La correcta distribución de los recursos dentro de una comunidad es una gran tarea, con mucha responsabilidad y complejidad, ya que se debe garantizar que todos los elementos sean eficientes y atiendan las necesidades sociales.
Para el año 2019 el presupuesto de la comunidad de Madrid alcanza los 20.072 millones de euros, el presupuesto más alto de la historia de la Administración Regional, lo que significa que diariamente se invierten 55 millones en servicios públicos. Específicamente, el servicio Sanitario ocupa el primer lugar con un 42,52% del presupuesto total y sobre esto la atención hospitalaria representa el 66,53% (alrededor de 15 millones y medio de euros diarios).
Como podemos observar, el sector Sanitario representa el principal gasto en la comunidad de Madrid. Dicho esto y en colaboración con la unidad de investigación del Hospital Clínico San Carlos y en concreto con Ángel Luis del Rey Mejías hemos identificado oportunidades de mejora sobre el sistema de gestión en los centros hospitalarios, con la finalidad de hacer una pequeña aportación en alguna de las líneas de trabajo que ellos vienen desarrollando. De esta manera, nos enfocamos en incorporar nuevas tecnologías en el procesado de información sanitaria, con el objetivo de desarrollar una gestión eficiente de los recursos, analizando los datos y facilitando a los profesionales sanitarios herramientas que sirvan de apoyo en el diagnóstico y tratamiento de los pacientes.
Si nos centramos en el caso de los reingresos hospitalarios, en el año 2016 tuvieron lugar más de 520.000 hospitalizaciones en la Comunidad de Madrid. El 7.11% de ellas fueron reingresos de pacientes que se produjeron en un tiempo inferior a 30 días y a través de Urgencias.
El tiempo medio que permanece un paciente que ha reingresado es de 9.52 días. De acuerdo al informe “Los costes de hospitalización en el Sistema Nacional de Salud” del Gobierno de España, el coste medio por día de hospitalización es de 350 euros, mientras que el coste por paciente de un reingreso urgente es de 5092 euros. Esto supone que cada reingreso supone un coste medio al hospital de 8424 euros, mientras que ampliar la estancia de un paciente una media de 5 días supone un coste aproximado de 1750 euros (6674 euros menos que en el caso del reingreso urgente). Adicionalmente, cada día en cuidados intensivos supone un coste aproximado por paciente de 1000 euros.
En el siguiente gráfico podemos ver el tipo de ingreso según el canal de atención hospitalario.
Del mismo modo, los diagnósticos con mayor número de reingresos registrados fueron:
Con esto en mente, uno de los objetivos del trabajo es el desarrollo de un modelo predictivo enfocado en reingresos que nos permita minimizar el coste asociado a los errores de predicción (tanto de falsos negativos como de falsos positivos).
El objetivo del trabajo que se presenta a continuación es, partiendo de un set de datos hospitalarios proporcionado por el Hospital Clínico San Carlos de pacientes ingresados en el 2016, realizar modelos predictivos que nos permitan conocer las probabilidades de reingreso y de fallecimiento de los pacientes
Esto con la finalidad de desarrollar una herramienta visual y dinámica, para apoyar al personal hospitalario en la toma de decisiones.
En base a los objetivos, se planteó trabajar con dos sets de datos (Datos al ingreso del paciente y Datos a la evaluación del alta del paciente). Asimismo, se realizó un análisis exploratorio de los datos, limpieza, recategorización, creación y selección de variables. Posteriormente, se construyeron modelos predictivos sobre las variables objetivo, tuneando los parámetros, aplicando validación cruzada, técnicas de ensamblado y finalmente análisis de resultados obtenidos por los modelos.
Como propuesta atractiva se ha desarrollado una herramienta de visualización, utilizando Shiny, la cual contiene los resultados e indicadores más importantes para apoyar al personal hospitalario en la toma de decisiones.
El Instituto de Investigación Sanitaria del Hospital Clínico San Carlos nos ha facilitado un dataset con información relativa al tratamiento de pacientes en distintos hospitales de la Comunidad de Madrid.
El primer paso ha sido tratar de alcanzar una descripción de alto nivel de la información que recoge cada una de las variables que presenta el dataset, y del estado en que se encuentra esta información:
De acuerdo al siguiente documento público, hemos resumido la descripción de las variables que conforman el dataset de estudio.
CENTRO: Código que identifica el centro, de acuerdo al Registro de Centros, Servicios y Establecimientos Sanitarios de la Comunidad de Madrid.
HISTORIA_Anonimo: Código identificativo del historial médico de los pacientes.
TIP_CIP: Tipo de documento del paciente (Identificación personal). Por categoría:
CIPA_anonimo: Código de identificación del paciente. Es un identificador del paciente.
FECNAC: Fecha de nacimiento del paciente.
SEXO: Sexo del paciente, con 3 categorías:
PAIS_NAC: País de nacimiento del paciente (Código ISO).
REGFIN: Entidad o Institución que financia el episodio del paciente.
CIAS_PRO: Código de identificación de asistencia sanitaria.
PROCED: Identifica el origen del ingreso.
HOSPROC: Hospital de procedencia del paciente.
FECURG: Fecha y hora de llegada al servicio de urgencias. Los missing, pueden deberse a que los pacientes no ingresen a través de urgencias.
FECING: Fecha y hora del ingreso hospitalario.
TIPING: Circunstancias del ingreso.
SERVING: Servicio donde ingresa al paciente.
SERVALT: Servicio que da el alta al paciente.
FECALT: Fecha y hora del alta.
