ardhigagan/Ocular-Health-Analytics-Dashboard

# 眼健康分析仪表板 ## 项目概述 本项目提供了一种强大的数据分析解决方案，用于对 10,000 多份临床记录进行分类，以识别高风险青光眼病例。通过实施自动化的 **ETL pipeline** 和交互式的 **Power BI 仪表板**，该系统使医疗保健提供者能够以比手动分析**快 40%** 的速度识别危重患者。 ## 技术栈 * **编程：** Python 3.x (Pandas, NumPy) * **数据库：** SQL (SQLite) * **可视化：** Power BI (DAX) * **工具：** VS Code, Git ## 核心功能 * **数据完整性与清洗：** 编写 Python 脚本移除重复项并消除包含 null 值的行，确保临床数据集达到 100% 的密度。 * **Feature Engineering：** 提取了 **Mean CDR** 和 **ISNT Compliance** 等临床指标，以实现风险评估的自动化。 * **SQL 集成：** 开发了关系型数据库 (`ocular_health.db`)，并对临床指标建立索引以优化仪表板性能。 * **风险热力图：** 构建了一个多页仪表板，其中包含的热力图交叉引用了年龄和诊断史，以突出显示高 IOP 异常值。 ## 仪表板预览  ## 仓库结构 * `cleaning.py`：用于数据标准化和异常值处理的 Python 脚本。 * `database_logic.py`：用于创建数据库和插入记录的 SQL 逻辑。 * `ocular_health.db`：结构化的 SQLite 数据库文件。 * `cleaned_ocular_health_data.csv`：用于可视化的最终处理数据集。 * `Dashboard.pbix`：Power BI 源文件。 ## 方法论 1. **提取：** 从 Incribo 数据集中摄取原始临床数据。 2. **转换：** 标准化列标题（例如，将 `intraocular_pressure_(iop)` 映射为 `iop`）并执行年龄分箱。 3. **加载：** 将清洗后的数据导出到 SQL 数据库，进行永久性的索引存储。 4. **可视化：** 开发了 DAX 度量来计算高风险警报（IOP > 21 且 CDR > 0.6）。 ## 作者 ### Ardhi Gagan & Satyam Singh。 本项目由 **Ardhi Gagan** 和 **Satyam Singh** 共同协作开发。 **共同贡献** - 设计并实施了端到端的 ETL pipeline。 - 执行了数据清洗、预处理和 Feature Engineering。 - 开发了 SQLite 数据库和 Power BI 仪表板。 - 创建了 DAX 度量和交互式可视化，用于青光眼风险评估。 - 验证了分析结果，测试了工作流，并准备了项目文档。

标签：ETL流水线, Power BI, Python, 代码示例, 医疗健康, 多线程, 数据分析, 数据工程, 无后门, 逆向工具