Passa al contenuto principale

Hospital Readmission 30d — ML & Fairness

Pipeline ML clinica per la predizione della riammissione ospedaliera a 30 giorni, con fairness audit per race/age.

Risultati di riferimento

Metriche attese sul dataset UCI 296 (Diabetes 130-US Hospitals), allineate alla letteratura (Strack 2014, tutorial Fairlearn).

AUC-ROC atteso
0.62–0.67
tipico in letteratura
Class imbalance
11%
classe positiva (<30g)
Fairness gap (DP)
<0.05
demographic parity target

Cosa trovi in questa documentazione

Ogni sezione è autocontenuta. Leggi nell'ordine se vuoi una progressione didattica, oppure salta direttamente all'argomento che ti serve.

Teoria, spiegata bene

Sette articoli su problem framing clinico, EDA, preprocessing, modelli, metriche, fairness audit, interpretabilità & limiti — con riferimenti alla letteratura medica.

Esplora la teoria

Pipeline production-ready

Codice modulare in Python con scikit-learn + Fairlearn, group-aware split su patient_nbr, ICD-9 grouping, fairness audit per race/age, CLI readmit-train.

Vedi l'architettura

Trade-off etici documentati

Ogni scelta motivata: perché LogReg+RF, come definire fairness, come gestire imbalance, dove sono i limiti del dataset 1999-2008 e dell'analisi di equità.

Leggi le decisioni