synthetic metabolic dataset

Este projeto gera e analisa um conjunto de dados sintéticos de 10.000 adultos, refletindo a idade, IMC, circunferência da cintura, glicose em jejum, HDL, triglicerídeos e distribuições de pressão alta da população dos EUA adultos. Utilizei o United declarou tendências estatísticas, conforme detalhado pelo NHANES (CDC). Ao empregar vários algoritmos novos para simular métricas realistas de saúde, poderemos utilizar esse conjunto de dados para analisar melhor os fatores de risco associados à síndrome metabólica.

Importações iniciais: o projeto começa importando bibliotecas essenciais do Python: Numpy para operações numéricas, pandas para manipulação de dados, matplotlib.pyplot para visualizações e aleatório para gerar números aleatórios. Essas bibliotecas formam o kit de ferramentas fundamentais para lidar com dados, executando cálculos estatísticos e plotando gráficos.

Gerador de conjunto de dados da população adulta: O código gera um conjunto de dados sintéticos de 10.000 adultos, imitando a distribuição de idade e IMC da população adulta dos EUA. Ele define grupos etários e suas proporções, gerando uma distribuição de idade de acordo. O conjunto de dados inclui colunas de 'idade' e 'gênero', com valores de IMC criados com base nas características especificadas para cada faixa etária. Esse conjunto de dados reflete de perto a distribuição de idade e IMC, tornando -o adequado para analisar os riscos metabólicos da saúde.

Algoritmo de geração de circunferência da cintura: uma função gera valores realistas de circunferência da cintura com base no IMC, idade e sexo. O algoritmo usa relações lineares, fatores de ajuste de idade e variação aleatória para simular diferenças individuais. A função se integra ao conjunto de dados principal usando o método de aplicação de pandas.

Algoritmo de geração de glicose no sangue em jejum: uma função gera valores de glicose no sangue em jejum (FBG) com base na idade e no IMC, usando uma abordagem probabilística. As categorias de IMC são definidas e as probabilidades básicas para FBG elevadas são ajustadas por um fator de idade. Os valores são gerados usando distribuições uniformes, refletindo intervalos realistas. Esta função se integra ao conjunto de dados principal usando o método de aplicação de pandas.

Algoritmo de geração de nível de triglicerídeos: uma função gera níveis de triglicerídeos com base na categoria de idade e IMC usando uma abordagem probabilística estratificada. Os parâmetros para níveis de triglicerídeos são definidos para cada categoria de IMC, com ajustes de idade para probabilidades. Os valores são gerados usando distribuições uniformes e integrados no conjunto de dados principal com o método de aplicação de pandas.

Algoritmo de geração de colesterol HDL: Uma função gera níveis de colesterol HDL com base em idade, sexo e categoria de IMC usando uma abordagem probabilística. Os limiares específicos de gênero e ajustes de idade são aplicados para gerar valores, refletindo distribuições realistas. Esta função usa Numpy para geração aleatória e se integra ao conjunto de dados principal usando o método Apply Pandas.

Algoritmo de atribuição de pressão alta: uma função atribui status de pressão alta com base na idade e na categoria IMC usando uma abordagem probabilística. As probabilidades básicas e os ajustes de idade são aplicados, com geração aleatória determinando o status. Esse status binário é integrado ao conjunto de dados usando o método de aplicação de pandas.

Identificando a síndrome metabólica e a padronização de colunas de conjunto de dados: Este código identifica indivíduos com síndrome metabólica usando uma função que verifica cinco critérios: obesidade abdominal, triglicerídeos elevados, colesterol reduzido de HDL, pressão arterial elevada e glicose em jejum elevada. O cumprimento de pelo menos três critérios classifica um indivíduo como tendo síndrome metabólica. A função é aplicada a cada linha, criando uma nova coluna metabolic_syndrome. O código também padroniza os nomes das colunas para consistência e executa a exploração inicial de dados, preparando o conjunto de dados para análises adicionais.

Algoritmo de classificação da síndrome metabólica: uma função classifica indivíduos para síndrome metabólica usando critérios clínicos, aplicando limiares específicos de gênero para circunferência da cintura e colesterol HDL. A função é aplicada a cada linha do conjunto de dados, gerando uma classificação binária. A prevalência geral da síndrome metabólica é calculada e impressa, juntamente com uma amostra do conjunto de dados atualizado.

Visualização de dados de métricas de saúde pelo IMC: Uma estratégia abrangente de visualização de dados analisa a relação entre IMC e várias métricas de saúde, segregadas por gênero. A agregação de dados, gráficos de linha dupla e ajuste fino da estética da plotagem facilitam a visualização eficiente de relacionamentos complexos, permitindo a identificação rápida de tendências e padrões específicos de gênero.

A visualização de dados das métricas de saúde por idade: uma estratégia de visualização de dados semelhante analisa a relação entre idade e várias métricas de saúde, segregadas por gênero. A agregação baseada na idade e as parcelas de dupla linha revelam tendências de saúde relacionadas à idade, fornecendo informações para intervenções de saúde específicas da idade.

Análise comparativa dos dados sintéticos contra a referência do NHANES: Um algoritmo de análise de dados compara o conjunto de dados sintéticos com os dados de referência do NHANES, com foco nas principais métricas de saúde. Cálculos percentuais e medidas de desvio fornecem informações sobre o alinhamento e os desvios dos dados sintéticos das estatísticas do mundo real. Essa abordagem ajuda a refinar o processo de geração de dados para precisão.