TIPALT: Circunstancias del alta y continuidad asistencial.
FECINT: Fecha y hora en el caso de que al paciente se le haya practicado una intervención quirúrgica o cualquier procedimiento realizado en quirófano, incluidas las cesáreas. Los missing pueden deberse a pacientes que no hayan sido intervenidos quirúrgicamente.
FECINT2: Fecha y hora en el caso de que al paciente se le haya practicado más de una intervención quirúrgica o cualquier procedimiento realizado en quirófano, incluidas las cesáreas.
M1-M7: Códigos de morfología de las neoplasias. Los códigos se definen de la siguiente forma:
C1: Diagnóstico principal.
CE1: Exclusivamente como información complementaria del diagnóstico principal para identificar la causa externa que lo ha motivado. Existen 489.978 observaciones que no poseen descripción y por lo tanto las consideraremos como missing.
POACE1: Identifica si los diagnósticos o las causas externas que lo acompañan están presentes en el momento en que se genera el ingreso, en este caso, para la información complementaria del diagnóstico principal.
C2-C20: Otros diagnósticos.
POAC1-POAC20: Identifica si los diagnósticos o las causas externas que lo acompañan están presentes en el momento en que se genera el ingreso. Los valores que puede tomar son:
P1-P22: Procedimientos quirúrgicos y/u obstétricos y otros procedimientos. Hay algunas observaciones que no poseen el valor identificativo del proceso.
P1_EXT-P6_EXT: Procedimientos realizados en otros centros sin que se haya producido el alta administrativa en su hospital de origen y sin haber cursado greso en el centro donde se le realizan estos procedimientos. Hay observaciones que no poseen categoría asociada.
FECPART: Se cumplimentará siempre que en cualquier campo diagnóstico se haya codificado un parto por vía vaginal.
SEMGEST: Tiempo de gestación (semanas).
RNVIVOS: Número de recién nacidos vivos.
MORTINATO: Número de recién nacidos muertos.
FECTRAS1-FECTRAS8: Fecha y hora del traslado. Es una variable que se podría refactorizar de tal manera que en vez de registrar fechas de traslado, simplemente se coloca el número de veces que se ha trasladado a un paciente.
SERVTRAS1-SERVTRAS8: Identificación del servicio del traslado.
COD_POSTAL: Código postal del domicilio habitual del paciente.
MUNICIPI: Municipio del domicilio habitual del paciente.
HOSPDEST: Código del hospital donde es remitido el paciente.
El primer paso es la exploración de los datos, la cual nos permitirá saber si existe algún problema con los mismos. Para ello, es necesario comprobar si la tipología de las variables es correcta, analizar el número de missings, comprobar las categorías de las variables, etcétera. Con este fin hemos realizado un análisis del estado de cada variable dentro del dataset, encontrando lo siguiente:
| dtypes | nan_per | n_distinct | count | mean | std | min | 25% | 50% | 75% | max | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| CENTRO | object | 0.000 | 35 | NA | NA | NA | NA | NA | NA | NA | NA |
| HISTORIA_Anonimo | int64 | 0.000 | 402608 | 520111 | 414263.394 | 394654.635 | 2 | 198085.5 | 361409 | 561435 | 3171147 |
| TIP_CIP | float64 | 0.550 | 3 | 233891 | 1.067 | 0.287 | 1 | 1.0 | 1 | 1 | 5 |
| CIPA_anonimo | float64 | 0.052 | 363025 | 493140 | 386112.985 | 317204.817 | 1 | 180871.8 | 362350 | 542831 | 2602194 |
| FECNAC | object | 0.000 | 36635 | NA | NA | NA | NA | NA | NA | NA | NA |
| SEXO | int64 | 0.000 | 3 | 520111 | 1.538 | 0.499 | 1 | 1.0 | 2 | 2 | 3 |
| PAIS_NAC | object | 0.546 | 150 | NA | NA | NA | NA | NA | NA | NA | NA |
| REGFIN | float64 | 0.000 | 56 | 520035 | 130.795 | 86.122 | 0 | 101.0 | 101 | 171 | 900 |
| CIAS_PRO | object | 0.004 | 490 | NA | NA | NA | NA | NA | NA | NA | NA |
| PROCED | float64 | 0.110 | 9 | 462906 | 1.874 | 1.661 | 1 | 1.0 | 1 | 2 | 9 |
| HOSPROC | object | 0.966 | 137 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECURG | object | 0.383 | 222432 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECING | object | 0.000 | 280475 | NA | NA | NA | NA | NA | NA | NA | NA |
| TIPING | int64 | 0.000 | 3 | 520111 | 1.385 | 0.523 | 1 | 1.0 | 1 | 2 | 3 |
| SERVING | object | 0.000 | 60 | NA | NA | NA | NA | NA | NA | NA | NA |
| SERVALT | object | 0.000 | 55 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECALT | object | 0.000 | 189650 | NA | NA | NA | NA | NA | NA | NA | NA |
| TIPALT | object | 0.001 | 11 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECINT | object | 0.661 | 65255 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECINT2 | object | 0.966 | 14821 | NA | NA | NA | NA | NA | NA | NA | NA |
