Mary Loveless, JMP Senior Systems Engineer, SAS
Ruth Hummel, PhD, Ambasciatrice accademica JMP, SAS
Il diabete è una malattia cronica che colpisce quasi un residente su 12 negli Stati Uniti e che costa circa 250 miliardi di dollari all'anno solo negli Stati Uniti. In questa presentazione utilizziamo i dati sugli esiti dei pazienti diabetici e degli ospedali per identificare i fattori chiave correlati ai ricoveri ripetuti per diabete e per prevedere la probabilità di riammissione utilizzando moderne tecniche di modellazione. Il set di dati, disponibile al pubblico presso l'UC Irvine Machine Learning Repository, include 10 anni di dati (1999-2008) sull'assistenza clinica e sulle informazioni demografiche per circa 70.000 pazienti in 130 ospedali e reti di distribuzione integrate. Questi dati provengono dal database Health Facts (Cerner Corporation) e sono stati de-identificati e campionati dal Center for Clinical and Translational Research della Virginia Commonwealth University prima di essere resi pubblici. Utilizzando questi dati, illustriamo gli strumenti per la preparazione dei dati, dimostriamo le tecniche di visualizzazione interattiva e discutiamo l'importanza della convalida per valutare l'accuratezza del modello. Successivamente, costruiamo diversi modelli esplorativi e predittivi, tra cui regressione logistica, bootstrap forest e boosted tree, reti neurali e regressione penalizzata (LASSO, rete elastica e ridge). Confrontiamo interattivamente modelli concorrenti, valutiamo i rischi di classificazione errata e selezioniamo il/i modello/i migliore/i. Infine, generiamo il codice di scoring per distribuire il modello selezionato come applicazione web interattiva.
