Geschäftskontext
Ein Krankenhaus möchte das Risiko einer ungeplanten Wiedereinweisung von Patienten innerhalb von 30 Tagen nach der Entlassung vorhersagen. Die Patientendaten sind oft unvollständig und enthalten fehlende Werte bei wichtigen Indikatoren wie Blutdruck (intervall) und Raucherstatus (nominal). Dieser Test validiert die Fähigkeit der Aktion, mit fehlenden Daten umzugehen, indem sie diese imputiert oder als separate Kategorie behandelt.
Über das Set : bayesianNetClassifier
Klassifikation mit Bayes-Netzen.
Entdecken Sie alle Aktionen von bayesianNetClassifier Datenaufbereitung
Erstellung einer Patiententabelle mit fehlenden Werten in den Variablen 'blutdruck_systolisch' und 'raucherstatus'.
Kopiert!
| 1 | DATA work.patienten_daten; |
| 2 | call streaminit(456); |
| 3 | DO patient_id = 1 to 2000; |
| 4 | alter = 40 + floor(rand('Uniform') * 45); |
| 5 | IF rand('Uniform') < 0.7 THEN geschlecht = 'M'; ELSE geschlecht = 'W'; |
| 6 | /* 20% fehlende Blutdruckwerte */ |
| 7 | IF rand('Uniform') < 0.8 THEN blutdruck_systolisch = 100 + rand('Normal', 25, 10); ELSE blutdruck_systolisch = .; |
| 8 | /* 15% fehlende Raucherstatus-Werte */ |
| 9 | rand_raucher = rand('Uniform'); |
| 10 | IF rand_raucher < 0.5 THEN raucherstatus = 'Nichtraucher'; |
| 11 | ELSE IF rand_raucher < 0.85 THEN raucherstatus = 'Raucher'; |
| 12 | ELSE raucherstatus = ''; /* Fehlend */ |
| 13 | wiedereinweisung_wahrscheinlichkeit = 1 / (1 + exp(-( -3 + (alter/20) + (blutdruck_systolisch/100) + (raucherstatus='Raucher') ))); |
| 14 | IF rand('Uniform') < wiedereinweisung_wahrscheinlichkeit THEN wiedereinweisung_30t = 1; ELSE wiedereinweisung_30t = 0; |
| 15 | OUTPUT; |
| 16 | END; |
| 17 | RUN; |
Étapes de réalisation
1
Laden der Patientendaten mit fehlenden Werten in CAS.
Kopiert!
| 1 | |
| 2 | PROC CASUTIL; |
| 3 | load |
| 4 | DATA=work.patienten_daten outcaslib='casuser' casout='PATIENTEN_DATEN' replace; |
| 5 | RUN; |
| 6 |
2
Ausführen der bnet-Aktion mit Imputation für Intervallvariablen ('missingInt'='IMPUTE') und Behandlung fehlender Werte als neues Level für nominale Variablen ('missingNom'='LEVEL').
Kopiert!
| 1 | PROC CAS; |
| 2 | bayesianNetClassifier.bnet / |
| 3 | TABLE={caslib='casuser', name='PATIENTEN_DATEN'}, |
| 4 | target='wiedereinweisung_30t', |
| 5 | inputs={'alter', 'geschlecht', 'blutdruck_systolisch', 'raucherstatus'}, |
| 6 | nominals={'geschlecht', 'raucherstatus', 'wiedereinweisung_30t'}, |
| 7 | missingInt='IMPUTE', |
| 8 | missingNom='LEVEL', |
| 9 | structures={'MB'}, |
| 10 | OUTPUT={casout={caslib='casuser', name='patienten_vorhersage', replace=true}, copyvars={'patient_id'}}, |
| 11 | outNetwork={caslib='casuser', name='bnet_patienten_netzwerk', replace=true}; |
| 12 | RUN; |
3
Überprüfen der Ausgabetabelle, um sicherzustellen, dass für alle ursprünglichen Zeilen Vorhersagen generiert wurden.
Kopiert!
| 1 | PROC CAS; |
| 2 | TABLE.fetch / TABLE={caslib='casuser', name='patienten_vorhersage'}; |
| 3 | TABLE.numRows / TABLE={caslib='casuser', name='patienten_vorhersage'}; |
| 4 | TABLE.numRows / TABLE={caslib='casuser', name='PATIENTEN_DATEN'}; |
| 5 | RUN; |
Erwartetes Ergebnis
Die Aktion wird ohne Fehler ausgeführt. Die Ausgabetabelle 'patienten_vorhersage' enthält die gleiche Anzahl von Zeilen wie die Eingabetabelle 'PATIENTEN_DATEN', was zeigt, dass die Beobachtungen mit fehlenden Werten nicht verworfen, sondern wie angegeben verarbeitet wurden. Das Modell hat gelernt, fehlende Werte als Information zu nutzen.