| M1 | object | 0.837 | 971 | NA | NA | NA | NA | NA | NA | NA | NA |
| M2 | object | 0.956 | 629 | NA | NA | NA | NA | NA | NA | NA | NA |
| M3 | object | 0.996 | 273 | NA | NA | NA | NA | NA | NA | NA | NA |
| M4 | object | 0.999 | 119 | NA | NA | NA | NA | NA | NA | NA | NA |
| M5 | object | 1.000 | 53 | NA | NA | NA | NA | NA | NA | NA | NA |
| M6 | object | 1.000 | 35 | NA | NA | NA | NA | NA | NA | NA | NA |
| M7 | object | 1.000 | 25 | NA | NA | NA | NA | NA | NA | NA | NA |
| C1 | object | 0.000 | 13559 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC1 | object | 0.000 | 8 | NA | NA | NA | NA | NA | NA | NA | NA |
| CE1 | object | 0.942 | 716 | NA | NA | NA | NA | NA | NA | NA | NA |
| POACE1 | object | 0.942 | 6 | NA | NA | NA | NA | NA | NA | NA | NA |
| C2 | object | 0.114 | 12995 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC2 | object | 0.114 | 8 | NA | NA | NA | NA | NA | NA | NA | NA |
| C3 | object | 0.217 | 10882 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC3 | object | 0.217 | 9 | NA | NA | NA | NA | NA | NA | NA | NA |
| C4 | object | 0.311 | 9501 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC4 | object | 0.311 | 9 | NA | NA | NA | NA | NA | NA | NA | NA |
| C5 | object | 0.401 | 8497 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC5 | object | 0.401 | 8 | NA | NA | NA | NA | NA | NA | NA | NA |
| C6 | object | 0.485 | 7831 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC6 | object | 0.485 | 7 | NA | NA | NA | NA | NA | NA | NA | NA |
| C7 | object | 0.560 | 7202 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC7 | object | 0.560 | 7 | NA | NA | NA | NA | NA | NA | NA | NA |
| C8 | object | 0.626 | 6630 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC8 | object | 0.626 | 7 | NA | NA | NA | NA | NA | NA | NA | NA |
| C9 | object | 0.684 | 6108 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC9 | object | 0.684 | 8 | NA | NA | NA | NA | NA | NA | NA | NA |
| C10 | object | 0.733 | 5566 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC10 | object | 0.733 | 8 | NA | NA | NA | NA | NA | NA | NA | NA |
| C11 | object | 0.775 | 5181 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC11 | object | 0.776 | 7 | NA | NA | NA | NA | NA | NA | NA | NA |
| C12 | object | 0.813 | 4715 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC12 | object | 0.813 | 7 | NA | NA | NA | NA | NA | NA | NA | NA |
| C13 | object | 0.845 | 4356 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC13 | object | 0.845 | 6 | NA | NA | NA | NA | NA | NA | NA | NA |
| C14 | object | 0.873 | 3957 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC14 | object | 0.873 | 6 | NA | NA | NA | NA | NA | NA | NA | NA |
| C15 | object | 0.896 | 3604 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC15 | object | 0.896 | 6 | NA | NA | NA | NA | NA | NA | NA | NA |
| C16 | object | 0.916 | 3270 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC16 | object | 0.919 | 7 | NA | NA | NA | NA | NA | NA | NA | NA |
| C17 | object | 0.932 | 3014 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC17 | object | 0.935 | 7 | NA | NA | NA | NA | NA | NA | NA | NA |
| C18 | object | 0.946 | 2649 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC18 | object | 0.948 | 8 | NA | NA | NA | NA | NA | NA | NA | NA |
| C19 | object | 0.957 | 2339 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC19 | object | 0.958 | 8 | NA | NA | NA | NA | NA | NA | NA | NA |
| C20 | object | 0.966 | 2092 | NA | NA | NA | NA | NA | NA | NA | NA |
| POAC20 | object | 0.967 | 7 | NA | NA | NA | NA | NA | NA | NA | NA |
| P1 | object | 0.070 | 14547 | NA | NA | NA | NA | NA | NA | NA | NA |
| P2 | object | 0.332 | 12289 | NA | NA | NA | NA | NA | NA | NA | NA |
| P3 | object | 0.546 | 8876 | NA | NA | NA | NA | NA | NA | NA | NA |
| P4 | object | 0.697 | 6553 | NA | NA | NA | NA | NA | NA | NA | NA |
| P5 | object | 0.804 | 4900 | NA | NA | NA | NA | NA | NA | NA | NA |
| P6 | object | 0.875 | 3655 | NA | NA | NA | NA | NA | NA | NA | NA |
| P7 | object | 0.925 | 2866 | NA | NA | NA | NA | NA | NA | NA | NA |
| P8 | object | 0.952 | 2282 | NA | NA | NA | NA | NA | NA | NA | NA |
| P9 | object | 0.968 | 1872 | NA | NA | NA | NA | NA | NA | NA | NA |
| P10 | object | 0.978 | 1550 | NA | NA | NA | NA | NA | NA | NA | NA |
| P11 | object | 0.985 | 1257 | NA | NA | NA | NA | NA | NA | NA | NA |
| P12 | object | 0.989 | 1057 | NA | NA | NA | NA | NA | NA | NA | NA |
