rorrEderauqSnaeM 1.201.000.800.600.400.200.005min15min30min50min 100min Overall時間経過Average methodRandom ForestGradient BoostingXGBoost図 3 バーチャルデータを用いた精度評価結果平均値法と機械学習法の比較を行った。x 軸は投与後の時間経過、y 軸は予測結果と実際の値の MSE 値を示している。文献 14）より引用、改変。82学習データセットを構築し、予測精度は 100 個のテストデータセットに対する平均二乗誤差（MSE）および決定係数（R2）で評価した。 RF、GB、XGB の 3 つのモデルはいずれも高い 予測性能を示した（平均 MSE および R2：RF ＝0.0225, 0.9895、GB ＝ 0.0173, 0.9919; XGB ＝0.0368, 0.9828）。一方、単純な平均値法は精度が劣 り（MSE ＝ 0.2739, R2 ＝ 0.8721）、ML モ デ ルとの差が明確であった。 学習サンプル数の影響を解析したところ、10 名のみを用いた場合には誤差が大きく（MSE：RF ＝0.0867, GB ＝ 0.0691, XGB ＝ 0.1632）、十分な予測精度は得られなかった。これに対し、50 名以上を用いた場合には MSE が大幅に低下し（RF：50 名＝ 0.0099, 100 名＝ 0.0096, 500 名＝ 0.0033, 1000 名＝ 0.0029; GB：50 名＝ 0.0082, 100 名＝ 0.0043, 500 名＝ 0.0023, 1000 名＝ 0.0025; XGB：50 名＝ 0.0090, 100 名＝ 0.0062, 500 名＝ 0.0034, 1000 名＝ 0.0023）、高精度な予測が可能となった。 これらの結果から、50 名程度の学習データでも十分な精度を確保できる一方、10 名程度では学習不足による予測誤差が大きいことが示唆された。・投与後の時間点に対する依存性 投与後の各時間点における予測性能を解析した（図 3）。学習データには 100 名の仮想被験者を使用し、RF、GB、XGB の 3 モデルと平均値法を比較した。 全時間点における平均 MSE および R2 は非常に良 好 で あ り（RF ＝ 0.0096, 0.9955; GB ＝ 0.0043, 0.9980; XGB ＝ 0.0062, 0.9971）、平均値法（MSE＝ 0.2752, R2 ＝ 0.8715）を大きく上回った。これは、学習データがテストデータと類似している場合、ML モデルが薬物濃度推移を極めて高精度に再現できることを示す。 時間点ごとの MSE 解析では、投与初期（5 〜 30 分）で非常に低い誤差を示した（RF：0.0011 〜 0.0017; GB：0.0010〜 0.0015; XGB：0.0014〜 0.0025）。一方、投与後期（50 〜 100 分）ではやや誤差が増加した（RF：0.0023 〜 0.0418; GB：0.0013 〜 0.0164; XGB：0.0020 〜 0.0240）。この傾向は、消失相における代謝・分布過程の複雑化により、モデルが濃度変化を捉えにくくなることを反映していると考えられる。 また、Cp 値が高い時間帯では予測誤差が小さく、
元のページ ../index.html#98