euavdetcderProrrEderauqSnaeM(ng/mL)10 2.510 2.010 1.510 1.010 0.510 0.010 -0.510 -1.010 -1.0(ng/mL)10 0.010 0.510 -0.510 1.5Concentration at target time10 1.010 2.030min50min 100minTotal時間経過ML model0.160.140.120.100.080.060.040.020.005min15minPPK modelABli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 図 4 実臨床データの投与開始時点からの時間経過データセットでの評価結果提案手法（オレンジ）と従来手法（PPK モデル）（緑）の比較結果を示している。(A) 各時間での MSE の値を示している。なお、提案手法は計算速度が速いため、5-fold CV での結果を示している。(B) 予測値と実測値の散布図を示している。時間ごとにマークは変えている。文献 14）より引用、改変。低濃度域（終末相）で誤差が増大する傾向も確認された。これは、低濃度域における測定ノイズや個体差の影響と考えられる。それでもなお、100 分時点においても ML モデル（RF, GB, XGB）のMSE は平均値法より大幅に低く、後期時間帯でも安定した予測性能を維持していた。 以上から、ML モデルは投与初期から後期にかけて一貫して高精度な予測を実現し、特に 5 〜30 分の範囲ではほぼ完全な再現性を示すことが明らかとなった。実臨床データセットにおける予測性能の評価 バーチャルデータセットでの検証に加え、レミフェンタニルの実臨床データセットを用いて MLモデルを構築し、PPK モデルと比較した。MLモデルとして RF、GB、XGB を実装したが、仮想データで高精度を示した RF モデルを中心に解析を行った。 5 分割交差検証により評価した結果、RF モデル の全体平均 MSE は 0.0405 ± 0.0132 であり、PPKモデルの 0.0508 よりわずかに低値を示した（図 4A）。対応する R2 値も RF モデルで 0.9606 ± 0.0117、PPK モデルで 0.9573 と、両者は同等ながら RF が わずかに上回る結果となった。これらは、MLモデルが実臨床データに対しても高い再現性を維持できることを示している。 時間点ごとの MSE 比較では、投与初期（5 および15 分）において RF モデルは PPK モデルより低誤差を示した（PPK：0.0186, 0.0374; RF：0.0068 ± 0.0012, 0.0307 ± 0.0188）。一方、中間時間帯（30および 50 分）では PPK モデルの MSE（0.0154, 0.0479） が RF モ デ ル（0.0574 ± 0.0224, 0.0792 ± 0.0297）より低く、濃度が高い時間帯では PPKモデルが有利であることが示唆された。 投与後 100 分では RF モデルの MSE（0.0283 ± 0.0046）が PPK モデル（0.1349）より大幅に低く、消失相の低濃度域では ML モデルの方が高い予測精度を示した。図 4B の対数変換散布図においても、低濃度領域（log 濃度 − 1.0 〜 − 0.5）で RF モデルは PPK より良好に観測値を再現し、中間濃度域 （− 0.5 〜 1.0）では PPK モデルの方がやや安定していた。83
元のページ ../index.html#99