| P13 | object | 0.992 | 877 | NA | NA | NA | NA | NA | NA | NA | NA |
| P14 | object | 0.994 | 744 | NA | NA | NA | NA | NA | NA | NA | NA |
| P15 | object | 0.995 | 633 | NA | NA | NA | NA | NA | NA | NA | NA |
| P16 | object | 0.996 | 560 | NA | NA | NA | NA | NA | NA | NA | NA |
| P17 | object | 0.997 | 477 | NA | NA | NA | NA | NA | NA | NA | NA |
| P18 | object | 0.997 | 431 | NA | NA | NA | NA | NA | NA | NA | NA |
| P19 | object | 0.998 | 352 | NA | NA | NA | NA | NA | NA | NA | NA |
| P20 | object | 0.998 | 313 | NA | NA | NA | NA | NA | NA | NA | NA |
| P21 | object | 0.999 | 259 | NA | NA | NA | NA | NA | NA | NA | NA |
| P22 | object | 0.999 | 231 | NA | NA | NA | NA | NA | NA | NA | NA |
| P1_EXT | object | 0.999 | 101 | NA | NA | NA | NA | NA | NA | NA | NA |
| P2_EXT | object | 1.000 | 37 | NA | NA | NA | NA | NA | NA | NA | NA |
| P3_EXT | object | 1.000 | 14 | NA | NA | NA | NA | NA | NA | NA | NA |
| P4_EXT | object | 1.000 | 5 | NA | NA | NA | NA | NA | NA | NA | NA |
| P5_EXT | object | 1.000 | 2 | NA | NA | NA | NA | NA | NA | NA | NA |
| P6_EXT | object | 1.000 | 2 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECPART | object | 0.954 | 443 | NA | NA | NA | NA | NA | NA | NA | NA |
| SEMGEST | float64 | 0.943 | 47 | 29824 | 37.903 | 3.824 | 1 | 37.0 | 39 | 40 | 82 |
| RNVIVOS | float64 | 1.000 | 24 | 172 | 134.727 | 54.103 | 40 | 133.0 | 137 | 144 | 253 |
| MORTINATO | float64 | 1.000 | 0 | 0 | NA | NA | NA | NA | NA | NA | NA |
| FECTRAS1 | object | 0.837 | 52020 | NA | NA | NA | NA | NA | NA | NA | NA |
| SERVTRAS1 | object | 0.837 | 70 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECTRAS2 | object | 0.909 | 511 | NA | NA | NA | NA | NA | NA | NA | NA |
| SERVTRAS2 | object | 0.909 | 55 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECTRAS3 | object | 0.983 | 491 | NA | NA | NA | NA | NA | NA | NA | NA |
| SERVTRAS3 | object | 0.983 | 51 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECTRAS4 | object | 0.992 | 469 | NA | NA | NA | NA | NA | NA | NA | NA |
| SERVTRAS4 | object | 0.992 | 45 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECTRAS5 | object | 0.997 | 422 | NA | NA | NA | NA | NA | NA | NA | NA |
| SERVTRAS5 | object | 0.997 | 41 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECTRAS6 | object | 0.998 | 360 | NA | NA | NA | NA | NA | NA | NA | NA |
| SERVTRAS6 | object | 0.998 | 40 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECTRAS7 | float64 | 1.000 | 0 | 0 | NA | NA | NA | NA | NA | NA | NA |
| SERVTRAS7 | object | 0.999 | 33 | NA | NA | NA | NA | NA | NA | NA | NA |
| FECTRAS8 | float64 | 1.000 | 0 | 0 | NA | NA | NA | NA | NA | NA | NA |
| SERVTRAS8 | object | 0.999 | 31 | NA | NA | NA | NA | NA | NA | NA | NA |
| COD_POSTAL | float64 | 0.885 | 734 | 60043 | 28339.182 | 2097.290 | 3 | 28019.0 | 28047 | 28803 | 99000 |
| MUNICIPI | object | 0.001 | 1995 | NA | NA | NA | NA | NA | NA | NA | NA |
| HOSPDEST | object | 0.983 | 166 | NA | NA | NA | NA | NA | NA | NA | NA |
| CIE | int64 | 0.000 | 1 | 520111 | 10.000 | 0.000 | 10 | 10.0 | 10 | 10 | 10 |
| VERSION_GRD | int64 | 0.000 | 1 | 520111 | 7320.000 | 0.000 | 7320 | 7320.0 | 7320 | 7320 | 7320 |
| CMD | int64 | 0.000 | 26 | 520111 | 8.555 | 5.203 | 0 | 5.0 | 7 | 12 | 25 |
| GRD | int64 | 0.000 | 316 | 520111 | 342.519 | 218.559 | 1 | 167.0 | 283 | 513 | 956 |
| PESO | object | 0.000 | 1210 | NA | NA | NA | NA | NA | NA | NA | NA |
| TIPO | int64 | 0.000 | 3 | 520111 | 1.372 | 0.484 | 0 | 1.0 | 1 | 2 | 2 |
| SEVERIDAD | int64 | 0.000 | 5 | 520111 | 1.839 | 0.878 | 0 | 1.0 | 2 | 2 | 4 |
| MORTALIDA | int64 | 0.000 | 5 | 520111 | 1.615 | 0.871 | 0 | 1.0 | 1 | 2 | 4 |
La tabla anterior nos ofrece una visión general de las características de cada variable, por lo cual nos disponemos a empezar a tratarlas. La idea es producir un dataset que retenga la mayor cantidad de información presente en el original con variables que puedan emplearse para entrenar modelos predictivos.
Lo primero que hemos hecho ha sido eliminar las variables que no nos iban a aportar información, que han sido:
En muchos casos conocemos los valores que puede tomar la variable, así que en esta etapa hemos querido abordar la eliminación de variables sin información y tratar missings y datos erróneos. Para este primer paso hemos usado Python, desarrollando el código que se muestra en el anexo.
La extracción de información de los campos está basada en la página oficial CIE-ES. Tratando de ser rigurosos y a la vez de conservar una cantidad de información manejable en un único dispositivo.
