ifexxx-dat/Hospital-Readmission-Analysis-ETL-And-Clinical-Risk-Drivers
GitHub: ifexxx-dat/Hospital-Readmission-Analysis-ETL-And-Clinical-Risk-Drivers
一个基于 MySQL 的医疗数据 ETL 与分析项目，识别并揭示了合成数据集对再入院率研究的潜在误导。
Stars: 0 | Forks: 0
# 医院再入院分析：ETL 与临床风险驱动因素
## 项目概述
本项目分析了一个包含 18,000 条患者记录的医疗数据集，旨在识别 30 天内医院再入院的主要驱动因素。目标是构建一个稳健的 ETL 管道，进行临床特征工程，并发现可降低再入院率的可操作洞察。
在探索性数据分析（EDA）阶段，通过高级查询发现该数据集是**合成生成**的，且为机器学习分类任务进行了平衡处理，而非反映真实的临床差异。
## 技术栈与工具
- 数据库：MySQL
- 使用技术：公用表表达式（CTE）、窗口函数（NTILE、DENSE_RANK）、子查询、特征工程（CASE 语句）、数据类型转换、模式设计。
## 第一阶段：ETL 与数据清洗
为确保数据完整性，我建立了一个安全的数据暂存环境（`hospital_working_data`）以保护原始源数据。清洗流程包括：
- **模式修正**：识别并解决了因 CSV 导入向导导致 `Insurance_Type` 与 `Gender` 列错位的问题。重建表模式并成功重新映射数据。
- **文本标准化**：对所有分类列（如 `Discharge_Disposition`、`Gender`）应用 `UPPER(TRIM())`，以防止聚合时出现错误。
- **重复悖论（高级指纹识别）**：初始聚合检查显示基于年龄、性别、住院时长和依从性的重复行有 296 条。但通过扩展复合键以包含更细粒度的临床标记（如 `HbA1c_Level`），我证明了该数据集**不存在重复项**，验证了高度相似患者档案的完整性。
## 第二阶段：特征工程与 EDA
我没有分析原始小数值，而是使用 SQL 构建了业务友好的临床指标：
- **依从性风险分层**：使用 CASE 语句构建 CTE，将患者的药物依从性评分划分为高风险、中风险和低风险三类。
- **异常检测**：利用窗口函数和子查询，标记住院时长超过其主要诊断组基准平均值 150% 的患者异常。
- **队列分位排名**：应用 NTILE(4) 将患者按住院时长分为四个四分位，以便进行对比再入院分析。
## 关键发现与“合成数据集”识别
1. **药物依从性影响**：按依从性风险分层切分数据集后，发现各组的再入院率几乎持平（仅在 73.4% 至 75.5% 之间波动），表明依从性**并非再入院的主要驱动因素**。
2. **机器学习平衡 artifact**：进一步按主要诊断分组分析，结果显示每组患者数量几乎完全一致（约 3,600 人），且不同疾病（如心脏病、感染、糖尿病）的再入院率均接近 74%。
3. **结论**：这些均匀分布从数学上证实了该数据集是为预测建模训练而**人工合成、平衡过的数据**。识别出这一 artifact 避免了报告虚假临床洞察，并展示了较强的数据素养。
## 特色 SQL 查询
欢迎在本仓库中探索完整的 `.sql` 脚本。以下是用于发现住院时长异常值的查询亮点：
```sql
WITH Diagnosis_Averages AS (
SELECT
Primary_Diagnosis_Group,
AVG(Length_of_Stay) AS Avg_LOS
FROM hospital_work
GROUP BY Primary_Diagnosis_Group
)
SELECT
h.Patient_id,
h.Primary_Diagnosis_Group,
h.Length_of_Stay,
ROUND(d.Avg_LOS, 1) AS Typical_Stay_For_Diagnosis
FROM hospital_work h
JOIN Diagnosis_Averages d
ON h.Primary_Diagnosis_Group = d.Primary_Diagnosis_Group
WHERE h.Length_of_Stay > (d.Avg_LOS * 1.5)
ORDER BY h.Length_of_Stay DESC;
```
## 作者
Okoli Ifechukwu Chinwe
联系我
- LinkedIn：[linkedin.com/in/ife-okoli](http://linkedin.com/in/ife-okoli)
标签：CTE, DENSE_RANK, ETL管道, HbA1c, LOS, NTILE, Schema设计, SQL, Zenmap, 临床风险因子, 保险类型, 健康指标, 医疗数据分析, 医院再入院分析, 去重, 合成数据, 多线程, 异常检测, 性别映射, 数据完整性, 数据清洗, 数据预处理, 特征工程, 用药依从性, 病例记录, 窗口函数, 系统审计, 风险分层