機械学習による生存予測

Confidential. Copyright © DataRobot, Inc. - All Rights Reserved
「機械学習の自動化が AIの民主化を加速する」
スケジュール
18:30-19:00　受付
19:00-19:15　準備（環境、データ）
19:15-19:20　お知らせ
19:20-19:30　生存分析と打切り
19:30-20:00　生存分析の手法
20:00-20:30　汎用的機械学習で生存予測
20:30-20:50　演習（犯罪予測）
20:50-21:00　まとめ、質問、アンケート
機械学習による
生存予測
1

生存分析と
打切り
2

生存分析 for improved quality of life
3
● ヘルスケア（生存分析）
○ 患者がいつ死亡するか
○ 患者がいつ入院するか
○ 患者がいつ病気にかかるか
● 製造（Failure Time 分析）
○ 機械がいつ故障するか
○ 材料がいつ耐えられなくなるか
○ 商品がいつ使えなくなるか
● その他（Time to Event 分析）
○ 顧客がいつ離脱するか
○ 犯罪者がいつ再逮捕されるか
○ 会社がいつ倒産するか
○ いつ結婚するか、離婚するか
薬の研究開発リスク管理ケア変更リソース管理

生存分析ではある事象が起こるまでの時間を分析する
4
医師によるECOG
パフォーマンス点数
0=good 3=poor
医師によるKarnofsky
0=poor 100=good
患者によるKarnofsky
0=poor 100=good

打切りがあるので、連続値回帰で予測できない
5
観察開始観察終了
肺がんで死亡
交通事故で死亡
脱落
生存

解決法打切りなし→生存時間を直接予測
6
打切りあり→生存時間を直接予測できない

生存分析の手法
7

Kaplan-Meier法で生存曲線の比較
ある時点での生存確率 = その時点での生存者数をその時点で
の対象者数で割る
P_i = (S - D - C) / (S - C)
S = その時点まで生存した人数
D = その時点で死亡した人数
C = その時点で打切りになった人数
この時点より前の打切りはこの時点より前の死亡と同様に対象
者に含まれない
この時点でまだ打切りでないものは対象者に含まれる
P_iの掛け算をして生存曲線を生成
8

Kaplan-Meier法で生存曲線を作ってみましょう
9
1. Time
各時間の準備
2. At Risk
各時間で対象者数の計算
3. Failed
各時間で死亡者数の計算
4. Fail Rate
Failed / At Risk
5. Survival Rate
1 - Fail Rate
6. Survival Curve
Survival Rateの掛け算

Cox PH 回帰
Kaplan-Meier法では複数の要因が生存に及ぼす影響を見ることができない
このような場合に活用できる手法にCOX比例ハザードモデルというものがある
λ(t|x1, · · · , xn) = λ0(t) exp(β1x1 + · · · + βnxn)
ハザードλはベースラインハザードのλ0と特徴量に依存
10

最新のアルゴリズムでやるには...
11

汎用的機械学習
で生存予測
12

© DataRobot, Inc. All rights reserved.
データの前処理
13

Person-Periodデータの作成
データを期間に分割し、各期間生存するかを学習し、将来の各期間について予測
注意点：時間の情報が何らかの形で特徴量セットに含まれているということ
ID 時間死打ち切り薬１薬２
Ann 2年 1 0 120 180
Ben 2年 0 1 130 110
Cindy 1年 1 0 80
ID 時間死薬
Ann 1年 0 120
Ann 2年 1 180
Ben 1年 0 130
Ben 2年 0 110
Cindy 1年 1 80
14

Person-PeriodデータでKaplan-Meier生存曲線を作ってみよう
15
1. Time: 一人を期間ごとに
2. Status: もともと1であれば、最後の期間が１
3. Insert PivotTable

From Person-Level データ...
16

To Person-Periodデータ
17

Person-PeriodデータでKaplan-Meier生存曲線
18
Rと同じ曲線

© DataRobot, Inc. All rights reserved.
モデリング
19

DataRobotで死亡予測
20

Person-PeriodデータをDataRobotにドラッグ＆ドロップ
21

高度なオプションでグループパーティション
注意点：同じ患者のデータの一部が学習に使われて残りが検定に使われることを防ぐこと
22

データタブで生存月数と過去の死亡率の関係
23

特徴量のインパクト、モデルX-Rayでモデルを元に解釈
24

各期間で予測、生存確率を掛け算して生存曲線
25

演習：犯罪がいつ起こる
か予測してみよう
26

DataRobotで犯罪予測（演習20分）
1. Person-PeriodデータをDataRobotにドラッグ＆ドロップ、ターゲットをセット
2. 高度なオプションでグループパーティション
3. データタブで生存月数と過去の死亡率の関係
4. 特徴量のインパクト、モデルX-Rayでモデルを元に解釈
5. 各期間で予測、生存確率を掛け算して生存曲線（時間があれば）
27
各テーブルでRossi
データを使用して釈
放されてからいつ逮
捕されるかを予測し
てみましょう。
いくつかのテーブル
に発表していただき
ます。

まとめ
28

Person-periodのデータを準備することで...
● 最新のアルゴリズムを使用して精度をあげることができるかもしれない
○ ケア変更、リソース管理、リスク管理に貢献できる
● DataRobotで分析をして、特徴量のインパクトやモデルX-Rayなどを見ることによっ
て、Kaplan-Meier曲線やCox回帰とは違ったインサイトを得ることができる
○ 要因分析や予測値の理由を見ることができる
29
薬の研究開発リスク管理ケア変更リソース管理

Questions?
DataRobot Japan Team
@ DataRobot
30

機械学習による生存予測

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Ähnlich wie 機械学習による生存予測

Ähnlich wie 機械学習による生存予測 (6)

機械学習による生存予測