臨床薬理の進歩　No.47

197/342

etaRevitisoPeuretaRevitisoPeurACTBDT etaRevitisoPeurTetaRevitisoPeurT1.00.80.60.40.20.00.00.20.41.00.80.60.40.20.00.00.20.40.60.81.00.60.81.01.00.80.60.40.20.00.00.21.00.80.60.40.20.00.00.20.40.60.80.40.60.81.01.0ModelデフォルトモデルExtreme Gradient BoostingLight Gradient Boosting Machineモデル・チューニングExtreme Gradient BoostingLight Gradient Boosting MachineAUC：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 値各クラス（クラス 0：非発症群、クラス 1：発症群）の ROC 曲線を示し、点線はマイクロ平均およびマクロ平均の ROC 曲線を示す。ROC of class 0, AUC = 0.96ROC of class 1, AUC = 0.96micro-average ROC curve, AUC = 0.99macro-average ROC curve, AUC = 0.97ROC of class 0, AUC = 0.96ROC of class 1, AUC = 0.96micro-average ROC curve, AUC = 0.99macro-average ROC curve, AUC = 0.97ROC of class 0, AUC = 0.96ROC of class 1, AUC = 0.96micro-average ROC curve, AUC = 0.87macro-average ROC curve, AUC = 0.96ROC of class 0, AUC = 0.97ROC of class 1, AUC = 0.97micro-average ROC curve, AUC = 0.99macro-average ROC curve, AUC = 0.97F1-scoreKappa0.8510.8380.8310.8160.4340.3420.8420.828AUCRecallPrec.0.9640.7620.9640.9630.7240.9740.9580.9520.2810.9720.7330.987MCC0.8450.8270.4410.839表 5　チューニング前後モデルにおけるテストデータでの評価結果図 6　モデルの ROC 曲線SMOTE ＋ RUS 併用データを用いた XGBoost および LightGBM モデルの ROC 曲線を示す。（A）チューニング前 XGBoost モデル、（B）チューニング後 XGBoost モデル、（C）チューニング前 LightGBM モデル、（D）チューニング後 LightGBM モデル。実線は医療情報を活用した免疫療法誘発心筋炎予測デバイスの日米共同開発F5-scoreAccuracy0.7680.9760.7310.9730.8720.7750.7410.975181False Positive RateFalse Positive RateFalse Positive RateFalse Positive Rateすることで ICIM の主要なリスク因子を推定した。その結果、XGBoost モデルが他のモデルと比較して優れた予測性能を示し、SHAP 解析により薬剤の処方数が最も重要な予測変数であることが明らかとなった。本研究は、ICIM 発症リスクに影響を及ぼす臨床情報を明確化するとともに、臨床現場