Python 資料科學應用 — 血液透析之血壓預測模型

摘要

聽眾可以透過本講題更了解： 如何以 Python 套件進行資料前處理與轉換、特徵篩選、建構 GBDT分類器、長短期記憶模型(LSTM) 架構。過程中使用套件將在有限時間內聚焦介紹 pandas, multiprocessing, GBDT(xgboost/lightgbm), tensorflow.Keras，並比較兩種模型成效數據。 本講題分享應用案例：透析用低血壓預測模型研究。透析用低血壓是末期腎臟病病患在進行血液透析時，最常見的併發症問題；若不即時處理，嚴重將導致各種心血管、大腦的合併症狀。而現況限制是血壓儀器的測量頻率最高只能每 30 分鐘一次，存在量測前就發生低血壓的風險；『因此提前預測下一次量測時是否發生低血壓，將有助於醫護人員提前注意該病患狀況。』 本研究目標為預測該病患下次量測是/否會出現低血壓，為二元分類問題，搭配特徵篩選找出較佳模型：lightGBM (AUC: 0.954)、LSTM (AUC: 0.966)，最終使用 Blending Ensemble 得到最佳模型 (AUC: 0.975, Sensitivity: 0.942, Specificity: 0.88)。

說明