第15步 机器学习分类实战：数据收集

---

随便忽悠水一期

万里长征第一步，先把数据收集说了哈。
数据收集，顾名思义就是就是拿到数据。我盲猜大多数人都是从医院或者单位数据库导出来的，严格来说不叫数据收集，叫数据导出（说啥大实话）。多说一句，医院的病例系统对于导出临床症状可能不太友好（比如发热、畏寒、体重下降等），因为这些信息是在大病历里面的，没有统一的格式，硬要导出对于计算机来说很困难。反而那些实验室检查的数据（血常规、肝功肾功等），由于是一个萝卜一个坑的设计方式，所以很容易导出整齐的数据格式。对于前者，手抄吧，或者从源头上就把电子病例系统设计好，模块化的输入（想想而已，别当真）。

接着，可以根据你们的临床目的制定一个纳入排除标准，这个纳入排除标准很重要哦：
（1）你要纳入多少病人？（越多越好？）
（2）研究的期限是啥？（XX年至XX年）
（3）纳入标准：诊断标准是啥？是否有其他限制（年龄呀、治疗方式呀等等）。
（4）排除标准：为啥要排除，给出科学（能圆的过去）的理由。

这一步看起来很枯燥哈，其实是很重要的，反映出文章和设计的严谨性，也是审稿人最喜欢问的地方，比如说（我随便乱编的）：
① 研究期限是2012-2020，但是2016年诊断/治疗指南或者啥政策变了，你这个研究人群是否还有意义？
② 你的诊断标准似乎跟指南有些许出入，请解释。
③ 你这个临床变量为什么选这些呀？为什么不选XXX检查指标（我认为这个指标很重要）？
④ 你这个发热是我认为的发热么？你这个体重减轻是我认为的体重减轻么？
⑤ …
噼里啪啦一顿输出，别问我为啥知道，都是血泪。

所以啊，在设计课题和收集数据的时候，一定要严谨，每一步一定要制定清晰的、有依据的、说了人家不能反驳的、人家反驳你还能怼回去的（所谓怼回去一定要有高质量的证据，最好是CNS、新英格兰、柳叶刀、WHO指南等作为依据，而不是靠经验和口嗨）纳入排除标准，制定下来了以后，严格按照此标准进行数据收集和分析。

那么，定错了怎么办？没事，从头再来而已。大家也不用太紧张，返工2-3次是正常操作，大胆去躁吧，年轻人。

因此，要建立好自己的分析流程，这样返工一次的时间也不会太久，所谓流程那就是：作图的模板留好（换个数据就出图）、模型代码规整好（换个数据就能跑）等等。毫无感情的流水线作业。
最后，就可以开始作图了：

（1）纳入排除标准的流程图

这个图都看得懂吧。首先，第一个框展示一共多少病人，然后最下面的一个框展示最后纳入多少病人。中间有一条长长的箭头，这个箭头的右边就是要排除的病人：一共有三个排除标准，所以是三个框，要写清楚排除标准和排除人数。

然后就是划分训练集和验证集，还有测试集（他这个厉害，用了5个医院的数据做测试集）。训练集、验证集、测试集的划分和区别，后面再说。
这个图可以用PPT来做，简单粗暴，排列整齐就好。当然用PS、AI、幕布等专业软件做，也可以。

（2）要求比较高的同志，可以搞点花里胡哨的流程图：

这个图其实已经是全文的技术路线了，数据收集、数据清洗、特征工程、建模、模型评估全都有，还配上各种花里胡哨的元素，外行看起来就觉得很厉害，内行一般直接跳过（又说啥大实话）。不过呢，图做的好看准没错。

多说一个坑，这些元素要自己画的哦，因为文章出版会涉及到版权，从别的地方复制过来的话，杂志社会让返工重画。别问我咋知道那么多细节。

这个图也可以用PPT来做，简单粗暴，排列整齐就好。当然用PS、AI，甚至3DMAX、C4D等三维专业软件做，也可以，那更加吸引眼球了，哈哈哈。

好了，随便忽悠了一下，下一步数据清洗见。

---