因果推論を用いたポジショニングが患者の褥瘡発生率に与える影響（1）
【はじめに】 ポジショニングに関する仮想データを生成し、因果推論を用いて解析するシミュレーションモデルの例題を作成しました。このシナリオでは、ポジショニングが患者の褥瘡発生率に与える影響を調べます。そこで、 高齢者の褥瘡（じょくそう）発生リスク を予測するためのロジスティック回帰モデルを構築・評価するPythonコードを示します。 【例題の設定と前提条件】 仮想データセット : 1000 人の患者を想定し、それぞれについてポジショニングの質（良い / 悪い）、年齢、性別、既存の健康状態（良好 / 中等度 / 悪い）、褥瘡発生（はい / いいえ）のデータを生成します。 因果推論の目的 : ポジショニングの質が褥瘡発生にどの程度影響を与えるかを推定します。 統計モデル : ロジスティック回帰モデルを使用し、ポジショニングの質が褥瘡発生の確率に与える影響を分析します。 【 Python コード】 import numpy as np import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report # 仮想データの生成 np.random.seed(0) # 乱数生成のシードを設定します。これにより、毎回同じ乱数が生成されるようになり、結果が再現可能になります。 data_size = 1000 # データセットのサイズを 1000 と定義します。つまり、 1000 人分のデータを生成します。 age = np.random.normal(70, 10, data_size) # 正規分布に従う年齢データを生成します。平均年齢は 70 歳、標準偏差は 10 です。 1000 個の年齢データが生成されます。 gender = np.random.choice([' 男性 ', ' 女性 '], data_size) #1000 個の「男性」または「女性」の性...