euaveuaverutaeFll erutaeFHighLowHighLowNumber_of_Medications_30daysage_at_first_doseCharsonIndexNumber_of_ChemoBMIgenderS01XAN02AAD10AAA12AASHAP value (impact on model output)Number_of_Medications_30daysCharsonIndexage_at_first_doseBMIS01XAgenderNumber_of_ChemoN02AADuvalumabA06ABSHAP value (impact on model output)図 7 XGBoost モデルおよび LightGBM における SHAP 値解析XGBoost モデルおよび LightGBM における各特徴量の SHAP 値を示す。横軸は各変数がモデル出力に与える影響度を示し、右方向は心筋炎発症確率を高める方向、左方向は低下させる方向を意味する。縦軸には、特徴量の重要度順に上位変数を表示した。赤色は値が高い特徴量、青色は値が低い特徴量を示す。182において臨床情報から ICIM を予測するための治療戦略の立案に資する知見を提供するものである。 これまでの irAE 予測に関する研究では、irAE全体、下垂体炎、肺臓炎などの発症を対象とした機械学習モデルが報告されている 10～12）。しかしながら、ICIM を対象とした予測モデルはこれまで構築されていない。その理由として、臨床症例数の不足およびデータ不均衡によるモデル開発の困難さが挙げられる。本研究では、米国の診療情報データベースを活用することにより、モデル構築に必要な症例数を確保した。ICI を少なくとも 1 回処方された患者 115,486 例を抽出し、除外基準および欠損データを考慮した結果、最終的に 52,763 例を解析対象とした。そのうち、ICIM を発症した患者は 133 例であり、本研究はこれまでで最大規模のICIM 予測データセットを用いた解析である。一方で、ICIM の発症率が極めて低いため、データセットは陽性（発症群）と陰性（非発症群）の間で著しい不均衡を示した。一般に、機械学習モデルはデータ不均衡が大きい場合、性能が低下することが知られている 13）。そこで本研究では、SMOTE とアンダーサンプリングとバギングを組み合わせ、データ不均衡がモデル性能に及ぼす影響を最小限に抑える手法を採用した 9）。これを 16 種類の機械学習アルゴリ ズ ム に 適 用 し た 結 果、XGBoost で は AUROC 0.958 ／ F5 0.872、LightGBM では AUROC 0.972／ F5 0.741 を達成し、不均衡データに適応可能な高精度モデルを構築できた。 SHAP 解析により、投与前 30 日の処方薬数が最重要因子として抽出され、値が高いほど発症確率上昇方向に寄与した。処方薬数の多さは、併存疾患負荷や疾患重症度、支持療法の複雑化を反映する多剤併用療法の代理指標と解釈でき、Charlson 併存疾患指数も同様に併存症負荷を表すことから、両者がリスク上昇に寄与した所見は合理的である。初回投与時年齢もリスク上昇方向で、ICIM が高齢で重篤化し得るという臨床知見とも矛盾しない 14,15）。さらに、SHAP 解析では従来報告のない特徴量も抽出された。S01XA（眼科用薬）／ N02AA（オピオイド）／ D10AA（外用副腎皮質ステロイド）／A12AA（カルシウム製剤）／ A06AB（刺激性下剤）の低下方向 といった所見は、従来の機序仮説（自己免疫的過剰活性化）と直接的に結びつくものではないが、臨床現場の支持療法・併用薬レジメンの
元のページ ../index.html#198