Mary Loveless, ingénieure système senior JMP, SAS
Ruth Hummel, PhD, Ambassadrice académique JMP, SAS
Le diabète est une maladie chronique qui touche près d'un habitant américain sur douze et coûte environ 250 milliards de dollars par an rien qu'aux États-Unis. Dans cette présentation, nous utilisons des données sur les patients diabétiques et les résultats hospitaliers afin d'identifier les facteurs clés liés aux réadmissions pour diabète et de prédire la probabilité de réadmission à l'aide de techniques de modélisation modernes. L'ensemble de données, accessible au public via le référentiel d'apprentissage automatique de l'UC Irvine, comprend dix années de données (1999-2008) sur les soins cliniques et les données démographiques d'environ 70 000 patients répartis dans 130 hôpitaux et réseaux de soins intégrés. Ces données proviennent de la base de données Health Facts (Cerner Corporation) et ont été anonymisées et échantillonnées par le Centre de recherche clinique et translationnelle de l'Université Virginia Commonwealth avant d'être rendues publiques. À partir de ces données, nous illustrons les outils de préparation des données, démontrons des techniques de visualisation interactive et abordons l'importance de la validation pour évaluer la précision des modèles. Nous construisons ensuite plusieurs modèles exploratoires et prédictifs, notamment la régression logistique, les forêts bootstrap et les arbres boostés, les réseaux de neurones et la régression pénalisée (LASSO, réseau élastique et ridge). Nous comparons interactivement les modèles concurrents, évaluons les risques d'erreur de classification et sélectionnons le(s) meilleur(s) modèle(s). Enfin, nous générons un code de scoring pour déployer le modèle sélectionné sous forme d'application web interactive.
