Анализ вероятности возникновения инсульта

По данным Всемирной организации здравоохранения (ВОЗ), инсульт занимает второе место среди причин смертности в мире. Эта тема интересует меня не только с научной точки зрения, но и имеет личное значение. Моя семья также столкнулась с этим заболеванием: у моей бабушки произошёл инсульт левого полушария мозга. Инсульт — это серьёзная патология, которая влечёт за собой тяжёлые последствия для организма, вплоть до полной потери дееспособности. Крайне важно своевременно диагностировать инсульт, поскольку ранняя диагностика и анализ факторов риска могут помочь предотвратить инсульт или минимизировать его последствия. Возможно, результаты такого анализа станут полезными для других людей и помогут вовремя выявлять угрозу и защищать своих близких.

Для анализа я выбрала Stroke Prediction Dataset, размещённый на платформе Kaggle. Этот набор данных предоставляет информацию о различных факторах, влияющих на вероятность инсульта, и идеально подходит для задачи прогнозирования.

Я черпала вдохновение в образах МРТ-снимков, выполненных в сине-голубой палитре с розовыми акцентами на очаговых участках. Для разработки концепции стилистического оформления я опиралась на изображения, сгенерированные посредством Midjourney, что помогло мне задать тон проекта и определить цветовую гамму.

Я стремилась передать ощущение медицинской среды и добавить намек на технологичность. Цветовая палитра проекта включает оттенки #C63D73, #FED2EA, #00B1F1, #0053B9 и #003680, которые применялись для оформления графиков и презентации.

— a detailed MRI scan of a human brain, viewed as medical imaging. The color palette includes shades of blue and pink, maintaining realistic medical details. The brain structure is clear and intricate — illustration of the human brain, showing intricate neural connections and glowing cells. The background is a dark blue with subtle red lights representing some parts in focus — close-up of doctors examining an MRI scan showing the brain in a medical setting, with a blue color palette, high-resolution photography — blue and red glowing neurons in the brain, macro photography, hyper-realistic

В ходе анализа данных я выбрала определенные виды графиков, поскольку они кажутся мне самыми подходящими и информативными для визуализации, а именно:

— круговые диаграммы — кольцевые диаграммы — линейный график — матрица корреляций — точечный график — столбчатый график

Я импортировала необходимые библиотеки: numpy, matplotlib, pandas, matplotlib.colors и seaborn, а затем загрузила данные из CSV-файла «HT_DS.csv» в переменную df для удобной работы с таблицей.

После загрузки данных я начала подготовку информации для круговых диаграмм. Я создала подмножества для анализа распределения по полу, гипертонии, сердечно-сосудистым заболеваниям, семейному положению и типу места проживания, сохранив результаты в переменные GD, HT, HD, EM и RT.

Далее обработала данные для двух кольцевых диаграмм. Распределение по статусу курения сохранено в переменной Smoke, а распределение по типу работы — в переменной WT.

Для построения линейного графика, чтобы убедиться, что все значения корректно преобразованы в числовой формат, я применила функцию pd.to_numeric с параметром errors='coerce', который автоматически заменяет некорректные данные на пустые значения. После чего подсчитала кол-во уникальных совпадений value_counts () и отсортировала данные по индексу с помощью sort_index (). Результат сохранила в переменную Ages.

Для тепловой карты я отфильтровала данные по людям, перенёсшим инсульт, и сохранила их в переменную MK. Затем отфильтровала данные для людей с инсультом и оставила только значимые признаки, сохранив их в переменную MK1. После этого рассчитала корреляционную матрицу с помощью метода .corr () и сохранила результат в переменной matrix.

В случае с построением столбчатого графика, я обработала данные о возрасте и индексе массы тела (BMI) для мужчин и женщин, перенёсших инсульт. Для каждой группы рассчитала средние значения BMI по возрасту, сгруппировав данные с использованием .groupby ('age') и метода .agg ({'bmi': 'mean'}). После фильтрации был применен метод сброса индекса reset_index () для удобной работы с полученными данными. Итог был сохранен в переменные MData (для мужчин) и FMData (для женщин).

Для построения точечного графика были сформированы две переменные. x_AG — содержит значения возраста пациентов с инсультом, а y_AG — значения среднего уровня глюкозы в их крови.

На основе представленных круговых диаграмм можно сделать несколько интересных выводов:

Мужчины оказались более подвержены инсульту (56.63%) по сравнению с женщинами (43.37%), что может быть связано с различиями в образе жизни и факторах риска у представителей разных полов.

Большая часть пациентов с инсультом (73.49%) не имела гипертонии, однако у 26,51% она присутствовала, что подтверждает гипертонию как один из факторов риска, но далеко не единственный.

Проблемы с сердцем были выявлены лишь у 18,88% пациентов, тогда как у подавляющего большинства (81.12%) сердечно-сосудистые заболевания отсутствовали, что указывает на их меньшую распространённость среди людей, перенёсших инсульт.

Интересно, что только 11,65% пациентов состояли в браке, тогда как 88,35% были неженаты или не замужем, что в теории могло свидетельствовать о влиянии социальных и психоэмоциональных факторов на здоровье.

Также стоит отметить, что показатели инсульта, проживающих в городской местности (54.22%) и в сельской (45.78%), наводят на мысли о небольшом влиянии местности обитания на вероятность возникновения инсульта.