CDA數據分析師 出品  

作者：Mika

數據：真達  

后期：Mika

【導讀】手把手教你如何用python寫出心血管疾病預測模型。

全球每年約有1700萬人死于心血管疾病，當中主要表現為心肌梗死和心力衰竭。當心臟不能泵出足夠的血液來滿足人體的需要時，就會發生心力衰竭，通常由糖尿病、高血壓或其他心臟疾病引起。

在檢測心血管疾病的早期癥狀時，機器學習就能派上用場了。通過患者的電子病歷，可以記錄患者的癥狀、身體特征、臨床實驗室測試值，從而進行生物統計分析，這能夠發現那些醫生無法檢測到的模式和相關性。

尤其通過機器學習，根據數據就能預測患者的存活率，今天我們就教大家如何用Python寫一個心血管疾病的預測模型。

研究背景和數據來源

我們用到的數據集來自Davide Chicco和Giuseppe Jurman發表的論文：《機器學習可以僅通過血肌酐和射血分數來預測心力衰竭患者的生存率》。

他們收集整理了299名心力衰竭患者的醫療記錄，這些患者數據來自2015年4月至12月間巴基斯坦費薩拉巴德心臟病研究所和費薩拉巴德聯合醫院。這些患者由105名女性和194名男性組成，年齡在40至95歲之間。所有299例患者均患有左心室收縮功能不全，并曾出現過心力衰竭。

Davide和Giuseppe應用了多個機器學習分類器來預測患者的生存率，并根據最重要的危險因素對特征進行排序。同時還利用傳統的生物統計學測試進行了另一種特征排序分析，并將這些結果與機器學習算法提供的結果進行比較。

他們分析對比了心力衰竭患者的一系列數據，最終發現根據血肌酐和射血分數這兩項數據能夠很好的預測心力衰竭患者的存活率。

今天我們就教教大家，如果根據這共13個字段的299 條病人診斷記錄，用Python寫出預測心力衰竭患者存活率的預測模型。

下面是具體的步驟和關鍵代碼。

01、數據理解

數據取自于kaggle平臺分享的心血管疾病數據集，共有13個字段299 條病人診斷記錄。具體的字段概要如下：

02、數據讀入和初步處理

首先導入所需包。

# 數據整理
import numpy as np 
import pandas as pd 

# 可視化
import matplotlib.pyplot as plt
import seaborn as sns
import plotly as py 
import plotly.graph_objs as go
import plotly.express as px
import plotly.figure_factory as ff

# 模型建立
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import GradientBoostingClassifier, RandomForestClassifier
import lightgbm

# 前處理
from sklearn.preprocessing import StandardScaler

# 模型評估
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.metrics import plot_confusion_matrix, confusion_matrix, f1_score

加載并預覽數據集：

# 讀入數據
df = pd.read_csv('./data/heart_failure.csv')
df.head() 

03、探索性分析

1. 描述性分析

df.describe().T

從上述描述性分析結果簡單總結如下：

• 是否死亡：平均的死亡率為32%；
• 年齡分布：平均年齡60歲，最小40歲，最大95歲
• 是否有糖尿?。河?1.8%患有糖尿病
• 是否有高血壓：有35.1%患有高血壓
• 是否抽煙：有32.1%有抽煙

2. 目標變量

# 產生數據
death_num = df['DEATH_EVENT'].value_counts() 
death_num = death_num.reset_index()

# 餅圖
fig = px.pie(death_num, names='index', values='DEATH_EVENT')
fig.update_layout(title_text='目標變量DEATH_EVENT的分布')  
py.offline.plot(fig, filename='./html/目標變量DEATH_EVENT的分布.html')

總共有299人，其中隨訪期未存活人數96人，占總人數的32.1%

3. 貧血

從圖中可以看出，有貧血癥狀的患者死亡概率較高，為35.66%。

bar1 = draw_categorical_graph(df['anaemia'], df['DEATH_EVENT'], title='紅細胞、血紅蛋白減少和是否存活')
bar1.render('./html/紅細胞血紅蛋白減少和是否存活.html')  

