「てんかんの診療にAI（人工知能）はどこまで使えるのか」——脳波の自動判読、発作を事前に知らせるウェアラブル、ChatGPTのような生成AIによる診断支援まで、関連する話題は急速に増えています。しかし日本語の情報は領域ごとにバラバラで、「実際に臨床で動いているもの」と「まだ研究段階のもの」の境目が見えにくいのが現状です。
この記事では、脳神経内科医の視点から、てんかん診療におけるAI活用を「検出（診断・解析）」「予測（モニタリング）」「生成（支援）」という3つの層に整理し、それぞれの到達点・精度・限界を、PubMedで実在確認した一次文献の数字とともに俯瞰します。発作予知ウェアラブル、MRIで見えない病変を見つけるAI、生成AIの診断能力とその落とし穴まで、2026年時点の「現在地」を1本で把握できる総説です。
監修：今村久司（脳神経内科専門医）
▼ 解説動画（約7分・ナレーション＋字幕つき）
動画を見る時間がない方は、スライドだけを閲覧できるスライド資料ページもご利用ください。
目次
- なぜ今、てんかん診療にAIなのか
- 全体地図：AI活用の3つの層（検出・予測・生成）
- 【層1・実装期】診断と解析の自動化
- 【層2・黎明期】予測とモニタリング
- 【層3・研究段階】生成AI・LLMによる支援
- 精度・エビデンスの現在地（数字で見る）
- 規制・保険・倫理という最後の壁
- 患者・家族が今できること
- よくある質問（FAQ）
なぜ今、てんかん診療にAIなのか
てんかんは人口のおよそ0.5〜1%が生涯のうちに経験する、神経疾患のなかでも有病率の高い病気です。一方で診療には専門的なハードルがあります。脳波（EEG）の判読は熟練を要し、判読者によって解釈が割れること（判読者間のばらつき）が知られています。とくにICU（集中治療室）で行う持続脳波モニタリング（cEEG）では、発作なのか・発作に近い危険なパターンなのかの線引きが難しく、専門家でも一致しにくい領域があります。
さらに、てんかん専門医は地域的に偏在し、長時間ビデオ脳波やcEEGの判読には膨大な時間がかかります。「判読の負担を減らし、見落としを減らし、専門医が少ない場所でも質を底上げする」——ここにAIが期待される理由があります。ただし後述のとおり、AIは「専門医を置き換えるもの」ではなく、現時点では「専門家を補助・効率化するもの」と理解するのが正確です。
全体地図：AI活用の3つの層（検出・予測・生成）
「てんかん×AI」は話題が多岐にわたり混乱しがちですが、成熟度で3つの層に分けると全体像がすっきりします。本記事はこの地図に沿って解説します。
| 層 | 何をするか | 成熟度 |
| 層1：検出（診断・解析） | 脳波・画像から異常を自動で見つける | 実装期 |
| 層2：予測（モニタリング） | 発作を検知・予報し、見守る | 黎明期 |
| 層3：生成（言葉で支援） | 問診・鑑別・レポートをLLMが支援 | 研究段階 |
ポイントは 「検出は実装期、予測・生成は黎明期〜研究段階」 という温度差です。ニュースでは生成AIが派手に取り上げられますが、実際に臨床現場へ最も近づいているのは地味な「検出・解析の自動化」です。
【層1・実装期】診断と解析の自動化
脳波の自動判読（発作・棘波の検出）
市販の脳波解析ソフト（Persystなど）は、長時間脳波から発作や棘波（てんかん性の鋭い波＝IED）の候補を自動で拾い上げ、判読者のレビューを効率化します。複数ソフトを比較した研究では、Persystは市販ソフトのなかで発作検出率が最も高く（約81%）、検出の遅れも短く（約20秒）、誤警報も比較的少ないと報告されています1。てんかんモニタリングユニット（EMU）での検証では「全発作の認識」基準で感度93%という報告もあります2。
誤解しないために：これらのソフトは「専門医を置き換える」ものではありません。比較研究は一貫して「自動検出ソフトは臨床的に有用だが、検出性能は熟練技師には及ばず、判読には専門知識を持つ人員が不可欠」と結論しています2,3。例外的に、棘波（IED）の検出ではPersystが30分の選択区間で感度95%と「人のレビューと同等」レベルに達した報告がありますが4、これは発作検出での「非劣性」とは別の話です。
より新しい方向性として、ICUのcEEGで問題になる「発作と発作の中間にある危険なパターン（ictal-interictal continuum）」の分類があります。Duke／Harvardらが開発した「解釈可能な（なぜそう判断したかを示す）AI」では、8人の医療者の分類精度がAI支援によって平均47%から71%へ有意に改善しました5。判断根拠を提示するため、ブラックボックスへの不信を和らげる点でも注目されています。
AI神経画像とMRI陰性病変の検出（FCD）
てんかん外科の成否を左右するのが、発作の原因となる限局性皮質異形成（FCD）の同定です。FCDは微細でMRIでも「異常なし（MRI陰性）」と読まれることが多く、ここにAI画像解析の出番があります。
