Code Monkey home page Code Monkey logo

predicting-functional-impairment's Introduction

Predicting functional impairment in patients with mood disorder: A 5-year follow-up

  • O objetivo deste repositório é agregar as análises realizadas para um artigo entitulado "Predicting functional impairment in patients with mood disorder: A 5-year follow-up" de autoria de Kyara Rodrigues Aguiar, Bruno Braga Montezano, Jacson Gabriel Feiten e Ives Cavalcante Passos no ano de 2022 quanto a predição de sujeitos com transtornos de humor que apresentarão prejuízo funcional dentro de um intervalo de 5 anos do baseline ao follow-up.

  • The purpose of this repository is to aggregate the analyzes performed for a paper regarding the prediction of subjects with mood disorders who will present functional impairment within a 5-year interval from baseline to follow-up.


  • As análises estão sendo realizadas a partir de scripts escritos na linguagem de programação R, com uso de alguns pacotes para facilitar no processo, como: o framework tidyverse, pacote caret, pacote pROC, pacote glmnet, pacote rf, etc.

  • The analyzes are being performed using scripts written in the R programming language, using some packages to facilitate the process, such as: the tidyverse framework, caret package, pROC package, glmnet package, rf package, etc.


  • No diretório de scripts, existem os seguintes arquivos:

    • Script de pré-processamento dos dados e criação de novas features;
    • Script de preparação do modelo para inserção no aplicativo Shiny;
    • Script da análise principal, contendo random forest com RFE, elastic net e random forest sem RFE;
    • Script de análise sem imputação de dados, utilizando random forest com RFE e elastic net;
    • Script de análise de random forest com RFE repartindo os dados em 50% para treino e teste, com uso de duas técnicas de validação cruzada (LOOCV e k-fold);
    • Script de análise sem variáveis coletadas no follow-up;
    • Script de análise com uso de regressão logística binomial.
  • In the scripts directory, there are the following files:

    • Data pre-processing and feature engineering;
    • Model preparation for the Shiny application;
    • Main analysis script, containing random forest with RFE, elastic net and random forest without RFE;
    • Analysis script without data imputation, using random forest with RFE and elastic net;
    • Random forest with RFEanalysis script splitting the data by 50% for training and testing sets, using two cross-validation techniques (LOOCV and k-fold) for tuning;
    • Analysis script without variables collected in follow-up;
    • Analysis script using binomial logistic regression.

  • No diretório scripts/app existem dois arquivos:

    • app.R: Contém o aplicativo em Shiny hospedado no shinyapps.io;
    • func_plot.R: Script contendo a função utilizada para gerar o gráfico da calculadora de risco.
  • In the scripts/app directory, there are two files:

    • app.R: Contains the Shiny app hosted at shinyapps.io;
    • func_plot.R: Script that contains the function to generate the risk calculator plot.

Tenha um ótimo dia!

Have a great day!

predicting-functional-impairment's People

Contributors

brunomontezano avatar jfeiten avatar

Watchers

 avatar

predicting-functional-impairment's Issues

Pendências iniciais

@jfeiten @brunomontezano

  • Check-up inicial do script principal (estrutura, metodologia, etc)
  • Adição de novo método de imputação (MICE ou caret::preProcess)
  • Análise individual de missing values "reais"

Etapa 3

@jfeiten

Próxima reunião: 30/09/2021

ML

  • Testar outras formas de divisão de treino/teste e cross-validation.
  • Testar leave-one-out.
  • Decidir na reunião se a estratificação de risco será feita a partir do modelo de "produção". (para a próxima reunião)
  • Implementar teste de permutação para o melhor modelo. (para a próxima etapa)
  • Shapley values para importância das variáveis. (para a próxima etapa)
  • Implementar partial dependence plot para interpretação do modelo, caso o melhor modelo seja Random Forest. (para a próxima etapa)

Etapa 4

@jfeiten

Próxima reunião: 13/02/2022 às 19:00

ML

  • Dicotomizar dimensões da CTQ.
  • Revisar cálculo da CTQ.
  • Testar somente LASSO e verificar o comportamento das variáveis.
  • Agrupar drogas.
  • Shapley values para importância das variáveis.
  • Implementar partial dependence plot para interpretação do modelo, caso o melhor modelo seja Random Forest. (para a próxima etapa)
  • Decidir se os modelos com CTQ categórico devem ser relatados.
  • Decidir na reunião se a estratificação de risco será feita a partir do modelo de "produção". (caso for necessário)
  • Implementar teste de permutação para o melhor modelo. (caso for necessário)

Etapa 2

Meta 23/09/2021 @jfeiten

  • Refatorar código.
  • Terminar implementação da curva ROC.
  • Melhorar a otimização do Elastic Net.
  • Revisar implementação Random Forest.
  • Comparar a performance dos modelos usando resample.
  • Testar melhor modelo.

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.