[專題研究分享] 基於機器學習的心臟衰竭患者存活率預測與關鍵臨床特徵分析
編輯製作：莊紹甫、蔡豐聲
出品團隊：中國醫藥大學 醫療資訊學系 程式俱樂部
YT：https://youtu.be/AGBd4j27txE
📌 參考文獻與資料來源 (References & Datasets)
論文參考：Davide Chicco, Giuseppe Jurman: "Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone". BMC Medical Informatics and Decision Making 20, 16 (2020).
DOI 連結 Kaggle 資料集：
Heart Failure Clinical Records Dataset 技術參考：Zeyad Sayed: "Predicting Heart Failure Fatality using XGBoost" (2024)
💡 專題簡介 (Introduction)
心臟衰竭是全球常見且死亡率高昂的慢性疾病。本專題旨在透過 Kaggle 的心臟衰竭臨床數據，利用 Python 進行完整數據預處理、特徵工程，並結合 Optuna 自動超參數搜尋 與 XGBoost 機器學習模型，建構心臟衰竭患者死亡/存活風險的預測模型。最後，引入 SHAP 可解釋性分析，協助醫療人員理解影響存活率的關鍵臨床指標。
📊 臨床數據集說明 (Dataset Overview)
資料集包含了患者的各項生理數據與臨床指標（如年齡、血清肌酸酐、射血分數、血小板量、高血壓及吸菸狀態等）：
| age | anaemia | creatinine_phosphokinase | diabetes | ejection_fraction | high_blood_pressure | platelets | serum_creatinine | serum_sodium | DEATH_EVENT |
| 75.0 | 0 | 582 | 0 | 20 | 1 | 265,000 | 1.9 | 130 | 1 |
| 55.0 | 0 | 7,861 | 0 | 38 | 0 | 263,358 | 1.1 | 136 | 1 |
| 65.0 | 0 | 146 | 0 | 20 | 0 | 162,000 | 1.3 | 129 | 1 |
| 50.0 | 1 | 111 | 0 | 20 | 0 | 210,000 | 1.9 | 137 | 1 |
🛠️ 完整作業流程與 Prompt 指令明細
Step 1. 數據讀取 (Data Loading)
📌 詳細步驟說明：從 Google Drive 指定路徑中載入心臟衰竭數據集 CSV 檔案
。 💬 Prompt 指令：
幫我讀取 /content/drive/MyDrive/心臟衰竭/heart_failure_clinical_records_dataset.csv 檔案
Step 2. EDA 分析 (Exploratory Data Analysis)
📌 詳細步驟說明：對載入的數據進行探索性資料分析，並將分析結果與相關圖表繪製出來
。 💬 Prompt 指令：
幫我對這份檔案做 EDA 分析，並顯示出來。
Step 3. 訓練數據與標籤分離 (Label Extraction & Split)
📌 詳細步驟說明：處理數據框
df，針對目標欄位DEATH_EVENT使用pop()方法抽出作為目標標籤變數 $y$，其餘特徵變數則留存為新變數 $x$。 💬 Prompt 指令：
幫我處理 df 的 dataframe 的目標欄位 DEATH_EVENT，將這個欄位使用 pop 來抽出來存成新的變數 y，剩餘特徵存成新變數 x。
Step 4. 特徵工程 (Feature Engineering)
📌 詳細步驟說明：針對特徵數據框 $x$ 進行以下三階段處置
： 極值修剪 (Capping)：針對
ejection_fraction欄位，若數值大於 60 則強制修改為 60，將結果存成新欄位ef_capped。 對數轉換 (Log Transform)：對
creatinine_phosphokinase、serum_creatinine及platelets這三個欄位進行對數轉換，保留原始欄位並將結果分別存成帶有_log結尾的新欄位（例如：platelets_log）。 複合特徵計算與新增：
新增
heart_kidney_score：計算公式為 $\text{ejection\_fraction} / \text{serum\_creatinine}$。 新增
comorbidity_score：計算公式為將anaemia、diabetes、high_blood_pressure、smoking四個欄位的值沿著橫列 (axis=1) 直接相加。 新增
frailty_index：計算公式為 $\text{age} / \text{ejection\_fraction}$。 新增
renal_sodium_risk：計算公式為 $(\text{serum\_creatinine} / \text{serum\_sodium}) \times 100$。
💬 Prompt 指令：
