溺死温度を推定するための血液生化学指標の利用精度を向上させるために、本研究では溺死したSDラットの新鮮な心臓血を用いて生化学検査を行い、統計検定と機械学習を用いて溺死温度と血液生化学指標の回帰モデルを構築した。血液中の14種類の生化学指標を測定し、正規性検定、分散均質性検定、分散分析、事後検定、および相関分析を行い、K近傍回帰（KNN）モデルを用いて重要な特徴指標を選択し、ベンチマークと回帰モデルの構築を行い、最後にモデルのハイパーパラメータ調整、評価、解釈を行った。結果は、14種類の生化学指標が異なる温度において正規分布に従い、群内平均に有意差があり（p<0.05）、18.6％の群間のペア比較で有意差がなかった。各指標間の多重共線性は低かった（<70％）。回帰モデルでは、アルカリホスファターゼ（ALP）、γ-グルタミルトランスペプチダーゼ（GGT）、クレアチニン（Cr）、尿酸（UA）、尿素（UREA）、高密度リポタンパクコレステロール（HDL_C）、コレステロール（CHO）、トリグリセリド（TG）、Ca²⁺およびMg²⁺の10種類の生化学指標を重要特徴として選択し、それらを特徴量としたKNN回帰モデルを構築した。ハイパーパラメータ調整後のテストセットの二乗平均平方根誤差（RMSE）は1.872、決定係数（R²）は0.9792であった。Mg²⁺、TG、ALPの3つの指標がモデルに最も大きな影響を及ぼし、全て負の影響であった。従来の回帰モデルと比較して、本研究で構築した回帰モデルはサンプルデータを十分に活用し、データ前処理が簡単で精度が高く、解釈性に優れ、溺死温度の推定に適している。

溺死温度;血液生化学;溺死;機械学習