🔍前言

經過前面 19 天的學習，我們系統地探討了機器學習的每一個步驟，從問題定義到模型部署。現在，我們即將進入實作階段，將所學的知識應用到真實的機器學習題目中。本章將重點介紹如何在實際專案中進行問題定義和數據收集，為後續的數據處理和模型訓練打下基礎。

📝問題定義

我們過去了解到，啟動任何機器學習專案前，必須先明確目標、了解業務背景、進行問題分解並驗證假設。隨著醫療技術的進步和數據的快速增長，如何利用這些數據來改進健康管理和治療效果成為當前的一大挑戰。因此，後續的實作將聚焦於醫療相關議題，深入探討如何在實作中進行有效的問題定義與數據收集。

1️⃣ 目標明確化

在這個專案中，我們將針對住院期間醫學檢查結果的預測進行實戰，目標是利用病人在住院期間的數據來預測其醫學檢查結果。我們需要根據病人的歷史檢查數據、醫療記錄等資訊來進行預測。

2️⃣ 了解業務背景

在醫療領域，我們需要與醫生、醫療人員交流。通過與這些專家合作，我們可以了解問題的實際需求及其複雜性。我們要預測病人住院期間的檢查結果，我們需要了解哪些因素會影響檢查結果的異常，如年齡、性別、生活習慣等。

3️⃣ 問題分解

在醫療預測專案中，將大問題分解為具體的子問題可以幫助我們更有條理地進行分析。具體步驟包括：

• 明確預測對象：將預測目標縮小為「醫學檢查結果」這一具體問題，分為「正常」和「異常」兩類。為了提高預測的精確度，我們需要清楚界定「正常」和「異常」的標準，並確保這些標準在數據中是一致且可度量的。
• 確定數據範圍：收集病人在住院期間的相關數據，包括醫療記錄、檢查結果等，並確保數據的質量和完整性，以便準確地訓練模型和進行分析。
• 設立具體目標：設定具體的預測目標，例如達到85%以上的預測準確率，以支持臨床決策，通常是醫療人員可接受的量化結果。

4️⃣ 假設驗證

在進行問題定義時，我們需要做出一些基本假設，並在可能的情況下進行初步驗證：

• 數據有效性假設：假設病人的歷史數據對預測醫學檢查結果仍然有效，即過去的數據能夠準確地反映未來的結果。
• 特徵影響假設：假設影響檢查結果的主要特徵（如年齡、性別、生活習慣）在不同的病人和檢查情境下保持穩定。

通過與醫療專家討論這些假設的合理性，我們可以確保問題定義和模型設計是基於正確的前提。這樣的驗證有助於避免基於錯誤假設進行不恰當的分析。

📊數據收集

在確定了問題定義的基本框架後，我們將這些步驟應用於實際的數據集。針對病人在住院期間的數據，我們可以從內部及外部來源收集資料。這可以通過與合作的醫療機構索取數據，或查找公開資料（例如 WHO 公開數據）來完成。由於資料收集是一個需要長時間溝通和確認的過程，我們需要探討哪些參數會影響預測結果（如檢查結果的正常與否），在實戰中，我們將以 Kaggle 上的健康數據集（Healthcare Dataset 2019-2024）為例進行實作。這個數據集利用 Python 的 Faker 函式庫生成，其結構和屬性密切反映了實際醫療記錄。數據集為 CSV 檔，已經收集了多個影響預測結果的關鍵參數，並且收案量已達 5 萬 5 千 5 百筆。以下是主要參數的解釋：

• 姓名：與醫療記錄相關的病人姓名
• 年齡：患者入院時的年齡，以歲為單位
• 性別：患者的性別，「男」或「女」
• 血型：患者的血型（例如「A+」、「O-」）
• 醫療狀況：主要醫療狀況或診斷（例如“糖尿病”、“高血壓”）
• 入院日期：病人入院到醫療機構的日期
• 醫師：入院期間負責病人照護的醫師姓名
• 醫院：收治病患的醫療機構或醫院
• 保險提供者：患者的保險提供者（例如「Aetna」、「Blue Cross」）
• 帳單金額：醫療保健服務的帳單金額，以浮點數表示
• 房間號碼：患者入住的房間號碼
• 入院類型：入院類型（「緊急」、「非緊急」或「急迫」）
• 出院日期：從醫療機構出院的日期，根據入院日期和實際天數範圍
• 藥物：處方或施用的藥物（例如「阿斯匹靈」、「布洛芬」）
• 檢查結果：住院期間的醫學檢查結果（「正常」、「異常」、「不確定」）

⚠️注意事項

• 數據質量：確保數據的準確性、完整性、相關性和多樣性。
• 數據隱私：遵守數據隱私法規，保護用戶信息。
• 問題定義的靈活性：根據初步分析的結果，隨時調整問題定義和目標。

🔚結論

在本章中，我們介紹了有效的問題定義，並基於健康數據集進行數據收集。確保問題定義具體明確，並進行數據收集。接下來，我們將進一步進行初步資料探勘。

[DALL-E 示意圖]

資料來源:
https://www.kaggle.com/datasets/prasad22/healthcare-dataset/data