我有一個名為 x 的 DataFrame 針對 ejection_fraction 這個欄位進行 capping。具體規則：如果數值大於 60，則強制修改為 60。請將結果存成一個新欄位叫做 ef_capped。只要執行這個動作就好。延續剛剛的 x。請幫我針對 creatinine_phosphokinase、serum_creatinine、以及 platelets 這三個欄位，進行對數轉換。請將轉換後的結果分別存成帶有 _log 結尾的新欄位（例如：platelets_log）。請注意：請保留原始欄位，並且只要處理這三個指定的欄位就好。針對名為 x 的 DataFrame。幫我新增 4 個複合特徵欄位：新增 heart_kidney_score：計算公式為 ejection_fraction / serum_creatinine。新增 comorbidity_score：計算公式為將 anaemia, diabetes, high_blood_pressure, smoking 這四個欄位的值沿著橫列 (axis=1) 直接相加。新增 frailty_index：計算公式為 age / ejection_fraction。新增 renal_sodium_risk：計算公式為 (serum_creatinine / serum_sodium) * 100。並顯示出來。
Step 5. 切分訓練集跟驗證集 (Data Splitting)
📌 詳細步驟說明：將處理完的 $x$ 資料框切分為 80% 的訓練集與 20% 的測試集
。 💬 Prompt 指令：
接下來幫我對 x 的 dataframe 做切分 80% 的訓練集跟 20% 的測試集
Step 6. 模型訓練 (Optuna + XGBoost + Early Stopping)
📌 詳細步驟說明與語法限制：
使用
!pip install optuna安裝套件。計算 y_train的比例以計算scale_pos_weight處理不平衡資料，並使用 StratifiedKFold交叉驗證與Optuna套件以 AUC 為目標進行自動超參數搜尋。 參數設定限制：在 Optuna 設定超參數字典 (
params) 時，絕對不可將early_stopping_rounds、eval_metric或verbosity寫進字典中，這三個參數必須且只能獨立寫在xgb.XGBClassifier()括號內。同時亦不可加入 use_label_encoder參數。 模型訓練與監控：呼叫
model.fit()時在訓練過程中監控logloss以防範過擬合 (Early Stopping)。 model.fit()括號內只能包含X_train,y_train,eval_set=[(X_train, y_train), (X_test, y_test)]以及verbose=False，絕對不可出現callbacks、early_stopping_rounds、eval_metric或evals_result。 學習曲線繪製：訓練完成踩完煞車後，直接提取
final_model.evals_result_內建屬性成績單，繪製 Train 與 Test 的logloss折線圖。
💬 Prompt 指令：
先使用 !pip install optuna 下載套件。計算 y_train 的比例，算 scale_pos_weight，去使用 optuna 套件來做自動調參數。使用 StratifiedKFold 進行交叉驗證，並以 AUC 為優化目標。接著，呼叫 xgboost 模型，並套用剛剛使用 optuna 套件找到的超參數。以下語法限制適用於 Optuna 的 objective 函數內部，以及最終模型的建立。在 Optuna 設定超參數字典 (params) 時，絕對不可以把 early_stopping_rounds、eval_metric 或 verbosity 寫進字典裡，這三個參數必須、且只能獨立寫在 xgb.XGBClassifier 的括號中。不能加入 use_label_encoder 參數。接下來進入訓練階段，請呼叫 model.fit()。透過前面的設定，讓模型在訓練的同時監控 logloss 的變化，以防止 overfitting，並在真正 overfitting 前自動踩煞車停止訓練。model.fit() 括號裡面只能放 X_train, y_train、eval_set=[(X_train, y_train), (X_test, y_test)] 以及 verbose=False, 絕對不可以出現 callbacks、early_stopping_rounds、eval_metric 或 evals_result。等到模型訓練完全結束並踩完煞車後，請直接使用 eval_results = final_model.evals_result_ 這個內建屬性來提取成績單，以供後續畫圖使用。最後，請直接提取模型內建的 evals_result_ 屬性來取得成績，並把這個結果畫 Train 與 Test 的 logloss 折線圖顯示出來。
Step 7. 模型評估 (Model Evaluation)
📌 詳細步驟說明：針對訓練完畢的模型進行性能指標評估，包含輸出完整分類報表、繪製混淆矩陣 (Confusion Matrix) 以及 AUC-ROC 曲線圖
。 💬 Prompt 指令：
我的模型已經訓練完畢 接下來要對訓練好的模型來看評估指標，印出包含 Accuracy、Precision、Recall、F1-score 的完整報表，並繪製混淆矩陣。幫我依據我的訓練結果印出 AUC-ROC 的完整報表與繪製圖片。
Step 8. 模型解釋 (Model Interpretation)
📌 詳細步驟說明：引入 SHAP (SHapley Additive exPlanations) 套件，繪製特徵重要性長條圖，分析模型決策時看重的關鍵臨床特徵
。 💬 Prompt 指令：
幫我引入 SHAP 解釋模型看重那些特徵並繪製長條圖表顯示出來。