Uma análise feita com Decision Tree
Fonte: Bill Oxford / Unsplash.com
English version:
https://github.com/williamausenka/ML_estudos_de_caso/blob/main/The%20Framingham%20Heart%20Study_Decision_Tree/The%20Framingham%20Heart%20Study%20dataset%20analysis.pdf
A análise a seguir se refere ao The Framingham Heart Study um dataset público que contém informações coletadas pela Universidade de Boston e o National Heart, Lung and Blood Institute nos EUA no final da década de 1940 e sua finalidade é avaliar quais fatores são de risco para desenvolver alguma doença arterial coronariana (CHD em inglês). Download feito no site https://www.kaggle.com/amanajmera1/framingham-heart-study-dataset. Utilizou-se o método de machine learning – Decision Tree feito na linguagem de programação python para a análise do dataset.
O início do estudo teve pouco mais de 5000 pacientes, as pessoas escolhidas eram saudáveis, entre 30 e 59, da cidade de Framingham, Massachusetts. Eles participariam por 20 anos do estudo e, a cada dois anos, iriam a um centro médico para realizar exames e preencher questionários sobre seus hábitos de vida, por exemplo, se fumavam ou exercitavam.
O objetivo desse estudo é verificar qual das features são os maiores fatores de risco para desenvolver uma CHD e fazer um modelo de decision tree para classificar, baseado nas feautures passadas, se uma pessoa virá a desenvolver a doença ou não.
Tabela 1 – dataframe
Fonte: O Autor
Na tabela 1 temos os dados carregados. São 16 variáveis, 15 features e 1 target. As 15 features são os fatores de risco que foram estudados e o target é se a pessoa desenvolveu uma CHD ou não durante o estudo. Os fatores de risco são:
· Male: 1 indica se é homem e 0 mulher
· Age: A idade do participante
· Education Level: 1-Ensino médio incompleto, 2- Ensino médio completo, 3-Ensino superior incompleto, 4-Ensino superior completo
· currentSmoker: 1- Fumante, 0- Não fumante
· cigsPerDay: Número de cigarros por dia
· BPMeds: Quantos medicamentos para pressão está tomando
· prevalentStroke: 0- Nunca teve derrame, 1-Tem histórico de derrame
· prevalentHyp: 0-Não tem hipertensão, 1-Possui hipertensão
· diabetes: 0-Não tem diabetes, 1-Possui diabetes
· totChol: Colesterol total
· sysBP: Pressão sistólica
· diaBP: Pressão diastólica
· BMI: Índice de massa corpórea
· Heart Rate: Frequência cardíaca em batimentos por minuto
· Glucose: Glucose no sangue (mg/dL)
E o target, TenYearCHD: 0 significa que a pessoa não desenvolveu nenhuma doença e 1 se desenvolveu.
Figura 1 - Heatmap do dataset
Fonte: O Autor
Na figura 1 temos o heatmap do dataset para verificar a relação entre as variáveis e encontrar possíveis relações para explorar. 1 representa que as variáveis são muito relacionadas e -1 que elas são inversamente relacionadas. Vemos, na figura 1, que para TenYearCHD e o restante dos fatores de risco, não há valores próximos de 1 ou -1, então foi concluído que não é um único fator de risco que contribui para o desenvolvimento de uma CHD, mas sim o conjunto deles.
Figura 2 - Gráfico de barras - cigarros por dia e TenYearCHD
Fonte: O Autor
Na figura 2, foi observado que, as pessoas que fumam mais cigarros por dia, tem mais chances de desenvolver uma CHD, portanto, fumar mais é um fator de risco.
Figura 3 - Boxplot Age e TenYearCHD com hue=currentSmoker
Fonte: O Autor
Pessoas mais velhas são mais propensas a desenvolver CHD, como visto na figura 3. Podemos observar que 75 % das pessoas que fumam e desenvolveram CHD tem idade até 57-58 anos, a qual é a mediana para 50 % do grupo que não é fumante, portanto, fumantes têm uma chance maior de desenvolver CHD mais cedo, se comparado com o outro grupo não fumante.
