52 ∙F5 score =ytisneDytisneDytisneDytisneDytisneDage_at_first_doseNumber_of_Medications_30daysABCDE図 4 主要特徴量の分布心筋炎発症群（onset）と非発症群（no）における主要連続変数の確率密度分布を示す。各パネルは、（A）年齢、（B）BMI、（C）抗がん剤処方薬数、（D）ICI 投与前 30 日間の処方薬数、および（E）Charlson 併存疾患指数を表す。precision ∙ recall52 ∙ precision + recall176なかった（図 3）。さらに、心筋炎発症群と非発症群における主要な連続変数の分布を可視化した（図 4）。機械学習モデルの構築 変数選択およびモデル構築には全データセットの80％を使用し、残りの 20％をモデルの検証に用いた。訓練データとテストデータは、心筋炎発症症例の割合が同等となるように分割した。 クラス不均衡への対処として、Synthetic Minority Over-sampling Technique（SMOTE）とランダムアンダーサンプリング（RUS）を組み合わせた 9）。SMOTE では発症群：非発症群＝ 1：100 に調整後、RUS で非発症群を 1：10 まで縮約した。これにより、少数クラス情報を保持しつつ多数派の影響を抑制した。 比較したアルゴリズムは、AdaBoost Classifi er、CatBoost Classifier、Decision Tree Classifier、Dummy Classifi er、Extra Trees Classifi er、Gradient noonsetnoonsetnoonsetBMInoonsetCharsonIndexnoonsetNumber_of_ChemoBoosting Classifier、K Neighbors Classifier、Light Gradient Boosting Machine、Linear Discriminant Analysis、Logistic Regression、Naive Bayes、Quadratic Discriminant Analysis、Random Forest Classifi er、Ridge Classifi er、SVM ‒ Linear Kernel、Extreme Gradient Boosting とし、モデル・チューニング として学習率、深さ、L2 正則化などのハイパーパラメータを最適化した。ハイパーパラメータの最適化は、Optuna ソフトウェアを用いて100 回以上の試行で実施した。統計解析および性能評価 最適化関数には F5 スコアを採用した。F5 スコアはF 値の一種であり、再現率（Recall）を精度（Precision）の 5 倍重視して算出される評価指標である。 その算出式は以下の通りである：+1
元のページ ../index.html#192