Dieses Projekt demonstriert einen vollständigen ML-Workflow zur Vorhersage von Schlaganfallrisiken anhand von Patientendaten. Ziel ist es, ein zuverlässiges Klassifikationsmodell zu erstellen, das potenzielle Schlaganfälle frühzeitig identifiziert – als Entscheidungsunterstützung zur präventiven Früherkennung und klinischen Entscheidungsunterstützung

• Klassifikation medizinischer Risikodaten
• Modell: Random Forest mit F1-Optimierung
• Klassenungleichgewicht & klinische Relevanz
• Evaluation: Konfusionsmatrix, Klassifikationsbericht, ROC-AUC

Der Datensatz stammt aus Kaggle und enthält anonymisierte Patienteninformationen:

• Geschlecht
• Alter
• Hypertonie (Bluthochdruck)
• Herzerkrankung
• Raucherstatus
• BMI
• Glukoselevel
• Beruf & Familienstand
• Ziel: stroke (0 = kein Schlaganfall, 1 = Schlaganfall)

• Python 3.8+
• pandas, NumPy – Datenaufbereitung
• scikit-learn – Modellierung & Metriken
  • RandomForestClassifier
  • train_test_split, GridSearchCV
  • classification_report, confusion_matrix, roc_auc_score
• matplotlib, seaborn – Visualisierung

1. Datenbereinigung

   • Entfernung leerer Einträge & Ausreißer
   • Umwandlung kategorialer Variablen (z. B. smoking_status → One-Hot)

2. Explorative Analyse

   • Korrelationen & Risikomuster sichtbar gemacht
   • Verteilung von Schlaganfällen nach Alter, Glukose, BMI

3. Modelltraining mit Random Forest

   • Optimierung via GridSearchCV (F1-Score als Ziel)
   • Feature-Importances extrahiert

4. Evaluation

   • Konfusionsmatrix mit Recall & Precision pro Klasse
   • ROC-AUC zur Schwellenanalyse
   • Optional: SHAP zur Interpretierbarkeit

• Ungleichgewicht der Klassen (wenige Schlaganfall-Fälle)
  • Umgang durch: class_weight='balanced', Stratified Sampling
• Klinische Validität vs. Modellkomplexität
  • Bewusst Entscheidung gegen Blackbox-Modelle (z. B. XGBoost, NN)
  • Fokus auf nachvollziehbare Bäume

• Feature-Auswahl entscheidend: Alter, Hypertonie und Glukoselevel sind starke Prädiktoren
• Klassische ML-Methoden wie Random Forest liefern robuste Basis ohne Overfitting
• Falsche Negative sind medizinisch kritisch: Recall ist wichtiger als Accuracy

• Einbindung echter Zeitverlaufsdaten (z. B. Verlauf von Blutwerten)
• Vergleich mit XGBoost / LightGBM-Modellen
• Deployment als Screening-Tool für Ärzte mit UI (Streamlit, Dash)
• Erweiterung um Patientenhistorien (z. B. Anzahl Klinikaufenthalte)

Projekt von Enes Baris, 2025