Glossario

:::tip Come usarlo Cerca col Ctrl/Cmd + F. Quando un termine ha più aspetti, la definizione punta al capitolo di teoria che lo approfondisce. :::

Termini di Machine Learning

AUC-PR

Area sotto la precision-recall curve. Metrica primaria del progetto su classi sbilanciate. Baseline = prevalenza positiva (~0.11). Vedi Teoria → 05 Metriche.

AUC-ROC

Area sotto la ROC curve (TPR vs FPR). Misura la qualità del ranking. Su classi sbilanciate può ingannare: la usiamo come riferimento secondario.

Class weighting

Tecnica per gestire lo sbilanciamento: si dà più peso agli errori sulla classe minoritaria durante il training (class_weight="balanced" in sklearn).

ColumnTransformer

Componente sklearn che applica trasformazioni diverse a colonne diverse (es. scaling sulle numeriche, one-hot sulle categoriche).

Confusion matrix

Tabella 2×2 con TN, FP, FN, TP. Da qui derivano tutte le metriche.

Cross-validation (CV)

Stima della performance tramite ripetizione del fit/test su fold diversi. Qui usiamo GroupKFold per non spezzare i pazienti fra fold.

Data leakage

Contaminazione del test con informazione del training. Spesso causato da preprocessing fatto prima dello split, o da patient_nbr non gestito.

Demographic parity

Definizione di equità: $P(\hat{Y}=1 \mid A=a)$ uguale fra gruppi. Vedi Teoria → 06 Fairness.

Equalized odds

Definizione di equità: $P(\hat{Y}=1 \mid Y=y, A=a)$ uguale fra gruppi. Spesso la più rilevante in sanità.

F-β

$F_\beta = (1+\beta^2)\cdot\frac{P \cdot R}{\beta^2 \cdot P + R}$. Con $\beta > 1$ enfatizza la recall.

Fairlearn

Libreria Microsoft per audit e mitigazione di fairness in modelli ML. fairlearn.org

False negative (FN)

Paziente realmente riammesso che il modello classifica come "non a rischio". Errore clinicamente più grave nel nostro setup.

False positive (FP)

Paziente non riammesso che il modello classifica come "a rischio". Errore meno costoso, ma non a costo zero.

Group-aware split

Split che garantisce che tutti i record di un gruppo (qui patient_nbr) finiscano nello stesso fold. Indispensabile per evitare leakage da encounter multipli.

Holdout

Set di test tenuto da parte, mai visto durante training/tuning. Usato una sola volta per stimare la performance finale.

Imputation

Sostituzione dei valori mancanti con valori plausibili (media, mediana, "Unknown"…).

Logistic Regression (LogReg)

Modello lineare per classificazione binaria. Output = probabilità tramite funzione sigmoide. Interpretabile (coefficienti leggibili).

MetricFrame

Oggetto Fairlearn che calcola un dizionario di metriche per sottogruppo e ne riporta gap aggregati.

One-hot encoding

Trasformazione di una colonna categorica in N colonne binarie (una per categoria).

Pipeline

Concatenazione di step (preprocessing + modello) in un unico oggetto sklearn. Garantisce assenza di leakage e riproducibilità.

Precision (PPV)

$\frac{TP}{TP+FP}$. Frazione di allarmi corretti.

Predictive parity

Definizione di equità: $P(Y=1 \mid \hat{Y}=1, A=a)$ uguale fra gruppi.

Random Forest

Ensemble di decision tree con bootstrap e selezione casuale di feature. Robusto, gestisce non linearità.

Recall (TPR, sensibilità)

$\frac{TP}{TP+FN}$. Frazione di positivi correttamente intercettati.

ROC curve

Plot di TPR vs FPR al variare della soglia.

SHAP

SHapley Additive exPlanations: tecnica di interpretabilità che assegna a ogni feature un contributo per ciascuna predizione.

SMOTE

Synthetic Minority Over-sampling Technique: genera esempi sintetici della classe minoritaria interpolando fra vicini.

Soglia (threshold) $\tau$

Valore sopra il quale una probabilità viene classificata come positiva. Tunata su matrice costi, non lasciata a 0.5 per default.

Stratified split

Split che preserva la proporzione delle classi in train e test.

True negative (TN) / True positive (TP)

Predizione corretta (negativa / positiva).

Termini clinici

A1Cresult / HbA1c

Emoglobina glicata: glicemia media dei 3 mesi precedenti. Target <7% per diabetici. Nel dataset valori None, Norm, >7, >8.

CMS

Centers for Medicare & Medicaid Services (USA). Definisce gli standard di rimborso e le metriche di qualità ospedaliera.

Comorbidità

Presenza simultanea di più condizioni patologiche. Misurata nel progetto tramite le 3 colonne diag_*.

Discharge disposition

Modalità di dimissione (codice in discharge_disposition_id): home, home_health_care, hospice, expired, ecc.

Encounter

Singolo ricovero ospedaliero (= una riga del dataset). Identificato da encounter_id.

HRRP

Hospital Readmissions Reduction Program: programma USA che penalizza ospedali con tassi di readmission a 30 giorni superiori alla media.

ICD-9

International Classification of Diseases, 9th revision: sistema di codifica delle diagnosi usato nel dataset (~700 codici unici).

Patient_nbr

ID anonimo del paziente. Può comparire più volte (encounter multipli) → richiede group-aware split.

Riammissione (readmission)

Nuovo ricovero dopo una dimissione precedente, di solito non programmato.

Riconciliazione farmacologica

Processo strutturato di revisione della terapia del paziente al momento di una transizione di cura. Riduce errori di prescrizione.

Strack et al. 2014

Paper di riferimento per il dataset: Impact of HbA1c Measurement on Hospital Readmission Rates. Definisce la classificazione delle diagnosi in macro-categorie.

Variabile sensibile (attributo protetto)

Caratteristica demografica su cui non vogliamo discriminare: race, age, gender nel nostro caso.

Termini di engineering del software

CLI (entry-point)

Comando da terminale registrato nel pyproject.toml: qui readmit-train e readmit-predict.

Editable install

pip install -e .: installa il package in modo che le modifiche al sorgente siano immediatamente attive.

joblib

Libreria Python per serializzare oggetti (pipeline, modelli) su disco.

pyproject.toml

File di configurazione del package Python (sostituto moderno di setup.py).

Virtualenv (venv)

Ambiente Python isolato. Da usare sempre.

Riferimenti bibliografici

• Strack, B. et al. (2014). Impact of HbA1c Measurement on Hospital Readmission Rates: Analysis of 70,000 Clinical Database Patient Records. BioMed Research International, 2014:781670.
• Leppin, A. L. et al. (2014). Preventing 30-day hospital readmissions: a systematic review and meta-analysis. JAMA Internal Medicine.
• Chouldechova, A. (2017). Fair prediction with disparate impact: A study of bias in recidivism prediction instruments. Big Data, 5(2), 153–163.
• Kleinberg, J., Mullainathan, S., Raghavan, M. (2016). Inherent trade-offs in the fair determination of risk scores. arXiv:1609.05807.
• Obermeyer, Z. et al. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453.
• Fairlearn User Guide: fairlearn.org/main/user_guide
• scikit-learn API: scikit-learn.org/stable/api