Herzinsuffizienz

Der Datensatz

Für das „machine learning“ Programm werden bestimmte „Risikoparameter für eine Herzinsuffizienz“ ermittelt:

• Alter

• Geschlecht

• Brustschmerz Art

• Blutdruck im Ruhezustand

• Cholesterin-Spiegel

• Puls unter Belastung

• Luftnot oder Angina Pectoris

• Blutzucker vor dem Essen

• ST-Segment Veränderungen

Übersicht über alle Parameter, die wir in unserem Trainingsprozess nutzen:

Was macht einen guten Datensatz aus?

• Größe

• Anzahl der fehlenden Werte

• Geringe Ausreißer

• Passende Features

• Ausgewogenheit zwischen den Labels

• Verlässlichkeit (sind richtige Labels gesetzt?)

→ Überprüfung über Visualisierung und

• genaue Analyse der Daten

Eine KI ist nur so gut, wie die Daten aus denen sie lernt.

Gleichmäßige Verteilung der Labels:

Was haben wir gemacht?

 Datensatz mit 1220 Patientendaten gefunden

 Missing values ergänzt durch „machine learning“

 Daten richtig formatiert (z.B erstellen von Dummy-Spalten)

 Daten analysiert um Auffälligkeiten zu entdecken

 Fachgespräch mit Kardiologen um die Parameter zu beurteilen

Möglichkeit mit missing values umzugehen:

• Entfernen des gesamten Patientendatenpunktes

• Einfachste Lösung, Verlust von Datenpunkten, keine Schätzung von Werten, die zu einer schlechten Accuracy führen könnten

• Füllen der Lücke mit Mean- oder Medianwert

• Leicht zu realisieren, kein Verlust von Daten, ungenau

• Vorhersagen der Lücke mit Hilfe von „machine learning“

• Zeitaufwand, genauere Vorhersage, kein Verlust von Daten

Correlation Matrix