2-C-P-I2 半田 耕一¹、景山 倫治¹、岩田 浩明^{2  1 1}帝人ファーマ株式会社 生物医学総合研究所 動態・安全性研究部 創薬動態研究グループ、²京都大学 大学院医学研究科 人間健康科学系専攻 食と健康科学研究講座 ¹ 【目的】近年、機械学習を母集団薬物動態解析時の共変量選択に用いる研究が多く行われ、その重要性が増している。一方で、薬物の血漿中濃度(Cp)推移の予測を非線形混合効果モデルから機械学習に置き換える取り組みは数報が知られているものの、予測精度、適用患者数、投与条件など、検討課題は多い[1-3]。本研究では、モデルケースとしてremifentanilを用い、機械学習法による血漿中濃度予測をバーチャルデータ及び実データにて実施した。【方法】まず、文献[4]にて公開されているremifentanilの母集団PKパラメータを用いて、一意の投与条件におけるバーチャル患者を10,000例発生し、それぞれの血漿中濃度推移を取得した。データの偏りを減らすように患者を2,000例サンプリングし、8割をモデル（Random Forest）訓練用に選択し、説明変数として投与終了直後及び投与終了後30分のCp、さらに患者属性を用いて、その他の時間のCpを学習した。その後、残りの2割の患者にてテスト検証を実施した。次に、複数の投与条件(投与量、定速静脈内注入時間)を含む臨床データでの妥当性を検証するため、実データ（N=64）を文献[4]より取得し、ランダムに抽出した54例を訓練用患者、10例をテスト患者とし、同様の解析を行った。【結果・考察】バーチャルデータを用いたモデルの予測精度は、R2値 0.913、MSE 0.175であり、高い予測精度が示された。実データに対しては、R2値 0.970、MSE 0.021となり、本手法は薬物濃度推移予測に有用と考えられた。【結論】remifentanilを用いた本研究の結果より、母集団解析が難しい大規模データセットや患者ごとに投与時間・量が異なる実データに対して、機械学習モデルが適用できた。今後、経口投与など複雑なプロファイルを示す化合物への適用も期待できる。【参考文献】[1] BMC Med Inform Decis Mak. 2022;22(1):224. [2] J Int Med Res. 2009;37(6):1680-1691. [3] Int J Basic Clin Pharmacol. 2020;9(6):980. [4] Anesthesiology. 1997;86(1):10-23.