rorrEderauqSnaeM500100Training sample size0.300.250.200.150.100.050.001000Average methodRandom ForestGradient BoostingXGBoost機械学習による臨床血漿中薬物濃度推移予測 - レミフェンタニル バーチャルおよび実臨床データへの適用 5010結 果図 2 バーチャルデータからサンプリングした学習データとテストデータで構築した ML モデルを評価した結果さらに、学習データ数を 10 から 1000 まで変化させて構築した ML モデルも評価した。x 軸は学習データ数、y 軸はテストデータを予測した際の実際の値との MSE 値である。文献 14）より引用、改変。でも安定した推定が得られるよう設計された。これらの比較により、機械学習（ML）モデルの性能を平均値法および構造的 PK モデルと対照的に位置づけ、提案手法の汎化性能および臨床応用可能性を多角的に検証した。実臨床データとの比較検証 実臨床環境下でのモデルの外的妥当性を確認するため、64 名の被験者から得られた実臨床データセットを用いて検証を行った。このデータセットには、レミフェンタニル投与後の Cp、採血時刻、年齢、LBM などの臨床情報が含まれている。構築 した ML モデル（RF、GB、XGB）をそれぞれ 5-fold交差検証により学習・検証し、各モデルの MSEおよび R2 を算出した。また、比較対象として、同一データを用いた PPK モデルも構築し、両者の予測性能を同一条件下で比較した。PPK モデルは 3 コンパートメント構造および乗法誤差モデルを基盤とし、クリアランスおよび分布容積の推定には段階的選択法を採用した。 各モデルの予測値と実測値の対応を時系列で評価し、特に 5 〜 100 分の各採血時点における予測精度を検証した。さらに、各時点の予測値と実測値を対数変換後に散布図として可視化し、PPK モデルおよびMLモデルの挙動の差異を視覚的に解析した。使用ソフトウェアおよび実装環境 モデル構築には Python（ver. 3.10）および scikit-learn を使用した。データ前処理には pandas およびnumpy を、可視化には matplotlib を用いた。全ての解析は同一計算環境下で実行し、再現性を確保した。学習済みモデルは再利用可能な形式で保存・管理した。統計解析 モデル性能の評価には、決定係数（R2）、平均二乗誤差（MSE）を用いた。学習データ、検証データ、テストデータに分割して評価を行い、過学習の影響を確認した。バーチャルデータセットにおけるモデル性能・学習データセットのサイズに対する依存性 生成したバーチャルデータセットを用い、テスト デ ー タ と 学 習 デ ー タ に 分 割 し て ML モ デ ルの 性 能 を 検 証 し た（図 2 ）。 学 習 デ ー タ か ら ランダムに 10、50、100、500、1000 名を抽出して81
元のページ ../index.html#97