国際多施設プロジェクトMELDは、脳表面ベースの特徴を解析する解釈可能AIを開発し、組織で確認された病変（FCD IIB・術後発作消失例）で感度85%を達成しました6。さらに2025年にはグラフニューラルネットを用いた最新版MELD Graphが、陽性的中率を旧版の39%から67〜76%へ大幅に改善し、組織確認・術後1年発作消失例で感度81.6%、MRI陰性のFCDでも感度63.7%を報告しています7。「人の目では見えなかった病変をAIが拾う」——最も臨床インパクトの大きい応用のひとつです。
【層2・黎明期】予測とモニタリング
発作を検知するウェアラブル
手首などに装着し、全身けいれん発作（強直間代発作・GTCS）を自動検知して家族や医療者に知らせるウェアラブルが実用化しています。多モーダル（加速度＋皮膚電気活動）の手首装着型機器を152名・429日で検証した研究では、けいれん発作の検出感度が小児0.92・成人0.94、誤警報は24時間あたり0.6〜1.3件と報告されました8。非脳波デバイス全般でも、GTCSの検出は感度79〜96%・誤警報は夜間ほぼゼロというレンジにあります9。
ILAE（国際抗てんかん連盟）とIFCNの臨床ガイドラインも、GTCS／FBTCSに限り自動検出ウェアラブルの使用を（条件付きで）推奨しています。ただしそれ以外の発作型については、現時点で臨床使用を推奨していません10。
SUDEP（てんかん突然死）について：夜間のけいれんを検知できれば突然死を防げるのでは、と期待されますが、「ウェアラブルがSUDEPを予防するというエビデンスは依然として欠如している」のが現実です11。検知はできても予防効果は別問題であり、過大な宣伝には注意が必要です。
発作予測と「てんかんの周期性」
「発作は予測できるのか？」——近年、発作はまったくランダムではなく周期性をもつことが分かってきました。慢性的に記録した脳波からは、日内（circadian）だけでなく数日単位の周期（multidien cycle）が見つかり、これを使うと発作リスクの「予報」が可能になります12。植込み型機器の長期脳波を用いた研究では、多日周期から翌日の発作確率を、偶然を上回る精度で予測できることが示されました（開発群で83%、検証群で66%の患者で有効）13。天気予報のように「今日は発作リスクが高い日」を知らせる——発作予測はまだ研究段階ですが、最も将来性のある領域です。
【層3・研究段階】生成AI・LLMによる支援
ChatGPTのような大規模言語モデル（LLM）をてんかん診療に応用する研究も急増しています。患者の発作の語りからてんかんと機能性発作（心因性非てんかん性発作）を鑑別させたGPT-4の研究では、平衡精度が57〜64%で、神経内科医（71%）には及びませんでしたが、医師3名全員が正解した明快な症例ではGPT-4も81%正解しています14。
過信は禁物：救急受診597例で汎用ChatGPT 4.0とてんかん専門医の診断を比べた研究では、両者の一致はほぼ偶然レベル（κ=−0.01）、ChatGPTの感度は17.6%にとどまりました15。さらに、同じ症例でも質問を変えると診断が揺れる再現性の問題もあります。現時点の生成AIは「補助の可能性を探る段階」であり、臨床判断を委ねる段階ではありません。
このほか、脳波レポートの自動生成、患者・家族向けの教育チャットボットなど、「言葉で支援する」応用が広がりつつありますが、いずれも検証の途上です。
精度・エビデンスの現在地（数字で見る）
本記事で触れた数値を、出典とともに一覧にまとめます（すべてPubMedで実在確認した論文の値です）。
| 領域 | 数値 | 出典 |
| ICU脳波パターン分類 | 医療者の精度 47%→71%（AI支援で改善） | Barnett 20245 |
| FCD検出（表面ベース） | 感度85%（組織確認の好条件群） | Spitzer 20226 |
| FCD検出（最新・MELD Graph） | 感度81.6%／MRI陰性でも63.7% | Ripart 20257 |
| 発作検出ソフト（Persyst） | 検出率約81%・遅延約20秒（※人には及ばず） | Koren 20211 |
| ウェアラブル けいれん検出 | 感度 小児0.92／成人0.94 | Onorati 20218 |
| 発作予測（多日周期） | 翌日予測が偶然超え 開発83%／検証66% | Proix/Baud 202013 |
| LLM発作鑑別（GPT-4） | 平衡精度57→64%（神経内科医71%） | Ford 202514 |
| 汎用LLM診断（ChatGPT 4.0） | 専門医と一致せず（κ=−0.01） | Brigo 202515 |
| 治療反応予測（qEEG＋ML） | AUROC 0.81 | Lee 202516 |
規制・保険・倫理という最後の壁