4. 年齡

從直方圖可以看出，在患心血管疾病的病人中年齡分布差異較大，表現趨勢為年齡越大，生存比例越低、死亡的比例越高。

# 產生數據
surv = df[df['DEATH_EVENT'] == 0]['age']
not_surv = df[df['DEATH_EVENT'] == 1]['age']

hist_data = [surv, not_surv]
group_labels = ['Survived', 'Not Survived']

# 直方圖
fig = ff.create_distplot(hist_data, group_labels, bin_size=0.5) 
fig.update_layout(title_text='年齡和生存狀態關系') 
py.offline.plot(fig, filename='./html/年齡和生存狀態關系.html')  

5. 年齡/性別

從分組統計和圖形可以看出，不同性別之間生存狀態沒有顯著性差異。在死亡的病例中，男性的平均年齡相對較高。

6. 年齡/抽煙

數據顯示，整體來看，是否抽煙與生存與否沒有顯著相關性。但是當我們關注抽煙的人群中，年齡在50歲以下生存概率較高。

7. 磷酸肌酸激酶(CPK)

從直方圖可以看出，血液中CPK酶的水平較高的人群死亡的概率較高。

8. 射血分數

射血分數代表了心臟的泵血功能，過高和過低水平下，生存的概率較低。

9. 血小板

血液中血小板（100~300）×10^9個/L，較高或較低的水平則代表不正常，存活的概率較低。

10. 血肌酐水平

血肌酐是檢測腎功能的最常用指標，較高的指數代表腎功能不全、腎衰竭，有較高的概率死亡。

11. 血清鈉水平

圖形顯示，血清鈉較高或較低往往伴隨著風險。

12. 相關性分析

從數值型屬性的相關性圖可以看出，變量之間沒有顯著的共線性關系。

num_df = df[['age', 'creatinine_phosphokinase', 'ejection_fraction', 'platelets',
                  'serum_creatinine', 'serum_sodium']]

plt.figure(figsize=(12, 12))
sns.heatmap(num_df.corr(), vmin=-1, cmap='coolwarm', linewidths=0.1, annot=True)
plt.title('Pearson correlation coefficient between numeric variables', fontdict={'fontsize': 15})
plt.show() 

04、特征篩選

我們使用統計方法進行特征篩選，目標變量DEATH_EVENT是分類變量時，當自變量是分類變量，使用卡方鑒定，自變量是數值型變量，使用方差分析。

# 劃分X和y
X = df.drop('DEATH_EVENT', axis=1)
y = df['DEATH_EVENT'] 

from feature_selection import Feature_select

fs = Feature_select(num_method='anova', cate_method='kf') 
X_selected = fs.fit_transform(X, y) 
X_selected.head() 

2020 17:19:49 INFO attr select success!
After select attr: ['serum_creatinine', 'serum_sodium', 'ejection_fraction', 'age', 'time']

05、數據建模

首先劃分訓練集和測試集。

# 劃分訓練集和測試集
Features = X_selected.columns
X = df[Features] 
y = df["DEATH_EVENT"] 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, stratify=y, 
                                                    random_state=2020)

# 標準化
scaler = StandardScaler()
scaler_Xtrain = scaler.fit_transform(X_train) 
scaler_Xtest = scaler.fit_transform(X_test) 

lr = LogisticRegression()
lr.fit(scaler_Xtrain, y_train)
test_pred = lr.predict(scaler_Xtest)

# F1-score
print("F1_score of LogisticRegression is : ", round(f1_score(y_true=y_test, y_pred=test_pred),2)) 

我們使用決策樹進行建模，設置特征選擇標準為gini，樹的深度為5。輸出混淆矩陣圖：在這個案例中，1類是我們關注的對象。

# DecisionTreeClassifier
clf = DecisionTreeClassifier(criterion='gini', max_depth=5, random_state=1)
clf.fit(X_train, y_train)
test_pred = clf.predict(X_test)  

