのか」を、研究の原文にあたって整理します。専門的な数字は、なるべく日常の言葉に置き換えて説明します。読み終えるころには、新しい機器の説明を聞いたときに「それは転びやすさを当てる話なのか、それとも転倒を実際に減らせたという話なのか」と落ち着いて切り分けられるようになるはずです。そしてこの切り分けこそが、テクノロジーに振り回されずに安全を守るための、いちばん実用的な技術になります。

まず言葉を整理します。介護や医療の世界で「AIによる転倒予測」と呼ばれているものは、大きく2種類が混ざっています。これを分けて考えるだけで、宣伝に振り回されにくくなります。

(1) 転倒「予測」モデル：これから転びそうな人を前もって仕分ける

過去の介護記録・電子カルテ、年齢や持病、服用している薬、歩行や体のバランスのデータ、ベッドや居室のセンサーの記録などを、AIに大量に学習させます。すると「こういう特徴の人は、この先◯か月のうちに転びやすい」というパターンを見つけ出し、一人ひとりに「転倒リスクの高さ」を点数や確率で出してくれます。前もって（事が起きる前に）リスクを仕分けるのが「予測」です。

(2) 転倒「検知」システム：今まさに起きた・起きそうな動きを知らせる

カメラや赤外線・体動センサーが、利用者の起き上がり・離床・転倒といった動作をその場で見つけて、職員のスマホやナースコールに通知します。これは未来を読むというより、「いま危ない動きをした」を素早く伝える仕組みです。製品名でいえば予測型見守りシステムの多くはここに含まれます。

この記事の主役は、より新しく、より誤解されやすい (1) の予測モデルです。ただし現場での使われ方は (2) の検知と地続きなので、後半では検知システムの研究も合わせて見ていきます。どちらにも共通する落とし穴が「当てられること」と「転倒を減らせること」を混同してしまうことだからです。

予測モデルが使う「材料」と「作り方」

予測モデルがどんなデータから作られるのかも、ざっと知っておくと数字の意味がつかめます。多くの研究は、施設や病院にすでにあるデータを材料にしています。代表的なのは、年齢・性別・転倒歴、持病、服用している薬（とくに睡眠薬や抗不安薬など転倒を増やしやすい薬）、日常生活動作の自立度、めまいの有無、歩行補助具の使用、そして看護記録の文章などです。これらをコンピュータに学習させ、ランダムフォレストや勾配ブースティング（たくさんの単純な判定を組み合わせて精度を上げる手法）、ニューラルネットワーク（脳の神経細胞をまねた計算の仕組み）といった方法で「転びやすさ」を数値化します。

ここで知っておきたいのは、同じ施設のデータで「作って」「成績を測る」と、点数は良く出やすいということです。テスト問題を作った先生が同じ範囲で採点するようなもので、別の集団で試すと成績は下がりがちです。研究の成績を読むときは、「どこのデータで測った点数か」を必ず意識します。

ここでは、AI・機械学習で転倒を予測・検知する研究のうち、規模が大きいものや複数の研究をまとめたものを表にします。数字は、なるべく「どういう意味か」を添えて読みます。AUC（見分ける力の総合点）は、当てずっぽうが0.5、完璧が1.0の指標で、原文が「高精度」と格付けしていない限り、ここでも勝手に「高い」とは断定しません。

表の数字をひとことでまとめると、「転びやすい人をある程度は当てられる（予測の精度はそれなりに出る）」けれど、「それを使って転倒を実際に減らせた」とまでは言えていない、という状態です。次の見出しで、この差がなぜ生まれるのかを見ます。

もうひとつ、表からくみ取れる大事な点があります。施設の研究で「最も効いた要因」が服用している薬の数だったことです。これは、AIが特別な未来予知をしているわけではなく、私たちが現場で経験的に知っている「薬が多い人は転びやすい」という事実を、データの形で確認しているにすぎない、ということでもあります。AIの予測は、現場の感覚をまったく超えた魔法ではなく、見落としがちな組み合わせを整理して見せてくれる道具、と理解すると等身大に付き合えます。

また、入院患者を対象にした2026年の研究では、研究者自身が「この国・この病院のデータで作ったモデルなので、医療や介護の仕組み、患者層、転倒予防のやり方が違う他地域にはそのまま当てはまらないかもしれない」と、はっきり限界を書いています。良い研究ほど、自分の結果の適用範囲を慎重に区切っているという点も、読み手として覚えておきたいところです。

ここがこの記事のいちばん大事なところです。AIが転倒を「予測できる」ことが、なぜそのまま「転倒を防げる」にならないのか。多くの宣伝や紹介記事は、この2つをひとつながりに語ってしまいます。けれど研究の世界では、両者はまったく別の問いとして扱われ、確かめ方も違います。ここを切り分けられるかどうかが、テクノロジーに賢く向き合えるかの分かれ道です。3つの溝（ギャップ）に分けて説明します。

