Data Preparation - Case Study从理解到准备：数据科学方法论 101 – 数据准备 (案例研究篇)

1. 阶段应用概述

数据准备在本质上类似于清洗刚采摘的蔬菜，旨在去除不需要的元素，如污垢或瑕疵。现在，我们来看看在案例研究中如何应用数据准备的概念。

在数据准备阶段，一个重要的首要步骤是精确定义充血性心力衰竭 (Congestive Heart Failure, CHF)。

• 定义复杂性：尽管这听起来很简单，但精确地界定它并非易事。
• 临床指导：首先，需要识别与 CHF 相关的诊断相关组 (DRG) 代码集，因为 CHF 意味着某种体液积聚。此外，还需考虑 CHF 只是心力衰竭的一种类型。因此，需要临床指导来获取正确的 CHF 代码。

2. 定义再入院标准与事件定序

再入院标准的界定

下一步涉及定义相同病情的再入院标准。

• 事件评估：需要评估事件的时间安排，以确定特定的 CHF 入院是初始事件（称为“起始入院”Index Admission），还是与 CHF 相关的再入院。
• 再入院窗口：基于临床专业知识，确定从初次入院出院后的 30 天为与 CHF 患者相关的再入院窗口期。

3. 事务性数据聚合与特征创建

数据的原始状态

原始记录处于事务性格式，这意味着数据包含每位患者的多条记录。

• 事务性记录内容：
  • 提交给医生、实验室、医院和临床服务的专业医疗服务提供者设施索赔记录。
  • 描述所有诊断、程序、处方以及住院和门诊患者的其他信息的记录。
• 数据量：根据临床病史，单个患者很容易拥有数百甚至数千条此类记录。

聚合至患者级别

随后，所有事务性记录被汇总至患者级别，为每位患者生成单条记录，以满足建模所使用的决策树分类方法的要求。

特征工程与共病考虑

• 创建新列：作为汇总过程的一部分，创建了许多新列来表示事务中的信息。
  • 例如：患者就诊医生、诊所和医院的频率和最近一次就诊时间，以及相关的诊断、程序、处方等。
• 共病考虑：还考虑了与 CHF 相关的共病 (Co-morbidities)，如糖尿病、高血压，以及许多其他可能影响 CHF 再入院风险的疾病和慢性病。

4. 文献回顾与数据整合

文献回顾的作用

在围绕数据准备的讨论中，还进行了关于 CHF 的文献回顾，以查看是否遗漏了任何重要的数据元素，例如尚未考虑在内的共病。

• 流程循环：文献回顾涉及循环回到数据收集阶段，以添加更多关于病情和程序的指标。

数据整合与最终表格

• 合并数据：在患者级别汇总事务性数据，意味着将其与患者的其他数据进行合并，包括他们的人口统计信息（如年龄、性别、保险类型等）。
• 最终产出：最终创建了一张包含单条记录/患者的表格，其中许多列代表了该患者及其临床病史的属性。这些列将作为预测建模中的变量使用。

5. 模型变量与最终队列

最终用于构建模型的变量列表如下：

• 因变量/目标变量 (Dependent Variable/Target)：在 CHF 住院出院后 30 天内是否因 CHF 再入院，结果为“是”或“否”。

最终队列的划分

数据准备阶段最终得到了一个包含 2,343 名符合本案例研究所有标准的患者队列。

随后，该队列被拆分为训练集和测试集，分别用于模型的构建和验证。

---

感谢收看！本视频结束了课程中**“数据准备”**的部分，我们已将关键概念应用于案例研究。