Opis projektu

Wprowadzenie do problematyki projektu:

Cukrzyca jest jedną z najczęściej występujących chorób przewlekłych w Stanach Zjednoczonych, dotykając każdego roku miliony Amerykanów i stanowiąc znaczące obciążenie finansowe dla gospodarki. Cukrzyca to poważna choroba przewlekła, która może prowadzić do obniżenia jakości życia oraz skrócenia oczekiwanej długości życia. Skala tego problemu jest również istotna. Według danych Centers for Disease Control and Prevention (CDC) w 2018 roku 34,2 miliona Amerykanów miało cukrzycę, a 88 milionów miało stan przedcukrzycowy. Co więcej, CDC szacuje, że 1 na 5 chorych na cukrzycę i około 8 na 10 osób z prediabetes (stanem przedcukrzycowym) nie jest świadomych swojego ryzyka.

Chociaż cukrzycy nie da się wyleczyć całkowicie, strategie takie jak utrata wagi, zdrowe odżywianie, aktywność fizyczna oraz leczenie farmakologiczne mogą złagodzić skutki tej choroby u wielu pacjentów. Wczesna diagnoza może prowadzić do zmian stylu życia i skuteczniejszego leczenia, co sprawia, że modele predykcyjne oceny ryzyka cukrzycy są ważnym narzędziem dla lekarzy i urzędników zdrowia publicznego.

Opis zbioru danych użytego w projekcie:

System Monitorowania Czynników Ryzyka Zachowań Zdrowotnych (BRFSS) to coroczna ankieta telefoniczna dotycząca zdrowia, zbierana przez CDC. Każdego roku ankieta gromadzi odpowiedzi od ponad 400 000 Amerykanów we wszystkich 50 stanach na temat ryzykownych zachowań zdrowotnych, przewlekłych schorzeń oraz korzystania z usług profilaktycznych. BRFSS jest prowadzony nieprzerwanie od 1984 roku, co czyni go największym nieprzerwanie prowadzonym systemem ankiet zdrowotnych na świecie.

W ramach tego projektu użyto pliku w formacie SAS z danymi dostępnymi na stronie CDC dla roku 2019. Oryginalny zbiór danych zawiera odpowiedzi od 418268 osób i składa się z 342 cech. Te cechy to pytania bezpośrednio zadawane uczestnikom lub zmienne obliczone na podstawie indywidualnych odpowiedzi uczestników.Link do danych

Na potrzeby tej analizy tylko spośród wszystkich cech uwzględnione zostały tylko te czynniki, które są związane z czynnikami ryzyka cukrzycy. W wyborze odpowiednich cech bardzo pomocna była praca badawcza autorstwa Zidian Xie pt. „Building Risk Prediction Models for Type 2 Diabetes Using Machine Learning Techniques” z 2014 roku.

Cel projektu:

Głównym celem tego projektu jest odpowiedź na pytanie:

Czy pytania z ankiety BRFSS mogą dostarczyć dokładnych przewidywań dotyczących tego, czy dana osoba choruje na cukrzycę?

Wyniki:

Najlepszy wynik dla każdej metryki został osiągnięty przez XGBoostClassifier wyuczony na nadpróbkowanym zbiorze danych.

• Dokładność (Accuracy): Wynik 91,8% na zbiorze testowym – to bardzo dobry rezultat. Model błędnie sklasyfikował jedynie 8% przypadków spośród wszystkich klasyfikacji.
• F1-score: Wynik 92% - pokazuje, jak dokładnie model klasyfikuje przykłady jako "pozytywne" lub "negatywne", w naszym przypadku jako osoby zdrowe lub osoby z cukrzycą.
• AUC (Area Under the Curve): AUC mierzy zdolność klasyfikatora do rozróżniania między klasami i jest używana jako podsumowanie krzywej ROC. Im wyższe AUC, tym lepsza wydajność modelu w rozróżnianiu między klasami pozytywnymi i negatywnymi. Wynik 0,917 jest bardzo dobrym wynikiem — prawie 92% przypadków model prawidłowo rozróżnia klasy pozytywne i negatywne.
• Czułość (Recall): Wynik prawie 96,7% jest bardzo dobry. Tylko w 3 przypadkach na 100 model błędnie klasyfikuje osobę jako chorą. Model wydaje się być bardzo skuteczny w warunkach klinicznych, szczególnie dlatego, że wszystkie cechy są miarami nieinwazyjnymi.
• Precyzja (Precision): Wartość precyzji prawie 88% mówi nam, jak pewni możemy być, że dana osoba rzeczywiście cierpi na chorobę. Pokazuje to, jak dobrze test odróżnia osoby cierpiące na chorobę od osób, które jej nie mają. Prawie w 9/10 przypadków możemy być pewni, że model poprawnie przewiduje cukrzycę u osoby, która faktycznie na nią choruje.

Zdięcie wykonane przezmacrovectorz Freepik.