考 察ModelF5-score Accuracy AUC Recall Prec. F1-score Kappa MCC TT (Sec)0.727 0.535 0.694 0.893 0.642 0.964 0.619 0.962 0.523 0.956 0.517 0.901 0.509 0.950 0.375 0.941 0.324 0.937 0.310 0.901 0.251 0.923 0.250 0.917 0.203 0.919 0.027 0.911 0.000 0.908 0.000 0.909 表 4 SMOTE およびランダムアンダーサンプリングを組み合わせた条件でのモデル性能比較Naive BayesK Neighbors ClassifierExtreme Gradient BoostingLight Gradient Boosting MachineCatBoost ClassifierDecision Tree ClassifierExtra Trees ClassifierRandom Forest ClassifierGradient Boosting ClassifierSVM - Linear KernelLogistic RegressionLinear Discriminant AnalysisAda Boost ClassifierRidge ClassifierQuadratic Discriminant AnalysisDummy ClassifierAUC：Area Under the Receiver Operating Characteristic Curve、Prec.：Precision、Recall：Sensitivity、Kappa：Cohen’s Kappa、MCC：Matthews Correlation Coefficient、F5-score：Recall 重視型 F 値、TT：Training Time0.722 0.862 0.150 0.255 0.909 0.710 0.444 0.546 0.930 0.634 0.953 0.761 0.928 0.610 0.952 0.743 0.925 0.513 1.000 0.676 0.730 0.520 0.461 0.488 0.941 0.501 0.904 0.642 0.947 0.366 0.974 0.531 0.899 0.316 0.970 0.474 0.804 0.309 0.551 0.360 0.852 0.245 0.728 0.366 0.837 0.245 0.613 0.349 0.845 0.197 0.684 0.306 0.837 0.026 0.633 0.050 0.610 0.000 0.000 0.000 0.500 0.000 0.000 0.000 0.119 0.212 0.086 0.489 0.507 0.076 0.742 0.761 0.126 0.724 0.745 0.270 0.655 0.698 3.762 0.434 0.435 0.046 0.617 0.650 0.198 0.507 0.577 0.176 0.450 0.533 0.436 0.315 0.348 0.052 0.336 0.393 0.088 0.314 0.352 0.086 0.277 0.338 0.178 0.045 0.118 0.042 -0.002 -0.007 0.078 0.000 0.000 0.044 180最適化モデルの性能指標 構築したモデルの予測性能をテストデータセットで検討した。表 5 および図 6 に示すとおり、主要指標（F5 ス コ ア、Accuracy、AUROC、Recall、Precision）は、XGBoost で 0.872、0.775、0.958、0.952、0.281、LightGBM で 0.741、0.975、0.972、0.733、0.987 となり、訓練データにおける成績と同程度の水準であった。これにより、クラス不均衡の補正およびハイパーパラメータ調整を経たモデルが、テストデータに対しても安定した予測性能を示すことが確認された。SHAP 解析による重要特徴量 最後に、テストデータセットに対する XGBoost および LightGBM 予測モデルの予測過程を、SHAPで可視化した。SHAP ビースウォームプロット（図 7）は、各モデルで予測に寄与した上位変数を示す。 最も予測に大きく寄与した変数は Number_of_Medications_30days であり、処方薬数が多いほど発症確率を上昇させる方向に働いた。その他の寄与変数としては、age_at_first_dose、Charlson Index、Number of Chemo、BMI、gender、S01XA、N02AA、D10AA・A12AA（XGBoost）／ Duvalumab・A06AB（LightGBM） が抽出された。これらのうち、発症確率を上昇させる傾向が明瞭だったのは Number_of_Medications 30days、Charlson Index、age_at_first_dose、S01XA。一方で、発症確率を低下させる傾 向 が み ら れ た の は Number_of_Chemo、BMI、Duvalumab、N02AA ／ D10AA ／ A12AA ／ A06AB の処方であった。 本 研 究 で は、 米 国 の 診 療 情 報 デ ー タ ベ ー スTriNetX を用いて ICIM の発症を予測する機械学習モデルを構築し、モデルの予測過程を可視化
元のページ ../index.html#196