Предсказание сердечно-сосудистых заболеваний.

Онлайн приложение доступно по адресу: https://heart-diseases-prediction.streamlit.app/

• Автор проекта - Иванов Артём Юрьевич
• vanarty@yandex.ru

1. Описание проекта

1.1. Задача:

• Построить модель, предсказываюшую вероятность (риск) сердечно-сосудистых заболеваний (ССЗ) на основе входных данных о пациенте.
• Развернуть приложение на базе Streamlit с возможностью ввода пользователем собственных данных для получения прогноза вероятности ССЗ.
• (Дополнительно): в случае прогнозирования высокого риска ССЗ указать пользователю какие факторы создают наибольший риск.

1.2. Входные данные

Данные для обучения модели были взяты с общедоступной базы на Kaggle.

Ссылка: https://www.kaggle.com/datasets/sulianova/cardiovascular-disease-dataset

В данном проекте данные разбиты по следующим файлам:

• train.csv (размер: 70000 записей, 12 признаков);
• test.csv (размер: 70000 записей, 11 признаков).

В обучающих данных (train.csv) один из признаков является целевым (колонка cardio) и является бинарным призанком (1 - пациент имеет ССЗ, 0 - не имеет)

Для обучения модели доступны следующие признаки:

• age | возраст пациента | тип данных: int | количественный признак
• height | рост пациента | тип данных: int | количественный признак
• weight | вес пациента | тип данных: float | количественный признак
• gender | пол пациента | categorical code | бинарный признак
• ap_hi | верхнее (систолическое) давление | тип данных: int | количественный признак
• ap_lo | нижнее (диастолическое) давление | тип данных: int | количественный признак
• cholesterol | уровень холестерина | тип данных: int | категориальный признак
• gluc | уровень глюкозы | тип данных: int | категориальный признак
• smoke | показатель того, курит ли пациент | тип данных: int | бинарный признак
• alco | показатель того, употребляет ли пациент алкоголь | бинарный признак
• active | показатель того, ведет ли пациент какую-либо доп. физическую активность | тип данных: int | бинарный признак

1.3 Оработка данных, создание дополнительных признаков, модель

Перед обучением моделей данные были обработаны. В частности обработаны значения признаков ap_hi и ap_lo (изменен масштаб значений, исправлены взаимно-перекрестные значения). Так же отмасштабирован признак age изначально выраженных в 'днях'. Для этого был создан новый признак years, где значения указаны в 'годах'.

Проведен Feature Enginiring. Были созданы признаки на соснове имеющихся, а так же проанализрованы распределения двух групп пациентов по таргету (признаку cardio) в разрезе этих признаков для определения степени их значимости для прогностической способности будущей модели. Признаки:

• mass_idx | индекс массы тела | тип данных: int | количественный признак
• avrg_up | среднее артериальное давление | тип данных: float | количественный признак
• aphi_chol_gluc | индекс "ср.давление+возраст x сахар+холестерин" | тип данных: int | количественный признак
• life_st | степень качества жизни | тип данных: int | категориальный признак
• ag_st | степень артериального давления | тип данных: int | категориальный признак
• ssz_risc | степень риска ССЗ с учетом признаков aphi_chol_gluc, years и aphi_chol_gluc | тип данных: int | количественный признак.

Для обучения были выбраны 3 модели с дефолтными параметрами: RandomForestClassifier, LogisticRegression и XGBClassifier. Для оценки модели была выбрана метрика ROC_AUC. Лучший результат показала модель XGBClassifier.

Далее с помощью 'GridSearchCV' были подобраны лучшие гиперпараметры для модели XGBClassifier. Модель сохранена в файл в формате pickle.

Для определения важности признаков и их влияния на целевой признак был использован Shap. Наиболее важными для предсказания признаками в порядке убывания важности являются: ap_hi, ssz_risc, age, cholesterol, aphi_chol_gluc, avrg_ap, mass_idx.

В рамках (дополнительнгой) работы был так же применен PCA (анализ первичных компонент) на обучающих данных. Но он не дал ощутимых результатов.

1.4 Создание приложения на базе Streamlit

На основе Streamlit было создано приложение для пользователей, которое основывваясь на лучшей модели XGBClassifier предсказывает вероятность (риск) наличия сердечно-сосудистых заболеваний.

Техническая справка для ипользования:

• файл программы (на англ.языке) расположен в папке '/Streamli prod/';
• название файла программы 'app_en.py';
• версия Streamlit - 1.19.0

Функции программы:

• предсказание в % вероятности (риска) наличия ССЗ;
• указание факторов риска, которые могут быть причинами ССЗ.

---

• в версии 1.1 добавлена русская версия программы

Ссылка на проект (Githab):

https://github.com/Vanarty/Heart-diseases-prediction-kaggle-/commits/master