Mary Loveless, leitender JMP-Systemingenieur, SAS
Ruth Hummel, JMP-Botschafterin, SAS
Diabetes ist eine chronische Krankheit, von der fast jeder 12. Einwohner der Vereinigten Staaten betroffen ist. Allein in den USA werden jährlich rund 250 Milliarden US-Dollar verursacht. In diesem Vortrag verwenden wir Daten zu Diabetes-Patienten- und Krankenhausergebnissen, um Schlüsselfaktoren im Zusammenhang mit Diabetiker-Wiederaufnahmen zu ermitteln und die Wahrscheinlichkeit einer Wiederaufnahme mit modernen Modellierungstechniken vorherzusagen. Der Datensatz, der öffentlich aus dem UC Irvine Machine Learning Repository verfügbar ist, umfasst Daten aus zehn Jahren (1999-2008) zur klinischen Versorgung und demografische Informationen für rund 70.000 Patienten in 130 Krankenhäusern und integrierten Versorgungsnetzen. Diese Daten stammen aus der Health Facts-Datenbank (Cerner Corporation) und wurden vom Zentrum für klinische und translationale Forschung an der Virginia Commonwealth University vor der Veröffentlichung öffentlich identifiziert und identifiziert. Anhand dieser Daten veranschaulichen wir Werkzeuge zur Datenaufbereitung, demonstrieren interaktive Visualisierungstechniken und diskutieren die Wichtigkeit der Validierung für die Beurteilung der Modellgenauigkeit. Anschließend bauen wir verschiedene Modelle für Erkundung und Vorhersage, einschließlich logistischer Regression, Bootstrap-Wälder und verstärkter Bäume, neuronaler Netzwerke und bestrafter Regression (LASSO, elastisches Netz und First). Wir vergleichen konkurrierende Modelle interaktiv, bewerten die Risiken einer Fehlklassifizierung und wählen die besten Modelle aus. Schließlich generieren wir Scoring-Code, um das ausgewählte Modell als interaktive webbasierte Anwendung bereitzustellen.