# F1-score
print("F1_score of DecisionTreeClassifier is : ", round(f1_score(y_true=y_test, y_pred=test_pred),2)) 

# 繪圖
plt.figure(figsize=(10, 7))
plot_confusion_matrix(clf, X_test, y_test, cmap='Blues') 
plt.title("DecisionTreeClassifier - Confusion Matrix", fontsize=15)
plt.xticks(range(2), ["Heart Not Failed","Heart Fail"], fontsize=12)
plt.yticks(range(2), ["Heart Not Failed","Heart Fail"], fontsize=12)
plt.show()  

F1_score of DecisionTreeClassifier is :  0.61
<Figure size 720x504 with 0 Axes>

使用網格搜索進行參數調優，優化標準為f1。

parameters = {'splitter':('best','random'),
              'criterion':("gini","entropy"),
              "max_depth":[*range(1, 20)],
             }

clf = DecisionTreeClassifier(random_state=1) 
GS = GridSearchCV(clf, param_grid=parameters, cv=10, scoring='f1', n_jobs=-1) 
GS.fit(X_train, y_train)

print(GS.best_params_) 
print(GS.best_score_) 

{'criterion': 'entropy', 'max_depth': 3, 'splitter': 'best'}
0.7638956305132776

使用最優的模型重新評估測試集效果：

test_pred = GS.best_estimator_.predict(X_test)

# F1-score
print("F1_score of DecisionTreeClassifier is : ", round(f1_score(y_true=y_test, y_pred=test_pred),2)) 

# 繪圖
plt.figure(figsize=(10, 7))
plot_confusion_matrix(GS, X_test, y_test, cmap='Blues') 
plt.title("DecisionTreeClassifier - Confusion Matrix", fontsize=15)
plt.xticks(range(2), ["Heart Not Failed","Heart Fail"], fontsize=12)
plt.yticks(range(2), ["Heart Not Failed","Heart Fail"], fontsize=12)
plt.show() 

使用隨機森林

# RandomForestClassifier
rfc = RandomForestClassifier(n_estimators=1000, random_state=1)

parameters = {'max_depth': np.arange(2, 20, 1) }
GS = GridSearchCV(rfc, param_grid=parameters, cv=10, scoring='f1', n_jobs=-1)  
GS.fit(X_train, y_train)  

print(GS.best_params_) 
print(GS.best_score_) 

test_pred = GS.best_estimator_.predict(X_test)

# F1-score
print("F1_score of RandomForestClassifier is : ", 
      round(f1_score(y_true=y_test, y_pred=test_pred),2)) 

{'max_depth': 3}
0.791157747481277
F1_score of RandomForestClassifier is :  0.53

使用Boosting

gbl = GradientBoostingClassifier(n_estimators=1000, random_state=1)

parameters = {'max_depth': np.arange(2, 20, 1) }
GS = GridSearchCV(gbl, param_grid=parameters, cv=10, scoring='f1', n_jobs=-1)  
GS.fit(X_train, y_train)  

print(GS.best_params_) 
print(GS.best_score_) 

# 測試集
test_pred = GS.best_estimator_.predict(X_test)

# F1-score
print("F1_score of GradientBoostingClassifier is : ", 
      round(f1_score(y_true=y_test, y_pred=test_pred),2))

{'max_depth': 3}
0.7288420428900305
F1_score of GradientBoostingClassifier is :  0.65

使用LGBMClassifier

lgb_clf = lightgbm.LGBMClassifier(boosting_type='gbdt', random_state=1)

parameters = {'max_depth': np.arange(2, 20, 1) }
GS = GridSearchCV(lgb_clf, param_grid=parameters, cv=10, scoring='f1', n_jobs=-1)  
GS.fit(X_train, y_train)  

print(GS.best_params_) 
print(GS.best_score_) 

# 測試集
test_pred = GS.best_estimator_.predict(X_test)

# F1-score
print("F1_score of LGBMClassifier is : ", round(f1_score(y_true=y_test, y_pred=test_pred),2)) 

{'max_depth': 2}
0.780378102289867
F1_score of LGBMClassifier is :  0.74

以下為各模型在測試集上的表現效果對比：

LogisticRegression：0.63

DecisionTree Classifier：0.73

Random Forest Classifier: 0.53

GradientBoosting Classifier: 0.65

LGBM Classifier: 0.74

參考鏈接：

Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone

https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-020-1023-5#Abs1