溝1：予測の精度は「当たり外れ」の話で、「減らせた」かは別の試験が要る

見分ける力の総合点（AUC）が0.79や0.85という数字は、あくまで「転ぶ人と転ばない人をどれだけ見分けられるか」の成績です。これは「予測が当たる」ことを示すだけで、その予測をきっかけに職員が動いて転倒の件数そのものが減ったかは、まったく別のことを測らないと分かりません。後者を確かめるには、AIを使う群と使わない群に分けて転倒率を比べる、といった試験が必要です。そして、その種の試験はまだ数が少なく、結果も一貫していません。

溝2：誤検知と「アラート慣れ」。警報が多すぎると人は反応しなくなる

検知・予測が「疑いあり」を出すとき、実際には転ばない人にも警報が出ます（取り違え）。離床アラートを調べた研究では、警報の8割以上が誤報だったと報告され、別の調査では監視アラームの7割超が誤報で、職員が反応したのはわずか5.9%でした。警報が多すぎると人は慣れてしまい、本当に大事な警報まで見過ごす「アラート慣れ（警報疲れ）」が起きます。これは精度を上げるだけでは解決しにくい、運用の問題です。予測モデルでも、感度（見逃しにくさ）を上げようとすれば誤報が増え、誤報を減らそうとすれば見逃しが増える、という綱引きの関係は避けられません。

溝3：外部妥当性。別の施設で試すと精度は落ちやすい

多くのモデルは、作ったときと同じ施設のデータで「よく当たる」と報告されています。けれど2026年のメタ解析では、別の施設・別の集団できちんと検証されたモデルは28本中わずか1本でした。学習に使った集団と、あなたの施設の利用者は、年齢構成も持病も介護のやり方も違います。論文の数字は、あなたの現場での性能を保証しません。研究者自身が「現実の性能は楽観的に出ている可能性がある」と注意しています。さらにこのメタ解析では、研究ごとの結果のばらつきが極端に大きく、すべての研究が「偏りが大きい（高バイアス）」と評価されました。つまり、統合した平均値そのものも、割り引いて読む必要があるということです。

離床アラートを大規模に検証した試験（入院患者2万7,672人・16病棟のくじ引き比較）でも、転倒や身体拘束の使用に意味のある差は出ませんでした。「警報を増やすこと」と「転倒が減ること」はイコールではない、という代表的な結果です。

製品説明や記事で精度の数字を見たとき、だまされないための読み方をまとめます。

• 「見分ける力（AUC）」と「転倒が減った」を取り違えない。0.8という数字は当て勝負の成績であって、効果（転倒削減）の証明ではありません。
• 感度・特異度は必ず裏側もセットで読む。「感度80%」は心強く響きますが、裏を返せば「該当者の20%は見逃す」ということ。「特異度75%」なら「該当しない人の25%に誤って警報が出る」。良い面だけ切り取らないことが大切です。
• 「相対的にリスク◯倍」は、もとの確率が小さいと見た目ほど大きくない。たとえば転倒が元々まれな集団で「リスク2倍」でも、絶対的な増え方はわずかなことがあります。可能なら「100人中何人」という実数で確認します。
• その数字が『同じ施設の自慢』か『別施設での検証』かを見る。外部の独立データで検証された数字は信頼性が高く、自施設データだけの数字は割り引いて読みます。

この4つを押さえるだけで、「AIが転倒を9割当てます」といった売り文句に、落ち着いて「見逃しはどれくらい？　別の施設でも同じ？　それで転倒は減ったの？」と問い返せるようになります。

「精度が高い」ほど誤報が増えることもある

もうひとつ知っておくと役立つのが、見分ける力の総合点が高い研究ほど、実は誤報の問題を抱えやすいという逆説です。転倒する人は集団の中では少数派なので、見逃しを減らそうと感度を上げると、転ばない多数の人にも警報が出てしまいます。あるレビューでは、見分ける力が0.90を超える高い数字を出したモデルほど、データの偏り（転ぶ人が少なすぎる）のせいで、実際に転ぶ人を拾う割合（感度）がかえって低くなる、という現象が指摘されています。数字の見た目の華やかさと、現場で役に立つかどうかは、必ずしも一致しないのです。

つまり、製品比較で「精度98%」のような数字を見たときこそ要注意です。その「精度」が何を分母にした数字なのか（転ばない人を当てているだけではないか）、見逃し率はどうなのかを確認しないと、現場で誤報の山に埋もれることになりかねません。

ここまでを踏まえて、介護職としてAI転倒予測とどう付き合うか、現場の視点で落とし込みます。

1. AIの予測は「観察の優先順位づけ」に使い、判断は人が握る

予測モデルが完璧でない以上、AIの役割は「人の観察を置き換える」ことではなく、「限られた人手をどこに重点配分するかのヒント」を出すことです。リスク点数が高いと出た利用者を、訪室や声かけの優先リストに入れる。その程度の使い方であれば、予測が外れても大きな害になりません。逆に、AIが「低リスク」と出した人を観察対象から外してしまうのは危険です。見逃し（感度の裏側）が必ずあるからです。最終的な見守りの判断は、足取りやその日の体調を直接見ている職員が握り続けるべきです。AIの予測を「答え」ではなく「気づきの入口」として扱う姿勢が、過信による事故を防ぎます。

