Este repositório contém uma análise exploratória de dados de saúde, com visualização interativa e predição de risco utilizando Python, Streamlit, pandas, plotly e scikit-learn.
Acesse o dashboard online aqui: Projeto Analytics - Streamlit App
dados/: Base de dados utilizada na análise (Medicaldataset.csv).scripts/: Scripts Python, incluindo o dashboard Streamlit (app_streamlit.py).README.md: Este arquivo de documentação..gitignore: Arquivos e pastas ignorados pelo Git.
- Instale as dependências:
pip install -r requirements.txt
- Execute o Streamlit:
streamlit run scripts/app_streamlit.py
- Python 3.8+
- pandas
- plotly
- scikit-learn
- streamlit
- Distribuição dos Resultados: Aproximadamente 61% dos pacientes possuem resultado positivo para o desfecho analisado, enquanto 39% são negativos.
- Idade: Idade média de ~58 anos, com predominância de casos positivos em faixas etárias mais elevadas.
- Pressão Sistólica: Mais de 95% dos pacientes apresentam algum grau de hipertensão, principalmente entre os casos positivos.
- Glicose: Pacientes com glicose elevada têm maior proporção de resultados positivos, sugerindo associação com o risco.
- Correlação entre Variáveis: As maiores correlações foram entre CK-MB e Troponin e entre pressão sistólica e troponina.
- Outliers: Identificados principalmente em CK-MB, Troponin e Glicose, podendo indicar casos graves ou erros de medição.
- Modelo Preditivo: O modelo Random Forest obteve boa performance utilizando idade, glicose e pressão sistólica como variáveis principais.
- Dados Limpos: O dataset não apresentou valores ausentes após o tratamento, aumentando a confiabilidade da análise.
- Visualização Interativa: O dashboard permite explorar cenários e simular risco para novos pacientes.
Desenvolvido por Noam Coelho.
Dúvidas ou sugestões? Abra uma issue ou acesse o dashboard interativo no Streamlit.