Predicción de Diagnóstico Médico con Manejo Estratégico de Datos Faltantes
Scénario de test & Cas d'usage
Contexto empresarial
Un proveedor de atención médica está construyendo un modelo para predecir la probabilidad de una enfermedad basándose en los resultados de las pruebas de los pacientes. Los datos de los pacientes a menudo tienen valores faltantes para ciertas pruebas no estándar. El objetivo es comparar cómo diferentes estrategias para manejar los datos faltantes afectan el rendimiento y la base de observaciones del modelo.
Sobre el conjunto : bart
Modelos de árboles de regresión aditiva bayesiana.
Crea una tabla de pacientes ('datos_pacientes') donde las variables 'colesterol_hdl' y 'prueba_especial' contienen valores faltantes (representados por '.') en aproximadamente el 20% de los casos. La variable objetivo es 'enfermedad'.
¡Copiado!
data casuser.datos_pacientes(caslib='casuser');\n call streaminit(99);\n do i = 1 to 2000;\n presion_sistolica = 100 + floor(rand('UNIFORM') * 80);\n colesterol_hdl = 30 + floor(rand('UNIFORM') * 60);\n prueba_especial = 0.1 + rand('UNIFORM') * 2.5;\n if rand('UNIFORM') < 0.2 then call missing(colesterol_hdl);\n if rand('UNIFORM') < 0.2 then call missing(prueba_especial);\n log_odds = -3 + (presion_sistolica/50) - (colesterol_hdl/30) + (prueba_especial*0.8);\n if missing(colesterol_hdl) then log_odds = log_odds + 0.5;\n prob = 1 / (1 + exp(-log_odds));\n enfermedad = rand('BERNOULLI', prob);\n output;\n end;\nrun;
Ejecutar bart.bartProbit con missing='SEPARATE'. Esta estrategia trata los valores faltantes como una categoría informativa separada, utilizando todas las observaciones.
El primer modelo (missing='SEPARATE') debe utilizar las 2000 observaciones, como se indica en la tabla 'Número de Observaciones' de los resultados. El segundo modelo (missing='NONE') debe utilizar un número significativamente menor de observaciones (aproximadamente 1280, dado el 20% de faltantes en dos variables independientes). La comparación de los resultados de ambos modelos permite al analista decidir si la información contenida en la 'ausencia' de un valor es predictiva y si vale la pena incluir esas observaciones.