El conjunto de datos presenta múltiples fechas, muchas de ellas prácticamente vacías (FECTRAS7 y FECTRAS8 lo están completamente). Los pacientes con fecha de ingreso anterior a 2015 (49) los hemos eliminado (en principio los datos corresponden a 2016). El tratamiento que les hemos dado ha sido de tres tipos diferentes:
Extracción de información: Ha consistido en extraer el año, el mes, el día de la semana y la hora. Este tratamiento lo han recibido únicamente FECING y FECALT ya que consideremos que son las variables para las que esta información puede resultar de relevancia. Los nombres nuevos son los de las variables originales añadiendo: YEAR, MONTH, WEEKDAY y HOUR respectivamente.
Conversión a binaria: En este caso se han distinguido las observaciones que presentaban información para estas fechas y aquellas que no. Asimismo, las fechas que hemos tratado de esta forma han sido: FECURG, FECINT, FECINT2 y FECPART. Los nombres de las variables nuevas son el de la variable original con el subfijo: BIN.
INT1-2_n: Para las intervenciones además hemos contado cuantas intervenciones ha recibido cada paciente.
Los códigos identificativos de los diagnósticos se corresponden con los publicados en el ICD-10 por la OMS. Lo primero que hemos hecho ha sido eliminar aquellos diagnósticos que no comenzaban por una letra (había 74), ya que se trataba de inputs incorrectos. Teniendo siempre en mente que el diagnóstico principal (C1) corresponde a la primera enfermedad diagnosticada y los diagnósticos restantes (C2-C20), no presentan orden temporal, luego son considerados secundarios, hemos generado las siguientes variables:
| Codigo | Grupo | Descripcion |
|---|---|---|
| A00-B99 | g0 | CIERTAS ENFERMEDADES INFECCIOSAS Y PARASITARIAS |
| C00-D49+C7A,C7B,D3A | g1 | TUMORES [NEOPLASIAS] |
| D50-D89 | g2 | ENFERMEDADES DE LA SANGRE Y DE LOS ÓRGANOS HEMATOPOYÉTICOS, Y CIERTOS TRASTORNOS QUE AFECTAN EL MECANISMO DE LA INMUNIDAD |
| E00-E89 | g3 | ENFERMEDADES ENDOCRINAS, NUTRICIONALES Y METABÓLICAS |
| F00-F99 | g4 | TRASTORNOS MENTALES Y DEL COMPORTAMIENTO |
| G00-G99 | g5 | ENFERMEDADES DEL SISTEMA NERVIOSO |
| H00-H59 | g6 | ENFERMEDADES DEL OJO Y SUS ANEXOS |
| H60-H95 | g7 | ENFERMEDADES DEL OÍDO Y DE LA APÓFISIS MASTOIDES |
| I00-I99 | g8 | ENFERMEDADES DEL SISTEMA CIRCULATORIO |
| J00-J99 | g9 | ENFERMEDADES DEL SISTEMA RESPIRATORIO |
| K00-K95 | g10 | ENFERMEDADES DEL SISTEMA DIGESTIVO |
| L00-L99 | g11 | ENFERMEDADES DE LA PIEL Y DEL TEJIDO SUBCUTÁNEO |
| M00-M99 | g12 | ENFERMEDADES DEL SISTEMA OSTEOMUSCULAR Y DEL TEJIDO CONJUNTIVO |
| N00-N99 | g13 | ENFERMEDADES DEL SISTEMA GENITOURINARIO |
| O00-O99+O9A | g14 | EMBARAZO, PARTO Y PUERPERIO |
| P00-P96 | g15 | CIERTAS AFECCIONES ORIGINADAS EN EL PERÍODO PERINATAL |
| Q00-Q99 | g16 | MALFORMACIONES CONGÉNITAS, DEFORMIDADES Y ANOMALÍAS CROMOSÓMICAS |
| R00-R99 | g17 | SÍNTOMAS, SIGNOS Y HALLAZGOS ANORMALES CLÍNICOS Y DE LABORATORIO, NO CLASIFICADOS EN OTRA PARTE |
| S00-T88 | g18 | TRAUMATISMOS, ENVENENAMIENTOS Y ALGUNAS OTRAS CONSECUENCIAS DE CAUSAS EXTERNAS |
| V00-Y99 | g19 | CAUSAS EXTERNAS DE MORBILIDAD Y DE MORTALIDAD |
| Z00-Z99 | g20 | FACTORES QUE INFLUYEN EN EL ESTADO DE SALUD Y CONTACTO CON LOS SERVICIOS DE SALUD |
| U00-U99 | g21 | CÓDIGOS PARA PROPÓSITOS ESPECIALES |
Al igual que los diagnósticos, los procedimientos vienen identificados por un código, que hemos comprobado en esta página. Se trata de un código en el que cada carácter alfanumérico va incorporando información de forma sucesiva. El primer carácter identifica la sección, el segundo el sistema orgánico, el tercero el tipo de procedimiento/terapia/técnica o la modalidad, el cuarto la localización anatómica, el quinto el abordaje, el sexto el dispositivo y el séptimo el calificador (e.g. 06C73ZZ 0 = Médico Quirúrgica, 6 = Venas inferiores, C = Extirpación, 7 = Arteria Cólica izda., 3 = Percutáneo, Z = Ninguno, Z = Ninguno). Salvo la Z, que puede aparecer en cualquier posición posterior a la tercera, y siempre significa “Ninguno”, el resto de valores cambian de significado en función del carácter en la posición anterior (e.g. 00 Sección: Médico-Quirúrgica Sistema Orgánico: Sistema Nervioso Central, 10 Sección: Obstetricia, Sistema Orgánico: Embarazo).
