Mary Loveless, JMP Senior Systems Engineer, SAS
Ruth Hummel, PhD, JMP Akademische Botschafterin, SAS
Diabetes ist eine chronische Krankheit, die fast jeden zwölften Einwohner der Vereinigten Staaten betrifft und allein in den USA jährlich Kosten von etwa 250 Milliarden US-Dollar verursacht. In diesem Vortrag verwenden wir Daten über Diabetespatienten und Krankenhausergebnisse, um Schlüsselfaktoren im Zusammenhang mit Wiederaufnahmen von Diabetikern zu identifizieren und die Wahrscheinlichkeit einer Wiederaufnahme mithilfe moderner Modellierungstechniken vorherzusagen. Der Datensatz, der öffentlich über das UC Irvine Machine Learning Repository verfügbar ist, enthält 10 Jahre Daten (1999–2008) zur klinischen Versorgung und demografische Informationen von ungefähr 70.000 Patienten in 130 Krankenhäusern und integrierten Versorgungsnetzwerken. Diese Daten stammen aus der Health Facts-Datenbank (Cerner Corporation) und wurden vom Center for Clinical and Translational Research der Virginia Commonwealth University anonymisiert und stichprobenartig ausgewertet, bevor sie öffentlich zugänglich gemacht wurden. Anhand dieser Daten veranschaulichen wir Tools zur Datenaufbereitung, demonstrieren interaktive Visualisierungstechniken und diskutieren die Bedeutung der Validierung zur Messung der Modellgenauigkeit. Anschließend erstellen wir verschiedene explorative und prädiktive Modelle, darunter logistische Regression, Bootstrap-Forests und Boosted Trees, neuronale Netze und bestrafte Regression (LASSO, Elastic Net und Ridge). Wir vergleichen interaktiv konkurrierende Modelle, bewerten das Risiko einer Fehlklassifizierung und wählen das/die beste(n) Modell(e) aus. Abschließend generieren wir Scoring-Code, um das ausgewählte Modell als interaktive webbasierte Anwendung bereitzustellen.