Figura 4 - Boxplot Age e TenYearCHD com hue=prevalentStroke
Fonte: O Autor
Nota-se que derrames são mais comuns em idades mais avançadas, visto na figura 4. Temos que as idades mínimas observadas para derrame são 47 e 53, aproximadamente, excluindo os 2 outliers que foram detectados.
Figura 5 - Boxplot Age e TenYearCHD com hue=diabetes
Fonte: O Autor
Na figura 5, observamos o mesmo comportamento da figura passada, a presença de diabetes é mais comum em pessoas mais velhas.
Figura 6 - Boxplot BMI e TenYearCHD
Fonte: O Autor
Já na figura 6, foi observado que BMI não é um fator de risco para o desenvolvimento de BMI, pois a diferença observada é baixa.
Figura 7 - Boxplot totChol e TenYearCHD
Fonte: O Autor
Já é conhecido que colesterol é um fator de risco para doenças do coração, mas é o colesterol LDL que é o fator de risco. O colesterol HDL é benéfico para saúde. Na figura 7, aparentemente colesterol não seria um fator de risco, mas, isso se deve que totChol é a combinação dos 2 tipos de colesterol. Caso essa variável fosse divindade em 2, LDL e HDL, teríamos, provavelmente, resultados mais claros, indicando que o LDL é um fator de risco.
Figura 8 - Gráfico de barras - sysBP e TenYearCHD
Fonte: O Autor
Figura 9 - Gráfico de barras - diasBP e TenYearCHD
Fonte: O Autor
Já nas figuras 8 e 9, observa-se que as pessoas com uma pressão arterial mais alta, possuem uma probabilidade maior de desenvolver CHD, ou seja, é um fator de risco.
No dataset, são mais de 3600 observações e, apenas 15,23 %, chegou a desenvolver CHD, ou seja, apenas 557 observações positivas. Isso representa um dataset desbalanceado que pode gerar problemas para o modelo, por exemplo, overfitting. Isso será resolvido aplicando a técnica de SMOTE e Pipeline em conjunto com undersampling para obter o melhor modelo possível.
Tabela 2 – Accuracy do modelo
Fonte: O Autor
O modelo proposto para esse estudo foi o Decision Tree para prever se uma pessoa irá ou não desenvolver CHD, levando em conta todos os fatores de risco apresentados anteriores. Foram retirados do modelo os fatores: education, totChol, BMI e heartRat, a fim de reduzir a complexidade da Decision Tree e tendo um ganho em accuracy, precison e recall. Pela tabela 2, temos que com apenas a técnica de SMOTE a accuracy foi menor do que com o conjunto de técnicas acoplados com a pipeline. A accuracy mede quantos casos foram corretamente identificados, porém não identifica falsos negativos e falsos positivos. Nesse caso do estudo de Framingham, as melhores medidas são precision e recall, pois identificam falsos positivos e falsos negativos, o que são importantes para um estudo sobre desenvolvimento de doenças. Não queremos ter uma taxa grande de falsos negativos quando se trata de doenças.
Tabela 3 – Precision e Recall para casos positivos
Fonte: O Autor
Observando as diferenças dos resultados apresentados na tabela 3, é importante notar as suas diferenças. Um modelo com 69,67 % de accuracy pode ser aceitável, mas com resultados baixos em precision e recall, o número grande de falsos negativos e positivos impactam de forma muito negativa a performance geral do modelo, então não é recomendado usá-lo. Já o outro modelo, obteve resultados melhores nas 3 medidas apresentadas, accuracy, precision e recall, então, esse é o modelo mais indicado para esse estudo, já que estamos tentando prever o desenvolvimento de uma CHD.
Todo o código você encontra no meu Github: https://github.com/williamausenka/ML_estudos_de_caso/tree/main/The%20Framingham%20Heart%20Study_Decision_Tree
Espero que vocês tenham gostado.
Não deixe de comentar o que você achou da análise
Obrigado e até o próximo post!
Comments