Passa al contenuto principale

FAQ — Domande frequenti

Sul setup e il dataset​

Perché il dataset non è nella repository?​

Per due motivi:

  1. Policy UCI / Kaggle: la redistribuzione non è incoraggiata.
  2. Dimensioni: ~20 MB di CSV non sono un problema, ma vogliamo che lo studente faccia l'esperienza di scaricare i dati da una fonte autorevole e capire la licenza.

Posso usare il dataset Kaggle invece di UCI?​

Sì, sono lo stesso dataset. Kaggle è più comodo da scaricare (1 clic dopo login), UCI è la fonte ufficiale.

pip install -e ".[notebooks]" mi dà errore. Come faccio?​

Quasi sempre serve un compilatore C per numpy/scipy. Su Linux: sudo apt install build-essential python3-dev. Su macOS: xcode-select --install. Su Windows: installa MS C++ Build Tools, oppure (più semplice) usa WSL2.

Quanto spazio occupa l'installazione completa?​

~500 MB inclusi virtualenv, dipendenze ML e dataset.

Sul problem framing​

Perché binarizzare il target invece di tenerlo a 3 classi?​

Tre ragioni:

  1. Coerenza con HRRP: l'indicatore penalizzato dal sistema sanitario USA è la readmission a 30 giorni, non a 60 o 90.
  2. Azionabilità clinica: il modello deve dire "questo paziente ha bisogno di follow-up" o "no". Una distribuzione su 3 classi è ambigua.
  3. Allineamento con la letteratura: Strack 2014 e il tutorial Fairlearn usano la stessa binarizzazione → risultati confrontabili.

Un paziente riammesso al giorno 31 è davvero "non a rischio"?​

No, clinicamente è ambiguo. È un costo accettato della binarizzazione. Va menzionato esplicitamente nel report.

Perché 5× come rapporto costi FN/FP e non 10× o 20×?​

È una scelta conservativa. La letteratura health economics suggerisce un range 5–20× (un FN costa 15–20k,unFP15–20k, un FP 50–200). Cominciare da 5 mantiene il modello più "selettivo"; valori più alti aumentano i falsi positivi. È un parametro da discutere con la committenza clinica.

Sul preprocessing​

Perché eliminare weight invece di imputarlo?​

Con il 97% di missing, qualunque imputazione inventa dati, non li ricostruisce. La feature non è informativa e introduce solo rumore.

Cosa fare con medical_specialty (49% missing)?​

Tre opzioni, tutte legittime se motivate:

  1. Eliminarla (perdiamo segnale clinico).
  2. Imputare con "Unknown" (la categoria "Unknown" diventa essa stessa informativa: chi sono i pazienti senza specialità medica registrata?).
  3. Raggruppare in macro-categorie cliniche (Internal Medicine, Cardiology, Surgery, …, Other, Unknown).

Nel progetto scegliamo la (3). Le altre sono valide se documentate.

Perché raggruppare i codici ICD-9 in 9 macro-categorie?​

700 valori unici → 700 colonne one-hot → modello che overfitta e impossibile da interpretare. Le macro-categorie (circolatorie, respiratorie, diabete, ecc.) preservano il segnale clinico riducendo drasticamente la dimensionalità.

Sui modelli e le metriche​

Perché AUC-PR e non AUC-ROC come metrica primaria?​

Su classi al 11%, l'AUC-ROC è gonfiato dalla presenza massiccia di negativi. L'AUC-PR misura solo la performance sulla classe positiva, che è quella che ci interessa.

Random Forest mi dà AUC-PR solo 1–2% meglio di LogReg. Conviene?​

Probabilmente no. Considerazioni:

  • Il gap è dentro la std della CV → non significativo.
  • LogReg è interpretabile (clinico legge i coefficienti).
  • RF richiede tuning più attento.

In un setting clinico, LogReg + class_weight è una scelta legittima e difendibile anche se RF è marginalmente migliore.

La mia AUC-PR è 0.65! Che ho sbagliato?​

Probabilmente hai data leakage. Controlla:

  • Stai usando GroupKFold su patient_nbr? Se no, lo stesso paziente è in train e test.
  • Hai fittato il preprocessing dopo lo split, dentro la Pipeline? Se no, il preprocessing ha visto il test set.
  • Hai usato la target (o feature derivate dalla target, come readmitted) come feature?

In letteratura, AUC-PR sopra 0.30 su questo dataset è sospetto.