2. 科学的介護（LIFE）・アセスメントとの接続で考える

転倒予測モデルが重視する要因、つまり服用している薬の数、転倒歴、めまい、歩行補助の使用、日常生活動作といった項目は、実は私たちが普段のアセスメントで見ているものと重なります。AIが「薬の数が効いた」と示したことは、多剤併用（ポリファーマシー）の見直しや、めまいのある人の起立時の介助といった、昔ながらの多職種連携の重要性をデータが裏づけたとも読めます。AIは魔法ではなく、現場の経験則を整理し直してくれる道具と捉えると、過度な期待も過度な警戒もせずに済みます。むしろ「AIが重視した要因」を手がかりに、薬剤師や理学療法士を交えたカンファレンスの切り口を増やす、という使い方のほうが現場には実りがあります。

3. 効果は「自施設のデータ」で測る習慣をつける

論文や他施設の数字が自施設に当てはまる保証はありません。機器を導入するなら、導入前のベースライン（転倒件数・ヒヤリハット件数・夜間の訪室回数・職員の負担感）を記録し、導入後と比べる。これがいちばん確かな効果検証です。メーカーの宣伝数値より、自分たちの前後比較のほうが、現場では信頼できる根拠になります。

4. キャリアの視点：「数字を読める介護職」は強い

厚生労働省は介護テクノロジーの導入を強く後押ししており、見守り支援機器の施設での導入は近年大きく伸びています。今後、現場には「この機器の効果は本物か」を見極められる人材がますます必要になります。エビデンスの強弱を読み解き、機器を運用に落とし込み、効果を自分たちで測れる介護職は、リーダーや生産性向上の担当として評価されやすくなります。AIに仕事を奪われる側ではなく、AIを使いこなして安全を設計する側に回る。その入り口が、こうした数字の読み方です。難しい統計の専門家になる必要はありません。「見逃しは？　別施設でも？　それで転倒は減ったの？」の3つを問い返せるだけで、現場での判断はぐっと確かになります。

• 「予測」か「検知」かを確認する。前もってリスクを仕分ける製品か、その場の動作を知らせる製品かで、期待できることが違います。
• 誤報の多さと運用負担を事前に試す。警報が多すぎないか、夜勤の動線で本当に対応できるか、試用期間で確かめます。アラート慣れは安全を損ないます。
• 「低リスク」表示を観察免除に使わない。見逃しが必ずあるため、AIが安全と言っても定期的な観察は続けます。
• 導入前のベースラインを必ず記録する。転倒件数・ヒヤリハット・訪室回数・負担感を導入前後で比較し、自施設の効果を自分たちのデータで判断します。
• 判断の責任はAIに転嫁しない。予測は補助情報であり、ケアの判断と説明責任は人とチームが負います。記録には「AIの予測＋職員の観察」を併記しておくと、事故検証にも役立ちます。
• プライバシーと同意を最初に整理する。カメラ型の見守りは、利用者・家族の同意取得や、誰がいつ映像を見られるかのルールづくりが欠かせません。厚生労働省の調査でも、導入しない理由の上位にプライバシーへの懸念が挙がっています。安全のための機器が、別の不信を生まないよう、運用ルールを先に決めます。
• 「効果が出る条件」までセットで確認する。研究で効果が見えた事例の多くは、機器を置いただけではなく、巡視や声かけの運用そのものを見直していました。機器は引き金にすぎず、実際に転倒を減らすのは、そのあとに続く人の動き方の設計です。導入とセットで業務フローを描き直すことが、効果の有無を分けます。

AIによる転倒予測は、過去のデータから「転びやすい人」をある程度の精度で仕分けできるところまで来ています。複数研究の統合では見分ける力の総合点が平均およそ0.79。決して当てずっぽうではありません。

けれど、この記事で繰り返してきたとおり、「当てられる」ことと「防げる」ことは別物です。予測を介入につなげて転倒が実際に減った、と大規模に証明した研究はまだ乏しく、誤検知によるアラート慣れ、別施設で精度が落ちる外部妥当性の弱さ、研究の質のばらつきといった課題が残っています。離床アラートを2万人超で検証した試験でも、転倒は有意には減りませんでした。「予測の精度が高い」ことと「現場で転倒が減る」ことは、研究上はっきり別の段階であり、後者を証明した質の高い証拠はまだ積み上がっていない、というのが2026年時点の正直な現在地です。

だからこそ、現場での向き合い方はシンプルです。AIの予測は「観察の優先順位を決める目印」として使い、低リスク表示を観察免除の理由にはしない。判断と説明責任は人とチームが握り続ける。そして効果は、メーカーの数字ではなく自施設の前後比較で測る。エビデンスの強弱を読み解ける介護職は、これからの現場で確実に必要とされます。AIを過信も軽視もせず、安全を設計する側に立つ。それが、転倒予測テクノロジーとの賢い付き合い方です。