OfficeFileHandle/xlsx2csv/2.md

阶段性存档：Problem 2 完成，准备进入 Problem 3

当前状态：已完成基于 BMI 的单变量分组与时点优化。建立了基于 GPR 的概率预测模型和基于期望风险的决策模型。发现了高 BMI 组的反直觉规律。

---

1. 符号与定义 (Notations & Definitions)

符号	变量名	物理含义	设定值/单位
Y(B,t)	Y_conc	胎儿 Y 染色体浓度	阈值 0.04 (4%)
t	GA	检测孕周 (Gestational Age)	weeks
B	BMI	孕妇身体质量指数	kg/m^2
C(t)	get_time_cost(t)	时间成本函数	早期(≤12): 1; 中期(13-27): 10; 晚期(≥28): 100
P_{fail}	p_fail	检测失败概率 (Y < 4\%)	$P(Y < 0.04
\lambda	penalty	重测惩罚系数	20
\Delta t	-	重测时间推迟	2 周
\sigma_{err}	sigma_err	仪器检测误差	默认 0.005 (0.5%)

2. 核心发现 (Key Conclusions)

1. 分组界限 (Grouping)：

   • Group A (Low BMI): BMI < 27.5
   • Group B (Mid BMI): 27.5 \le BMI < 35.5
   • Group C (High BMI): BMI \ge 35.5

2. 最佳时点 (Optimal Timing)：

   • Group A: 10-11 周 (浓度高，早测风险低)。
   • Group B: 13 周 (推迟以确保浓度达标，避免重测)。
   • Group C: 10 周 (反直觉结论)。

3. 重要洞察 (Critical Insight for Group C)：

   • 对于重度肥胖孕妇 (BMI > 35)，GPR 模型显示其 Y 染色体浓度随孕周增长极其缓慢甚至停滞，且预测方差极大。
   • 等待至 20 周并不能显著降低失败率 (仅降低约 3%)，但时间成本会增加 10 倍。
   • 因此，模型给出的最优解是**“早期止损” (Early Stop)**：尽早检测，若失败则直接转诊，而非盲目等待。在后续建模中需保留此结论。

3. 数学模型 (The Model)

A. 浓度预测 (GPR)

Y(B, t) \sim \mathcal{N}(\mu(B,t), \sigma_{model}^2(B,t) + \sigma_{err}^2)

B. 期望风险最小化 (Optimization)

\min_{t} E(Risk)_t = C(t) + \Phi\left(\frac{0.04 - \mu(B,t)}{\sqrt{\sigma_{model}^2 + \sigma_{err}^2}}\right) \times [ C(t+2) + \lambda ]

4. Python 复现代码 (Minimal Snippet)

import pandas as pd
import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, WhiteKernel, ConstantKernel as C
from sklearn.preprocessing import StandardScaler
from scipy.stats import norm

# 1. 辅助函数与配置
def get_time_cost(t):
    if t < 13.0: return 1.0
    elif t < 28.0: return 10.0
    else: return 100.0

def parse_weeks(s):
    try:
        s = str(s).lower().replace(' ', '')
        if 'w' in s:
            parts = s.split('w')
            weeks = float(parts[0])
            days = float(parts[1].replace('+', '').replace('d', '')) if len(parts)>1 and parts[1] else 0
            return weeks + days / 7.0
        return float(s)
    except: return np.nan

# 2. 数据加载与 GPR 训练 (快速恢复现场)
df = pd.concat([pd.read_csv('input_file_0.csv'), pd.read_csv('input_file_1.csv')], ignore_index=True)
y_col = [c for c in df.columns if 'Y染色体浓度' in c][0]
data = df.dropna(subset=[y_col]).copy()
data['Gestational_Age'] = data[[c for c in df.columns if '检测孕周' in c][0]].apply(parse_weeks)
data = data.rename(columns={y_col: 'Y_conc', '孕妇BMI': 'BMI', '体重': 'Weight', '身高': 'Height', '年龄': 'Age'})
cols = ['Y_conc', 'BMI', 'Gestational_Age', 'Weight', 'Height', 'Age']
for c in cols: data[c] = pd.to_numeric(data[c], errors='coerce')
data = data.dropna(subset=cols)
data = data[(data['Gestational_Age'] > 0) & (data['BMI'] > 10) & (data['Y_conc'] > 0)]
# 剔除异常值
data_clean = data[np.abs(data['Y_conc'] - data['Y_conc'].mean()) <= 3 * data['Y_conc'].std()]

# 训练 GPR (采样以加速)
sample_data = data_clean.sample(n=min(1000, len(data_clean)), random_state=42)
X_train = sample_data[['BMI', 'Gestational_Age']]
y_train = sample_data['Y_conc']
scaler_X = StandardScaler()
X_scaled = scaler_X.fit_transform(X_train)
y_mean, y_std = y_train.mean(), y_train.std()
y_scaled = (y_train - y_mean) / y_std

kernel = C(1.0) * RBF([1.0, 1.0]) + WhiteKernel(noise_level=0.1)
gpr = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=0, random_state=42)
gpr.fit(X_scaled, y_scaled)

# 3. 风险计算函数 (供 Problem 3 调用)
def calculate_risk_p2(bmi, t, sigma_err=0.005):
    X_q = scaler_X.transform([[bmi, t]])
    y_pred, y_std_pred = gpr.predict(X_q, return_std=True)
    mu = y_pred[0] * y_std + y_mean
    sigma_total = np.sqrt((y_std_pred[0] * y_std)**2 + sigma_err**2)
    p_fail = norm.cdf((0.04 - mu) / sigma_total)
    risk = get_time_cost(t) + p_fail * (get_time_cost(t + 2) + 20)
    return risk, p_fail