精度が上がっても、臨床で使うには検証・規制・倫理という壁を越える必要があります。医療現場で動くAIは「プログラム医療機器（SaMD）」として承認を受けねばならず、日本でもPMDA（医薬品医療機器総合機構）がAI関連プログラム医療機器の審査体制を整備している段階です（具体的な承認品目や保険適用の状況は、本記事執筆時点では領域ごとに大きく異なります）。
倫理面では、ILAE（国際抗てんかん連盟）が「公平で倫理的かつ効果的なAI」を求める提言を出すなど、診断責任の所在・プライバシー・AIへの過信といった論点が国際的に議論されています。「精度の数字」だけでなく、「誰が責任を負い、どう検証され、公平に届くか」が実装の鍵です。
患者・家族が今できること
研究段階のものと、いま使えるものを切り分けて理解しましょう。
| いま使える（実用段階） | まだ研究段階（過度な期待は禁物） |
| ・発作／服薬の記録アプリ（発作日誌のデジタル化） ・全身けいれんの検出ウェアラブル（GTCS向け・ガイドライン推奨） ・脳波判読を補助する解析ソフト（医療機関側） |
・「発作を事前に予知する」一般向けデバイス ・生成AIによる自己診断（誤りや揺れが多い） ・SUDEP予防をうたう機器（予防効果は未証明） |
てんかんの診断・治療方針は必ず主治医と相談してください。AIやアプリは記録・見守り・コミュニケーションの補助として活用し、診断そのものを置き換えるものではありません。
まとめ
てんかん診療×AIは、「検出（脳波・画像）」が実装期、「予測（ウェアラブル・発作予報）」が黎明期、「生成（LLM支援）」が研究段階という三層で理解すると全体像が見えます。最も臨床に近いのは地味な検出・解析の自動化であり、最も期待を集める生成AIはまだ補助の域を出ません。共通するのは「AIは専門家を補助・効率化するが、置き換えはしない」という現在地です。
本シリーズでは今後、各層を1本ずつ深掘りします（AI脳波判読、発作予測ウェアラブル、MRI陰性病変の検出、LLM診断支援の光と影、てんかん外科×AI）。公開後にこの記事からリンクします。
▶ 関連：本記事のスライド資料を見る ／ 脳神経内科の鑑別診断ツール一覧
よくある質問（FAQ）
Q1. AIでてんかんは診断できますか？
現時点では「補助」までです。脳波・画像の異常検出はAIが得意ですが、最終的な診断は臨床情報を統合した医師が行います。汎用の生成AIによる自己診断は誤りや回答の揺れが多く、診断目的には向きません。
Q2. てんかんの発作は本当に予測できるのですか？
研究段階ですが、発作には数日単位の周期（多日周期）があり、長期脳波からは翌日の発作リスクを偶然より高い精度で予報できることが示されています。ただし一般向けに「確実に予知する」段階には至っていません。
Q3. Apple Watchやスマートウォッチで発作はわかりますか？
全身けいれん発作（GTCS）の検出は、加速度や皮膚電気活動を使う専用の多モーダルウェアラブルで臨床検証が進み、ガイドラインでも条件付きで推奨されています。市販スマートウォッチの一般機能で確実に検出できるわけではない点に注意してください。
Q4. AIによる脳波判読は保険適用されていますか？
医療現場で使うAIは「プログラム医療機器（SaMD）」として承認・保険収載のプロセスが必要で、状況は領域・製品ごとに異なります。日本では審査体制が整備されつつある段階で、一律に「保険適用」とは言えません。
Q5. ChatGPTにてんかんのことを相談してもいいですか？
一般的な知識の理解には役立ちますが、診断や治療判断には使わないでください。専門医との診断一致が偶然レベルだった研究もあり、同じ質問でも回答が揺れます。最終判断は必ず主治医に相談してください。
Q6. AIはてんかん専門医に取って代わりますか？
現時点ではいいえ。AIは判読の効率化や見落とし低減で専門家を「補助」しますが、検出性能はなお熟練者に及ばず、責任・検証・倫理の壁もあります。専門家とAIの協働が現実的な姿です。
参考文献
- Koren J, et al. Systematic analysis and comparison of commercial seizure-detection software. Epilepsia 2021;62(2):426-438. PMID 33464580. DOI
- Reus EEM, et al. Automated seizure detection in an EMU setting: Are software packages ready for implementation? Seizure 2022;96:13-17. PMID 35042003. DOI
- Koren J, et al. Systematic comparison of commercial seizure detection software: Update equals upgrade? Clin Neurophysiol 2025;174:178-188. PMID 40279948. DOI