Nosotros decidimos trabajar únicamente con los 3 primeros caracteres, que de alguna forma ya identifican con suficiente precisión el procedimiento, vistos de forma independiente. Por lo tanto, hemos generado las siguientes variables:
Estas variables apenas presentaban valores así que únicamente hemos generado:
La categorización de estos campos la hemos realizado basándonos en la tabla que aparece en la panel derecho de esta página, generando las siguientes variables:
| Codigo | Grupo | Descripcion |
|---|---|---|
| 800-800 | g0 | Neoplasias, SAI |
| 801-804 | g1 | NEOPLASIAS EPITELIALES, SAI |
| 805-808 | g2 | NEOPLASIAS EPIDERMOIDES |
| 809-811 | g3 | NEOPLASIAS BASOCELULARES |
| 812-813 | g4 | PAPILOMAS Y CARCINOMAS DE CELULAS TRANSICIONALES |
| 814-838 | g5 | ADENOMAS Y ADENOCARCINOMAS |
| 839-842 | g6 | NEOPLASIAS DE LOS ANEXOS CUTANEOS |
| 843-843 | g7 | NEOPLASIAS MUCOEPIDERMOIDES |
| 844-849 | g8 | NEOPLASIAS QUISTICAS, MUCINOSAS Y SEROSAS |
| 850-854 | g9 | NEOPLASIAS DUCTALES, LOBULILLARES Y MEDULARES |
| 855-855 | g10 | NEOPLASIAS DE CELULAS ACINOSAS |
| 856-857 | g11 | NEOPLASIAS EPITELIALES COMPLEJAS |
| 858-858 | g12 | NEOPLASIAS EPITELIALES TIMOMAS |
| 859-867 | g13 | NEOPLASIAS DEL ESTROMA ESPECIALIZADO DE LAS GONADAS |
| 868-871 | g14 | PARAGANGLIOMAS Y TUMORES GLOMICOS |
| 872-879 | g15 | NEVOS Y MELANOMAS |
| 880-880 | g16 | TUMORES Y SARCOMAS DE TEJIDOS BLANDOS, SAI |
| 881-883 | g17 | NEOPLASIAS FIBROMATOSAS |
| 884-884 | g18 | NEOPLASIAS MIXOMATOSAS |
| 885-888 | g19 | NEOPLASIAS LIPOMATOSAS |
| 889-892 | g20 | NEOPLASIAS MIOMATOSAS |
| 893-899 | g21 | NEOPLASIAS COMPLEJAS MIXTAS Y DEL ESTROMA |
| 900-903 | g22 | NEOPLASIAS FIBROEPITELIALES |
| 904-904 | g23 | NEOPLASIAS SINOVIALES |
| 905-905 | g24 | NEOPLASIAS MESOTELIALES |
| 906-909 | g25 | NEOPLASIAS DE CELULAS GERMINALES |
| 910-910 | g26 | NEOPLASIAS TROFOBLASTICAS |
| 911-911 | g27 | MESONEFROMAS |
| 953-953 | g28 | MENINGIOMAS |
| 912-916 | g29 | TUMORES DE LOS VASOS SANGUINEOS |
| 917-917 | g30 | TUMORES DE LOS VASOS LINFATICOS |
| 918-924 | g31 | NEOPLASIAS OSEAS Y CONDROMATOSAS |
| 925-925 | g32 | TUMORES DE CELULAS GIGANTES |
| 926-926 | g33 | OTROS TUMORES OSEOS |
| 927-934 | g34 | TUMORES ODONTOGENICOS |
| 935-937 | g35 | OTROS TUMORES |
| 938-948 | g36 | GLIOMAS |
| 949-952 | g37 | NEOPLASIAS NEUROEPITELIOMATOSAS |
| 954-957 | g38 | TUMORES DE LAS VAINAS NERVIOSAS |
| 958-958 | g39 | TUMORES DE CELULAS GRANULARES Y SARCOMA ALVEOLAR DE PARTES BLANDAS |
| 959-972 | g40 | LINFOMAS HODGKIN Y NO-HODGKIN |
| 973-973 | g41 | TUMORES DE CELULAS PLASMATICAS |
| 974-974 | g42 | TUMORES DE LOS MASTOCITOS |
| 975-975 | g43 | NEOPLASIAS DE HISTIOCITOS Y DE CÉLULAS LINFOIDES ACCESORIAS |
| 976-976 | g44 | ENFERMEDADES INMUNOPROLIFERATIVAS |
| 980-994 | g45 | LEUCEMIAS |
| 995-996 | g46 | OTROS SINDROMES MIELOPROLIFERATIVOS |
| 997-997 | g47 | OTROS DESORDENES HEMATOLOGICOS |
| 998-999 | g48 | SINDROMES MIELODISPLASICOS |
M1-7_last_avg: Consiste en un promedio ponderado de la gravedad de las neoplasias observadas. Los pesos asociados a cada gravedad obedecen la siguiente fórmula:
\[ \text{Peso de }M_i \longrightarrow w_i = 1.4 + \log\left(\frac{i}{1+\overline{n_M}} \right)\\ \overline{n_M} = \text{Promedio de neoplasias practicadas por paciente} \] El denominador \((1+\overline{n_M})\) se emplea para mitigar el efecto de la posición de la neoplasia en relación al promedio de neoplasias realizadas por paciente. El logaritmo \((\log)\) para ir aproximando los pesos asociados a las neoplasias posteriores y la suma de \(1.4\) evita la aparición de valores negativos \((\log\left(^1/_8\right) = -1.39)\). De esta forma los valores de nuestro promedio de gravedad identifican como más graves a pacientes cuyas neoplasias se han ido agravando (e.g. 3 3 6 → 4.28; 3 6 3 → 4.05). El objetivo es que el promedio discrimine pacientes que remiten de pacientes que empeoran.
m1-7_last_mean: Es también un promedio ponderado entre los indicadores de gravedad de las neoplasias, pero asignando al primer caso un peso doble al del resto. Este promedio trataría de extraer información sobre si la detección fue precoz, entendiendo que si ingresas con un tumor de alta gravedad no es así y debes tener peor pronóstico.
