问从索赔数据中的过去情况预测下一次医疗状况

EN

我从来没有研究过医疗数据，但从一般的推理来看，我认为医疗保健中的变量之间的关系相当复杂。不同的模型，如随机森林模型、回归模型等，只能捕捉到部分关系，而忽略了其他模型。在这种情况下，使用一般的统计探索和建模是有意义的。

例如，我要做的第一件事就是找出可能的前兆条件和诊断之间的相关性。在慢性肾脏疾病的病例中，有多大比例的病例出现了长时间流感？如果它是高的，它不一定意味着因果关系，但给了相当好的思考，并有助于更好地理解不同条件之间的关系。

另一个重要步骤是数据可视化。CKD发生在男性多于女性吗？他们的居住地呢？CKD病例按年龄分布如何？很难将大型数据集作为一组数字来掌握，绘制出来使其变得更容易。

当您知道发生了什么事时，执行假设检验检查您的假设。如果你拒绝零假设(基本假设)而支持替代假设，恭喜你，你已经做了一些“真实的事情”。

最后，当您对数据有了很好的理解时，请尝试创建完整的模型。它可能是一些通用的东西，比如PGM (例如手工构建的贝叶斯网络)，或者更具体的东西，比如线性回归或支持向量机，或者任何东西。但是无论如何，您都已经知道这个模型如何与您的数据相对应，以及如何度量它的效率。

作为学习统计方法的良好开端资源，我推荐Sebastian的统计介绍课程。虽然它非常基本，不包括高级主题，但它描述了最重要的概念，并系统地理解了概率论和统计。

虽然我不是一名数据科学家，但我是一名流行病学家，从事临床工作。您的研究问题没有具体说明一个时间段(即在1年、10年、一生中发生CKD的几率)。

通常，在考虑建模(单变量分析、双变量分析、colinearity检查等)之前，我会经历许多步骤。然而，最常用的方法试图预测一个二进制事件(使用连续或二进制变量)是logistic回归。如果你想把CKD作为实验室值(尿白蛋白，eGFR)，你可以使用线性回归(连续结果)。

虽然所使用的方法应该根据您的数据和问题提供信息，但临床医生习惯于看到比数比和风险比，因为这些是医学期刊(如NEJM和JAMA )中最常见的关联度量。

如果您正从人类健康的角度(而不是商业智能)来处理这个问题，那么这个Steyerberg的临床预测模型是一个很好的资源。

找出最有影响的前兆疾病(共患病)，如慢性肾脏疾病

我不确定是否有可能确定最有影响的条件；我认为这将取决于您所使用的模型。就在昨天，我对同一数据拟合了一个随机森林和一个增强的回归树，每个模型对变量的顺序和相对重要性都有很大的不同。