Eine Python-Analyse von MIMIC-IV-Gesundheitsdaten (DREAMT), um Erkenntnisse über Faktoren zu gewinnen, die Schlafstörungen beeinflussen.
Vor 11 Stunden
In diesem Artikel werde ich die Informationen der Teilnehmer aus dem DREAMED-Datensatz analysieren, um Zusammenhänge zwischen Schlafstörungen wie Schlafapnoe, Schnarchen, Atembeschwerden, Kopfschmerzen, Stressed-Legs-Syndrom (RLS), Schnauben und Teilnehmermerkmalen wie Alter, Geschlecht, Physique-Mass-Index (BMI), Arousal-Index, mittlere Sauerstoffsättigung (Mean_SaO2), Krankengeschichte, obstruktiver Apnoe-Hypopnoe-Index (OAHI) und Apnoe-Hypopnoe-Index (AHI).
Bei den Teilnehmern handelt es sich hier um diejenigen, die an der DREAMED-Studie teilgenommen haben.
Das Ergebnis wird ein umfassender Datenanalysebericht mit Visualisierungen, Erkenntnissen und Schlussfolgerungen sein.
Ich werde ein Jupyter-Pocket book mit Python-Bibliotheken wie Pandas, Numpy, Matplotlib und Seaborn verwenden.
Die für diese Analyse verwendeten Daten stammen von DREAMT: Dataset for Actual-time Sleep Stage EstimAtion utilizing Multisensor Wearable Know-how 1.0.1. DREAMED ist Teil der von PhysioNet gehosteten MIMIC-IV-Datensätze.