Como podemos leer en la descripción del campo esta variable tiene bien definidos los valores que puede tomar, así que en primer lugar hemos eliminado los inputs incorrectos, y posteriormente hemos generado las variables:
La información que hemos sido capaces de encontrar sobre los traslados ha sido muy escasa de forma que únicamente hemos generado:
La definición de reingreso que hemos empleado ha sido: Pacientes con igual número de historia que ingresan a través de urgencias menos de 30 días después de su último alta. Con este criterio contamos con 37298 reingresos en nuestros datos, habiendo generado dos nuevas variables:
Durante el tratamiento de variables hemos observado que algunas de ellas están relacionadas entre sí. Por lo cual se crearon algunas variables, en su mayoría binarias, para indicar si el paciente cumple o no con esta relación:
Finalizado el proceso de transformación, nuestras variables han aumentado en número (disponemos de 222). No obstante, muchas de ellas están relacionadas con un único concepto: más de 60 variables relacionadas con los procedimientos, y un número similar asociadas a los diagnósticos. Por otro lado, hemos recategorizado aquellas variables que en primera instancia podrían ser útiles para un modelo, pero que aún presentan datos erróneos y un exceso de categorías.
Esta etapa la hemos desarrollado en R, que es el lenguaje que va a ser más habitual en el trabajo, ya que es el lenguaje en el que más hincapié se ha hecho durante el máster.
El trabajo en general ha consistido en agrupar categorías poco representadas o que guardaban relación entre sí, todavía considerando el significado de las categorías. Así tener variables con un número de categorías manejable y evitar los problemas derivados al mantener categorías poco representadas. Las variables creadas han sido:
Distingue entre los ingresados presentando la tarjeta sanitaria, de aquellos que presentaron otro documento y de aquellos que no tienen un valor válido en este campo.
Agrupa las personas por nacidas en España, nacidas en el extranjero y con valores no válidos.
Diferencia a aquellas personas cuyo tratamiento lo financia la Comunidad de Madrid, de las que son financiadas por otras regiones y de las que no presentan valor o presentan uno no válido en este campo.
En este caso hemos distinguido personas que proceden de Urgencias, del Ambulatorio, de otros Hospitales o cuya procedencia no se ha determinado correctamente.
| Grupo | Codigos |
|---|---|
| g1 | URH, NEO, OBG, GIN, OBS |
| g2 | NFL, NRL |
| g3 | INM, HEL, ACL , APA, BCS, BIO, GEN, LAB |
| g4 | DIE, DIG, END, ETM |
| g5 | ADM, DCL |
| g6 | ACV, CAR, CCA, CCI, UCR |
| g7 | ANR, CGD, CMF, CPE, CPL, CTO, NRC, TRA, UTR |
| g8 | FAC, FAR |
| g9 | FIS, REH, MEF, ULM, REU |
| g10 | HDD, HDG , HDM, HDO, HDP , HDS |
| g11 | MIC, HEM |
| g12 | MIN, MIP, MIR, MIV, GRT, INF, MPR, UCE |
| g13 | ONC, ONR, RDT, MNU, UCP, UDO, HAD |
| g14 | PQA, PQL, PQM, PSI, PSQ |
| g15 | RAD, RAI |
| g16 | LIT, NEF, UHD, URO |
| g17 | NML, USO |
| g18 | ALG, DER |
| g19 | BIS, UTX |
| g20 | OTR, ZZZ, MFC, OFT, ORL, PED, SLA, ULE, URG |
En este caso la agrupación también ha sido igual para todas ellas: Si, No e Indeterminado. A nivel gráfico interesa mostrar cómo los “indeterminados” van tomando el control de la variable.
Aunque en principio podríamos tratarla como variable numérica, hemos decidido probar a separar por categorías, pacientes con menos de 27 semanas de gestación, de pacientes con el resto de valores, hasta llegar a 42. Pacientes con valores superiores a 42 los hemos agrupado en Otros y aquellos que no presentaban valor los hemos marcado como indeterminados. En los gráficos se ha omitido a los indeterminados porque impedían visualizar la distribución del resto.
| Grupo | Codigos |
|---|---|
| g1 | 1, 1A, 1B, 1C, 1D |
| g2 | 4 |
| g3 | 2, 3, 5, 6 |
En esencia, el grupo 1 son las personas que se fueron a su domicilio, el grupo 2 las que fallecieron y el 3 agrupa las situaciones raras.
Para recategorizar esta variable se ha empleado webscrapping con Python. Los centros (la mayoría de ellos) se identifican mediante un código (CHXXXX: Centro Hospilario num. num. num. num.). Conociendo el catálogo de hospitales de la Comunidad de Madrid vimos que al consultar información de cada centro a través de su código, y solicitar ver ubicación la página te redirige a estos mapas. Viendo que existía por lo tanto una API expuesta, pero desconociendo su funcionamiento decidimos bajar el código html directamente y extraer de él la dirección de cada hospital.
