1010度濃漿血のルニタンェフミレ度濃漿血のルニタンェフミレ(ng/mL)100100.120100100.120406080100120406080100120予測対象時間点でのDV値投与終了直後時点でのDV値投与時間の4倍時点でのDV値投与開始後の時間（分）機械学習（ML）モデル予測した値投与開始後の時間（分）図 1 提案手法のフローグラフは、x 軸が投与開始からの経過時間であり、y 軸が DV 値を示している。トレーニングセットを使用して、ML モデルを構築し、投与時間を入力として DV 値の推移を予測する。学習に使用する説明変数は 7 種類で、予測したい DV 値の target time、RATE、AGE、LBM、TINFCAT、投与終了直後時点での DV 値、投与時間の 4 倍時点での DV 値である。文献 14）より引用、改変。の基本性能を確認した。評価指標には決定係数（R2）および平均二乗誤差（MSE）を用いた。RF、GB、XGB の 3 手法を同条件で比較し、それぞれの精度、安定性、学習速度を評価した。さらに、被験者の年齢や LBM を追加説明変数とすることで、個体差をより正確に反映した拡張モデルの性能も検証した。 比較対象として、平均値法および母集団薬物動態（Population Pharmacokinetics: PPK）モデルを採用した。平均値法は、機械学習分野で広く用いられる単純平均法 11,12) であり、PPK 解析における「Naïve Average Data approach」13) に相当する。本手法では、訓練データセット内の各時間点における平均血中濃度値を予測値とするものであり、個体差を考慮しないが、計算効率に優れ大規模データに適している。 一方、PPK モデルは実臨床データセットを用いて構築した。仮想データのような大規模データでは構築が困難なため、比較的小規模な実測データに 限定して解析を行った。モデル構造には 3 コンパートメントモデルを採用し、乗法誤差モデルを適用した。クリアランスおよび分布容積のパラメータ推定には段階的選択法を用い、共変量として投与持続時間（TINFCAT）およびその 4 倍時点での Cp を組み込んだ。予測対象時間点のデータは情報漏洩防止のため除外した。これにより、限られた被験者数 80の血漿中濃度、採血時刻、年齢、除脂肪体重（Lean Body Mass：LBM）などの臨床情報を含み、既報臨床研究 9,10) から抽出したものである。モデルが実際の被験者条件や個体差を反映できるかを検証 可能とした。さらに、複数の投与経路や異なる 用量条件を含めることで、データセットの多様性を確保し、モデルの汎化性能を向上させた。モデル構築と学習 本研究では、RF を中心に、GB および XGB を構築した。これらはいずれも決定木を基礎とするアンサンブル学習法であり、多次元かつ非線形の関係を捉える能力に優れている。過学習抑制および精度向上のため、ブートストラップ法によるサンプリングや特徴量のランダム抽出を適用した。 入力変数には分子記述子および投与条件（用量、投与経路、投与間隔など）を、目的変数には特定時点における Cp を設定した。ハイパーパラメータはグリッドサーチにより最適化し、k-fold 交差検証により汎化性能を評価した。学習データは訓練用80%、検証用 20% に分割し、ランダムシードを固定して再現性を確保した。モデル評価 まず、バーチャルデータセットにおいて各モデル
元のページ ../index.html#96