Daten zu Krankenhauseinweisungen zur Sepsis-VorhersageSepsis ist eine lebensbedrohliche Erkrankung, die auftritt, wenn die Reaktion des Körpers auf eine Infektion zu Gewebeschäden, Organversagen oder zum Tod führt. Tatsächlich kostet Sepsis US-Krankenhäusern mehr als jeder andere Gesundheitszustand, und ein Großteil dieser Kosten entfällt auf Sepsis-Patienten, bei denen bei der Aufnahme keine Diagnose gestellt wurde. Daher wäre eine frühzeitige Erkennung und Behandlung von entscheidender Bedeutung für die Verbesserung der Ergebnisse. In dieser Sitzung werden wir einen tatsächlichen klinischen Datensatz untersuchen, der von zwei US-Krankenhäusern erhalten und kürzlich auf Kaggle veröffentlicht wurde. Insbesondere werden wir eine Reihe von Prädiktoren untersuchen, die aus einer Kombination von Vitalfunktionen, demografischen Gruppen und klinischen Labordaten stammen. Wir werden JMP verwenden, um Probleme wie fehlende Werte, Ausreißer und eine stark unausgeglichene, kategoriale Ergebnisvariable zu behandeln. Darüber hinaus zeigen wir, wie Visualisierung, Interaktivität und Analysefluss zu einer kompakteren und integrierteren Analyse führen können – und zu einer kürzeren Zeit bis zur Entdeckung.
Die bereitgestellten Tabellen enthalten dieselben Rohdaten in einer CSV-Datei und in einer JMP-Datentabelle. Hier sind einige Links, die zusätzliche Informationen bieten:
Intensivmedizin
Kaggle-Daten
PhysioNet
Explorative DatenanalyseBiowissenschaftenPrädiktive Modellierung und Data MiningBetreff: Krankenhauseinweisungsdaten zur Sepsis-VorhersageVon der Verwendung dieses Datensatzes würde ich abraten.Ich habe diese Daten im Vergleich zu den viel komplexeren Daten untersucht, aus denen sie abgeleitet wurden.In den Originaldaten gab es für jeden Intensivpatienten eine Datei mit stündlichen Daten während seines Aufenthalts auf der Intensivstation.Der hier übermittelte Datensatz enthält eine Zeile für jeden Patienten.Ich habe die Art und Weise, wie dieser Datensatz erstellt wurde, rückentwickelt: Für jeden nicht-septischen Patienten wurde eine zufällig ausgewählte Stunde aus der Patientenakte gemeldet (einige Patienten hatten Hunderte von Stunden auf der Intensivstation, andere weitaus weniger).Für septische Patienten werden in der Datendatei die stündlichen Messwerte ab 7 Stunden nach dem ersten Auftreten der Sepsis angezeigt.Die Challenge-Daten, aus denen sie gewonnen wurden, erklären jedoch, dass die Sepsis-Variable bereits als 1 aufgezeichnet wird, wenn eine Sepsis mindestens 6 Stunden früher festgestellt wurde – die stündlichen Aufzeichnungen zu diesem Zeitpunkt könnten also zur Vorhersage verwendet werden, ob jemand an Sepsis erkrankt oder nicht.Da diese Datei unter Verwendung der stündlichen Messwerte erstellt wurde, die 7 Stunden früher als in der Originaldatei mit Sepsis=1 gemeldet wurden, wird dadurch die Zeitverschiebung in den Originaldaten im Wesentlichen rückgängig gemacht.Mit anderen Worten: Wenn in der hier eingereichten Datei „Sepsis=1“ angezeigt wird, sehen wir uns die stündlichen Messwerte an, während die Person septisch ist, und nicht sechs Stunden zuvor.Daher sind diese Messwerte für die frühzeitige Vorhersage einer Sepsis nicht hilfreich (sie gehen mit einer bereits aufgetretenen Sepsis einher).Natürlich werden Sie feststellen, dass die Vorhersagemodelle in diesem Datensatz sehr gut sind (AUC > 0,9), aber überhaupt nicht nützlich.Es ist jedoch ein gutes Beispiel für Zielleckage.
