セクション1: 特徴量とは
特徴量（Feature）は、機械学習モデルに入力するデータの各変数のことです。モデルはこの特徴量を手がかりにして予測を行います。医療データでは、次のような型が入力になります。
年齢、血圧、HbA1c、体重、BMI
性別、血液型、診断名、投薬歴
バイタルサインの経時変化、検査値の推移
カルテの記述、病歴要約
X線、CT、MRIから抽出した特徴
視点
「データは新しい石油、特徴量は精製された燃料」
同じデータセットでも、特徴量の作り方次第でモデルの性能は劇的に変わります。複雑なモデルを使うよりも、適切な特徴量を設計する方が性能向上に効果的なケースは少なくありません。医療分野では、臨床知識に基づいた特徴量設計が特に重要です。
セクション2: 特徴量の前処理
医療データでは欠損値が非常に多く発生します。検査が実施されなかった、記録が漏れた、など理由は様々です。主な処理方法は次の4つです。
欠損値の主な処理方法
削除
欠損が少ない場合に欠損行・列を削除する
平均値/中央値補完
数値データを代表値で補完する
最頻値補完
カテゴリデータを最も頻度の高い値で補完する
多重代入法
統計モデルで複数の補完値を生成する
注意
医療データの欠損は「情報」でもある
検査が実施されなかった理由自体が重要な情報を持つ場合があります。例えば、緊急度の高い患者には特定の検査がスキップされることがあり、「欠損していること」自体が患者の重症度を示唆している可能性があります。単純に補完するだけでなく、欠損パターンの分析も検討しましょう。
スケーリングは、異なるスケールの特徴量を揃える処理です。標準化（Standardization）は平均0・標準偏差1に変換し、外れ値が多い場合はロバストスケーリング（中央値・四分位範囲を使う）を検討します。正規化（Min-Max Normalization）は0〜1の範囲に変換しますが、外れ値の影響を最も受けやすい方法です。
カテゴリ変数は数値に変換する必要があります。カテゴリを整数に変換する「ラベルエンコーディング」、各カテゴリを0/1のバイナリ列にする「ワンホットエンコーディング」、カテゴリを目的変数の平均値で置き換える「ターゲットエンコーディング」が代表的な手法です。
セクション3: 特徴量の選択
すべての特徴量を使えば良いわけではありません。不要な特徴量は、モデルの過学習を招き、計算コストを増加させ、ノイズを増やして予測精度を下げます。
特徴量選択の3つの手法
フィルター法
相関係数・カイ二乗検定・分散など統計的指標で評価。計算が高速
ラッパー法
前向き選択法・後ろ向き除去法など、モデルの性能を基準に組み合わせを探索。精度は高いがコストも高い
埋め込み法
LASSO回帰やランダムフォレストの重要度など、学習過程で特徴量の重要度を評価。精度とコストのバランスが良い
セクション4: 特徴量の作成
医療分野では、臨床知識を活かした特徴量の作成が大きな効果を発揮します。
視点
臨床スコアという「手作り特徴量」
医療で広く使われている臨床スコア（APACHEスコア、Childスコア、CHA₂DS₂-VAScスコアなど）は、医学知識に基づいて人間が設計した「特徴量」と言えます。これらを機械学習モデルの入力特徴量として組み込むことで、既存の医学知識をモデルに反映できます。
特徴量作成の例
比率の計算
好中球/リンパ球比（NLR）、BUN/クレアチニン比
変化量の計算
検査値の前回からの変化量、変化率
時間特徴量
入院からの経過日数、最終投薬からの時間
集約特徴量
過去7日間の最大血圧、検査値の移動平均
複数の特徴量の組み合わせから新しい特徴量を作る「相互作用特徴量」もあります。年齢×血圧（高齢高血圧リスク）のような積、収縮期血圧−拡張期血圧（脈圧）のような差、特定の年齢層かつ特定の検査値異常のような条件付きの組み合わせが代表例です。
重要な洞察：特徴量エンジニアリングの実践
視点
「ゴミを入れればゴミが出る」
機械学習では「Garbage In, Garbage Out」（GIGO）という原則があります。どれほど高度なアルゴリズムを使っても、入力する特徴量の質が低ければ有用な予測はできません。特徴量エンジニアリングは、モデルの性能を決定づける最も重要なステップの一つです。
実践的なアドバイス：
- ドメイン知識を活用する：臨床医の知識は最も価値のある特徴量設計のヒント
- 探索的データ分析（EDA）を先に行う：データの分布や相関を可視化してから特徴量を設計する
- 反復的に改善する：一度で完璧な特徴量を作る必要はない。モデルの性能を見ながら繰り返し改善する
明日のアクション
血液検査データ（白血球数、赤血球数、ヘモグロビン、血小板数、CRP、アルブミンなど）を使って敗血症を予測するモデルを構築するとします。臨床知識に基づいて、元のデータからどのような新しい特徴量を作成できるか、最低5つ考えてみましょう。
セルフチェック
1. 医療データで欠損値が発生した場合、最も注意すべき点は何ですか？
2. 特徴量選択を行う目的として適切でないものはどれですか？
3. 好中球/リンパ球比（NLR）は、特徴量エンジニアリングのどの手法に該当しますか？