/ml_hospital_health_care_study

Primary LanguageJupyter Notebook

Estudio de atención en salud

Introducción

Tres fases sine qua non:

1. Análisis exploratorio de datos

2. Transformar y preparar los datos adecuadamente

3. Modelamiento y evaluación

Todo

  • Entender la problemática y comprender los datos.
  • Realizar el análisis exploratorio de los datos y prepararlos (EDA) para el siguiente TO-DO.
  • Experimentar con los modelos de machine learning en un contexto real.
  • Usar las métricas correspondientes para medir el performance de los modelos.
  • Seleccionar el mejor modelo.

1. Análisis exploratorio de los datos

Conseguiremos informacion a partir de los datos, por ejemplo, de historias clínicas o registros de prestadores de servicios de salud. De esta manera, se pueden emitir diagnósticos predictivos, evaluar la efectividad de estrategias de intervención y anticipar comportamientos en escenarios relacionados con la atención.

Planteamiento de la problematica.

Nuestro cliente desea saber las características más importantes que tienen los pacientes de cierto tipo de enfermedad que terminan en hospitalización. Fue definido como caso aquel paciente que fue sometido a biopsia prostática y que en un periodo máximo de 30 días posteriores al procedimiento presentó fiebre, infección urinaria o sepsis; requiriendo manejo médico ambulatorio u hospitalizado para la resolución de la complicación y como control al paciente que fue sometido a biopsia prostática y que no presentó complicaciones infecciosas en el período de 30 días posteriores al procedimiento.

Dado que tienen en su base de datos algunos datos referentes a los pacientes y resultados de exámenes diagnósticos, de pacientes hospitalizados y no hospitalizados, nos han entregado esta información.

Para ello, nuestro departamento de datos ha recopilado:

  • Antecedentes del paciente
  • Morbilidad asociada al paciente
  • Antecedentes relacionados con la toma de la biopsia
  • Complicaciones infecciosas

En la siguiente tabla, se encuentra un diccionario de datos asociado:

image

Consideraciones

  • Mantener todo ordenado.
  • Formato py o ipynb.
  • Explicar claramente cada paso realizado mediante comentarios o markdown.
  • Cualquier persona debe entender de la mejor manera posible cada razonamiento y pasos aplicados.
  • README acorde que sirva de introducción.

El cliente desea saber:

  • Las características más importantes que tienen los pacientes de cierto tipo de enfermedad que terminan hospitalizados.

  • Crear un modelo predictivo de clasificación para la variable objetivo: Hospitalización.