Mary Loveless, ingénieure principale des systèmes JMP, SAS
Ruth Hummel, PhD, Ambassadrice académique JMP, SAS
Le diabète est une maladie chronique qui touche près d’un habitant des États-Unis sur 12 et coûte environ 250 milliards de dollars par an rien qu’aux États-Unis. Dans cet exposé, nous utilisons des données sur les résultats des patients diabétiques et des patients hospitalisés pour identifier les facteurs clés liés aux réadmissions pour diabétiques et pour prédire la probabilité de réadmission à l'aide de techniques de modélisation modernes. L'ensemble de données, accessible au public depuis le référentiel UC Irvine Machine Learning, comprend 10 années de données (1999-2008) sur les soins cliniques et des informations démographiques sur environ 70 000 patients dans 130 hôpitaux et réseaux de distribution intégrés. Ces données proviennent de la base de données Health Facts (Cerner Corporation) et ont été désidentifiées et échantillonnées par le Center for Clinical and Translational Research de la Virginia Commonwealth University avant d'être rendues publiques. À l'aide de ces données, nous illustrons des outils de préparation des données, des techniques de visualisation interactive et des discussions sur l'importance de la validation pour évaluer la précision d'un modèle. 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 crête). Nous comparons de manière interactive des modèles concurrents, évaluons les risques de mauvaise classification et sélectionnons le (s) meilleur (s) modèle (s). Enfin, nous générons du code de scoring pour déployer le modèle sélectionné en tant qu'application Web interactive.
