疾病进展预测系统：基于机器学习的临床风险评估工具

本项目是端到端机器学习项目，名为Disease Progression Predictor，由Nidhi010805在GitHub发布（链接：https://github.com/Nidhi010805/Disease-Progression-Predictor）。核心利用随机森林和XGBoost算法分析患者13项临床健康参数，实现疾病风险等级（低/中/高）实时预测，并通过Streamlit构建交互式Web应用，旨在解决传统临床风险评估主观、耗时问题，助力心脏病等疾病早期风险识别与干预。

医疗领域中疾病早期预测对改善预后和资源分配至关重要。传统评估依赖医生经验和人工分析，耗时且易受主观影响。心脏病作为全球主要死因，早期风险识别尤为关键。本项目通过机器学习实现自动化、精准化风险评估，为预防性干预提供时间窗口。

项目采用完整数据科学工作流，技术栈包括：数据处理（Pandas、NumPy）、模型训练（Scikit-learn、XGBoost）、前端交互（Streamlit）、可视化（Matplotlib、Seaborn）、模型持久化（Joblib）。Streamlit框架支持快速将模型转化为可交互Web应用。

对比逻辑回归、随机森林、XGBoost三种算法。测试集结果显示，随机森林和XGBoost准确率约98.5%，显著优于逻辑回归的79%。树型集成模型更适合捕捉特征间非线性关系，XGBoost训练速度和内存占优，随机森林可解释性略强。

输入含13项临床参数（年龄、性别、胸痛类型、静息血压、胆固醇水平、空腹血糖等），基于医学知识选择。输出分为低（绿）、中（橙）、高（红）三个风险等级，同时提供概率分数展示预测置信度。

模型通过特征重要性分析增强透明度，胸痛类型、最大心率、着色血管数量为影响最大的特征，与医学常识吻合。计划集成SHAP值计算，提供个体化解释，帮助医生理解预测原因，支持人机协作决策。

项目已部署至Streamlit Cloud，用户可浏览器访问。应用场景包括社区卫生中心、体检中心等。未来计划：集成SHAP解释、扩展数据集、增加用户认证、迁移至AWS/Azure以支持大规模并发，逐步演进为生产级医疗辅助工具。