根据索赔数据中的过去状况预测下一个疾病状况

我目前正在使用大量的健康保险理赔数据，其中包括一些实验室和药房理赔。但是，数据集中最一致的信息由诊断（ICD-9CM）和过程代码（CPT，HCSPCS，ICD-9CM）组成。

我的目标是：

1. 确定最有影响力的前体疾病（合并症），例如慢性肾脏疾病等医学疾病；
2. 根据患者过去的病情，确定其患病的可能性（或可能性）；
3. 进行与1和2相同的操作，但要进行操作和/或诊断。
4. 最好，结果可以由医生解释

我看过诸如“ 遗产健康奖里程碑”论文之类的东西，并从中学到了很多东西，但是它们专注于预测住院情况。

所以这是我的问题：您认为哪种方法可以很好地解决此类问题？而且，对于学习与医疗保健和临床医学相关的数据科学应用和方法，哪些资源最有用？

编辑＃2添加明文表：

CKD是目标疾病，“慢性肾脏病”，“。any”表示他们随时都有该疾病，“。isbefore.ckd”表示他们在首次诊断CKD之前患有该疾病。其他缩写对应于由ICD-9CM代码分组标识的其他条件。在导入过程中，此分组在SQL中发生。除Patient_age之外，每个变量都是二进制的。

我从未处理过医疗数据，但是从一般的推理来看，我会说医疗保健中变量之间的关系非常复杂。不同的模型（例如随机森林，回归模型等）只能捕获部分关系，而忽略其他关系。在这种情况下，使用一般的统计探索和建模是有意义的。

例如，我要做的第一件事就是找出可能的前体状况和诊断之间的相关性。例如，在百分之几的慢性肾脏疾病中先后出现长期流感？如果该值很高，则并不总是意味着因果关系，但可以为您提供很好的思考资源，并有助于更好地理解不同条件之间的关系。

另一个重要步骤是数据可视化。CKD在男性中的发生频率是否比女性高？他们的住所呢？CKD病例的年龄分布是什么？很难将大型数据集理解为一组数字，将它们绘制出来将变得更加容易。

当您对发生的事情有所了解时，请执行假设检验以检查您的假设。如果您不赞成零假设（基本假设）而选择另一种假设（即祝贺），那么您就已经实现了“真实的东西”。

最后，当您对数据有很好的了解时，请尝试创建完整的模型。它可能是一般的东西，例如PGM（例如，手工制作的贝叶斯网络），或者更具体的东西，例如线性回归或SVM，或其他任何东西。但是，无论如何，您都已经知道该模型如何与您的数据相对应以及如何测量其效率。

作为学习统计方法的良好入门资源，我建议Sebastian Thrun撰写“ 统计学入门”课程。它虽然很基础，并且不包含高级主题，但它描述了最重要的概念并提供了对概率论和统计学的系统理解。

虽然我不是数据科学家，但我是在临床环境中工作的流行病学家。您的研究问题未指定时间段（即，在1年，10年，一生中患CKD的几率？）。

通常，在考虑建模（单变量分析，双变量分析，共线性检查等）之前，我将经过许多步骤。但是，尝试预测二进制事件（使用连续或二进制变量）的最常用方法是逻辑回归。如果您想将CKD视为实验室值（尿白蛋白，eGFR），则可以使用线性回归（连续结果）。

尽管所使用的方法应根据您的数据和问题告知，但临床医生习惯于查看比值比和风险比，因为它们是NEJM和JAMA等医学杂志上最常报告的关联度量。

如果您从人类健康的角度（而不是商业智能）着手解决此问题，此Steyerberg的临床预测模型将是一个极好的资源。

“确定最有影响力的前体疾病（合并症），例如慢性肾脏疾病等医学疾病”

我不知道这是可能的ID 的最有影响力的条件; 我认为这将取决于您使用的模型。就在昨天，我在同一数据上拟合了随机森林和增强型回归树，每个模型给出的变量顺序和相对重要性都大不相同。