Mary Loveless, JMP Senior Systems Engineer, SAS
Ruth Hummel, PhD, JMP Academic Ambassador, SAS
Il diabete è una malattia cronica, colpisce quasi uno su 12 residenti negli Stati Uniti e costa circa $ 250 miliardi all'anno negli Stati Uniti da soli. In questo discorso utilizziamo i dati sugli esiti del paziente diabetico e dell'ospedale per identificare i fattori chiave relativi alle riammissioni diabetiche e per predire la probabilità di riammissione usando le moderne tecniche di modellizzazione. Il set di dati, che è disponibile pubblicamente dal UC Irvine Machine Learning Repository, comprende 10 anni di dati (1999-2008) sull'assistenza clinica e informazioni demografiche per circa 70.000 pazienti in 130 ospedali e reti di consegna integrate. Questi dati provengono dalla banca dati sui fatti di salute (Cerner Corporation) e sono stati de-identificati e campionati dal Centro per la ricerca clinica e traslazionale presso la Virginia Commonwealth University prima di essere resi disponibili pubblicamente. 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. Costruiamo quindi diversi modelli esplorativi e predittivi, tra cui regressione logistica, foreste bootstrap e alberi potenziati, reti neurali e regressione penalizzata (LASSO, rete elastica e cresta). Confrontiamo interattivamente modelli in competizione, valutiamo i rischi di errata classificazione e selezioniamo il / i modello / i migliore / i. Infine, generiamo il codice del punteggio per distribuire il modello selezionato come un'applicazione interattiva basata sul web.
