shaistashahid-ai/Patient-Intelligence-Pipeline

# 患者智能 Pipeline：时间序列分析、相似性搜索与临床诊断分类 ## 概述 本项目使用模拟的患者监测数据集，实现了一个用于预测性医疗分析的完整患者智能 Pipeline。该系统结合了时间序列分析、趋势检测、相似性搜索和监督机器学习技术，旨在识别患者病情恶化、发现临床相似的患者特征，并根据历史生命体征数据自动分类患者诊断。 本项目作为 **DS-3002 Data Mining – Assignment #3 (Spring 2026)** 的一部分，在 FAST-NUCES 开发。 ## 目标 该项目解决了三个主要的医疗分析挑战： 1. 检测患者生命体征随时间变化的趋势和异常。 2. 使用基于距离的相似性度量识别临床相似的患者。 3. 构建并比较多个机器学习模型，以实现自动诊断预测。 ## 数据集 **数据集：** 模拟患者生命体征数据集 **特征：** * 约 60,000 条记录 * 500 名患者 * 每名患者约 120 次读数 * 每 6 小时收集一次读数，持续 30 天 ### 特征字段 | 特征 | 描述 | | ---------------------- | ------------------------- | | PatientID | 匿名患者标识符 | | Timestamp | 读数时间戳 | | HeartRate | 心率 (bpm) | | BloodPressureSystolic | 收缩压 | | BloodPressureDiastolic | 舒张压 | | BloodOxygenLevel | 血氧饱和度 (%) | | BodyTemperature | 体温 (°C) | | RespiratoryRate | 每分钟呼吸次数 | | SleepHours | 睡眠时长 | | StressLevel | 压力评分 (1–10) | | Age | 患者年龄 | | Gender | 患者性别 | | Diagnosis | 目标类别标签 | ### 诊断类别 * Healthy * Hypertension * Diabetes * Arrhythmia * Sleep Disorder ## 数据预处理 预处理 pipeline 执行以下操作： * 时间戳解析与验证 * 缺失值检测 * 生理范围过滤 * 数据集清洗 * 按患者构建时间序列 * 特征工程 ### 患者级特征 针对每名患者和生命体征： * 均值 * 标准差 * 最小值 * 最大值 * 线性趋势斜率 这些特征被用于相似性搜索和分类任务。 ## Part A：时间序列分析与趋势检测 ### 技术 * 心率时间序列可视化 * 描述性统计 * 变异系数分析 * 移动平均平滑 * 时间序列分解 * 趋势检测 * 统计异常检测 ### 方法 * 7 点滚动均值 * 14 点滚动均值 * 加法季节性分解 * 个性化阈值异常检测 (μ ± 2σ) ### 输出 * 患者趋势可视化 * 趋势分析报告 * 异常汇总 * 对检测到的模式的临床解释 ## Part B：相似性搜索与患者匹配 ### 距离度量 * Euclidean Distance * Manhattan Distance ### 时间序列相似性 * Dynamic Time Warping (DTW) ### 应用 * 最近邻患者检索 * 临床病例匹配 * 风险特征识别 * 新患者诊断支持 ## Part C：监督分类 实现并比较了五种机器学习模型。 ### 1. Decision Tree * Entropy 或 Gini 准则 * 深度调优 * 特征重要性分析 ### 2. 基于规则的分类 * 决策树规则提取 * 可解释的临床规则 ### 3. k-Nearest Neighbour (kNN) * 超参数调优 * Euclidean 与 Manhattan 比较 ### 4. Naïve Bayes * Gaussian Naïve Bayes * 特征分布分析 ### 5. Support Vector Machine (SVM) * One-vs-Rest 多分类策略 * RBF Kernel * Polynomial Kernel * 交叉验证调优 ## 评估指标 每个分类器使用以下指标进行评估： * Accuracy * Precision (Macro) * Recall (Macro) * F1 Score (Macro) * 混淆矩阵 ## 使用技术 * Python 3.x * Pandas * NumPy * Matplotlib * Seaborn * Scikit-learn * Statsmodels * dtaidistance * tslearn * imodels ## 安装说明 ``` git clone https://github.com/your-username/patient-intelligence-pipeline.git cd patient-intelligence-pipeline pip install -r requirements.txt ``` ## 预期成果 完成的 pipeline 提供： * 检测异常的患者轨迹 * 识别临床相似的患者 * 自动诊断预测 * 对经典机器学习方法的比较评估 * 用于医疗分析的可解释决策支持 ## 许可证 本项目仅用于教育和学术目的。 FAST-NUCES

标签：Apex, 分类算法, 医疗数据分析, 可穿戴设备数据, 异常检测, 时间序列分析, 机器学习, 相似性搜索, 逆向工具