- Reus EEM, et al. Automated spike detection: Which software package? Seizure 2021;95:33-37. PMID 34974231. DOI
- Barnett AJ, et al. Improving clinician performance in classifying EEG patterns on the ictal-interictal injury continuum using interpretable machine learning. NEJM AI 2024;1(6). PMID 38872809. DOI
- Spitzer H, Ripart M, et al. Interpretable surface-based detection of focal cortical dysplasias: a MELD study. Brain 2022;145(11):3859-3871. PMID 35953082. DOI
- Ripart M, Spitzer H, et al. Detection of epileptogenic focal cortical dysplasia using graph neural networks: A MELD study. JAMA Neurol 2025;82(4):397-406. PMID 39992650. DOI
- Onorati F, et al. Prospective study of a multimodal convulsive seizure detection wearable system on pediatric and adult patients in the EMU. Front Neurol 2021;12:724904. PMID 34489858. DOI
- Meritam Larsen P, Beniczky S. Non-electroencephalogram-based seizure detection devices: State of the art and future perspectives. Epilepsy Behav 2023;148:109486. PMID 37857030. DOI
- Beniczky S, et al. Automated seizure detection using wearable devices: A clinical practice guideline of the ILAE and the IFCN. Epilepsia 2021;62(3):632-646. PMID 33666944. DOI
- Baumgartner C, et al. Seizure detection devices. J Clin Med 2025;14(3):863. PMID 39941534. DOI
- Karoly PJ, et al. Cycles in epilepsy. Nat Rev Neurol 2021;17(5):267-284. PMID 33723459. DOI
- Proix T, Baud MO, et al. Forecasting seizure risk in adults with focal epilepsy: a development and validation study. Lancet Neurol 2021;20(2):127-135. PMID 33341149. DOI
- Ford J, et al. Can artificial intelligence diagnose seizures based on patients' descriptions? A study of GPT-4. Epilepsia 2025;66(6):1959-1974. PMID 40013839. DOI
- Brigo F, et al. Can ChatGPT 4.0 diagnose epilepsy? A study on artificial intelligence's diagnostic capabilities. J Clin Med 2025;14(2):322. PMID 39860325. DOI
- Lee GH, et al. Predicting antiseizure medication response in newly diagnosed epilepsy using quantitative EEG and machine learning. Seizure 2025;130:59-67. PMID 40382856. DOI