Devo provare XGBoost / LightGBM / CatBoost / DL?​

XGBoost / LightGBM sono ragionevoli, ma il guadagno marginale è piccolo e introducono dipendenze esterne. Deep learning su 50 feature tabulari è sconsigliato (gli ensemble di alberi sono in genere superiori e più stabili).

Sulla fairness​

Devo includere race nel modello?​

È la domanda etica del progetto. Non c'è una risposta unica:

  • Includerla: il modello la usa direttamente, rischio di discriminazione diretta, ma il fairness audit è più trasparente.
  • Escluderla: il modello può comunque inferirla indirettamente da altre feature (es. ZIP code, certe diagnosi), e tu perdi la possibilità di misurare il gap.
  • Compromesso: escluderla dal training, usarla solo in fairness audit. Spesso preferito in setting clinici.

La scelta va dichiarata e motivata.

Demographic parity o equalized odds?​

In sanità, in genere equalized odds. Motivo: la prevalenza vera della readmission varia fra gruppi (è un fatto biologico/sociale, non un bug). Forzare la stessa selection rate per tutti significherebbe sotto-allertare gruppi a rischio più alto. Equalized odds dice: "a parità di vero stato, il modello tratta tutti uguali".

Cos'è il "teorema di impossibilità" di Chouldechova?​

In sintesi: se le prevalenze sono diverse fra gruppi, non puoi soddisfare contemporaneamente demographic parity, equalized odds e predictive parity. È un risultato matematico, non un'opinione. Devi scegliere.

Cosa faccio se il mio gap di equalized odds è 0.10?​

Dipende dal contesto:

  • Per un programma di follow-up post-dimissione, 0.10 è notevole: significa che un gruppo riceve il 10% in più (o in meno) di intercettazioni a parità di rischio.
  • Le opzioni: (a) accettare e documentare; (b) applicare mitigazione (es. ThresholdOptimizer); (c) raccogliere più dati per il gruppo svantaggiato.

La decisione è etica, non tecnica.

Sull'interpretabilità​

Come spiego il modello a un clinico?​

Tre livelli, dal globale all'individuale:

  1. Globale: feature importance (RF) o coefficienti standardizzati (LogReg).
  2. Locale: SHAP value per singola predizione → "questo paziente è ad alto rischio perché ha 13 farmaci e 4 ricoveri precedenti".
  3. Counterfactual: "se il paziente avesse fatto l'HbA1c, il rischio scenderebbe del 15%".

Coefficienti LogReg negativi: cosa significano?​

Una feature con coefficiente negativo riduce la probabilità di essere positivo. Esempio: se A1Cresult_Norm ha coefficiente negativo, significa che valori normali di HbA1c sono associati a minore probabilità di readmission a 30 gg → coerente con la letteratura.

Sulla pubblicazione e il workflow​

Come pubblico la documentazione su GitHub Pages?​

Tre step:

  1. Push del codice su GitHub (branch main o master).
  2. Settings → Pages → Build and deployment → Source = GitHub Actions (una sola volta).
  3. Il workflow .github/workflows/deploy-docs.yml si occupa di tutto: build di Docusaurus + deploy.

Ogni push successivo aggiorna il sito.

Posso usare il sito per il mio progetto del corso?​

Sì, è MIT. Puoi fork-arlo, modificarlo, pubblicarlo con il tuo nome. Apprezzata (non obbligatoria) un'attribuzione.

Non vedo i miei cambiamenti su GitHub Pages​

  • Hai aspettato 1–2 minuti dopo il push?
  • Actions mostra il workflow verde?
  • Settings → Pages punta a "GitHub Actions" e non a una branch specifica?

Come testo localmente la documentazione?​

cd website
npm install
npm run start    # apre http://localhost:3000 con hot reload
npm run build    # verifica che il build di produzione passi

Altre domande​

Posso usare questo progetto come portfolio?​

Sì, è il senso. Includi nel tuo portfolio:

  • Link al repo GitHub.
  • Link alla documentazione pubblicata.
  • Il report finale (PDF).
  • Una breve discussione del risultato di fairness (è quello che distingue il progetto).

Dove trovo l'autore?​

federicocalo.dev per portfolio, altri progetti e contatti.

Non ho trovato la mia domanda​

Apri una issue su GitHub: github.com/fedcal/Predizione-della-riammissione-ospedaliera-a-30-Giorni/issues