Una vez obtenida la dirección, habilitamos la API de Google Maps para recuperar las coordenadas de cada hospital. De esta forma, se evaluó una estrategia para dividir los hospitales según su ubicación: estableciendo 5 centroides (Centro - Calle Almagro, Noroeste - Las Rozas, Suroeste - Alcorcón, Sureste - Rivas Vaciamadrid y Noreste - Alcobendas) y asociar cada hospital a uno de estos grupos por proximidad, calculando las distancias reales mediante la ley esférica del coseno:
\[ d = R_T \cdot \arccos\left(\sin(lat_1) \cdot \sin(lat_2) + \cos(lat_1) \cdot \cos(lat_2) \cdot \cos(lon_2 - lon_1) \right) \] De esta forma hemos recategorizado los centros, quedando así:
Mapa generado con: ggmaps
Y quedando así transformada su distribución:
Para estas variables pensamos realizar la misma transformación que para la variable CENTRO, sin embargo, menos del 4% de los valores se encontraban en nuestra lista de centros (que reune todos los centros de la Comunidad de Madrid), así que decidimos transformarlas en binarias, quedando sus distribuciones de la siguiente forma:
Para los diagnósticos disponemos de dos alternativas: los tres primeros caracteres, que indican el diagnsóticos con bastante precisión (existen algunos trabajos tomando 4 e incluso 5 caracteres, pero comúnmente enfocados a alguna especialidad) y los grupos diagnósticos que propone la página oficial CIE-ES.
No obstante, y debido a que entre los intereses que nos manifestó el grupo de investigación del Hospital se encontraba el estudio de los Diagnósticos, decidimos hacer un clustering de los mismos aplicando técnicas de análisis de redes, a ver si esos clústers resultaban más informativos que la agrupación fundamentada en la especialidad médica.
| id | label | InDegree | OutDegree | Closeness | Betweenness | cluster |
|---|---|---|---|---|---|---|
| 1 | A01 | 4 | 11 | 0.086 | 0.000 | 2 |
| 2 | A02 | 67 | 404 | 0.089 | 0.001 | 2 |
| 3 | A03 | 5 | 12 | 0.086 | 0.000 | 8 |
| 4 | A04 | 290 | 596 | 0.088 | 0.002 | 8 |
| 5 | A05 | 20 | 130 | 0.088 | 0.000 | 2 |
| 6 | A06 | 6 | 50 | 0.087 | 0.000 | 2 |
| 7 | A07 | 30 | 82 | 0.088 | 0.000 | 2 |
| 8 | A08 | 130 | 437 | 0.089 | 0.001 | 2 |
| 9 | A09 | 114 | 450 | 0.089 | 0.002 | 2 |
| 10 | A15 | 130 | 377 | 0.089 | 0.001 | 2 |
| 11 | A17 | 12 | 53 | 0.087 | 0.000 | 2 |
| 12 | A18 | 51 | 199 | 0.088 | 0.000 | 2 |
| 13 | A19 | 20 | 110 | 0.088 | 0.000 | 2 |
| 14 | A23 | 10 | 8 | 0.085 | 0.000 | 2 |
| 15 | A28 | 5 | 21 | 0.086 | 0.000 | 2 |
| 16 | A31 | 37 | 127 | 0.088 | 0.000 | 2 |
| 17 | A32 | 25 | 143 | 0.088 | 0.001 | 2 |
| 18 | A36 | 8 | 1 | 0.081 | 0.000 | 8 |
| 19 | A37 | 16 | 113 | 0.088 | 0.000 | 2 |
| 20 | A38 | 13 | 21 | 0.086 | 0.000 | 2 |
| 21 | A39 | 9 | 64 | 0.087 | 0.000 | 2 |
| 22 | A40 | 66 | 479 | 0.089 | 0.001 | 8 |
| 23 | A41 | 406 | 1068 | 0.088 | 0.008 | 8 |
| 24 | A42 | 16 | 62 | 0.088 | 0.000 | 2 |
| 25 | A43 | 11 | 40 | 0.087 | 0.000 | 8 |
| 26 | A44 | 1 | 9 | 0.085 | 0.000 | 2 |
| 27 | A46 | 21 | 89 | 0.088 | 0.000 | 8 |
| 28 | A48 | 28 | 140 | 0.088 | 0.000 | 2 |
| 29 | A49 | 207 | 215 | 0.088 | 0.001 | 2 |
| 30 | A50 | 2 | 9 | 0.085 | 0.000 | 2 |
| 31 | A51 | 17 | 44 | 0.087 | 0.000 | 2 |
| 32 | A52 | 50 | 114 | 0.088 | 0.000 | 2 |
| 33 | A53 | 80 | 23 | 0.087 | 0.000 | 3 |
| 34 | A54 | 8 | 14 | 0.085 | 0.000 | 2 |
| 35 | A55 | 2 | 14 | 0.085 | 0.000 | 2 |
| 36 | A56 | 8 | 23 | 0.086 | 0.000 | 2 |
| 37 | A58 | 3 | 11 | 0.085 | 0.000 | 2 |
| 38 | A59 | 14 | 5 | 0.084 | 0.000 | 3 |
| 39 | A60 | 37 | 30 | 0.087 | 0.000 | 3 |
| 40 | A63 | 70 | 58 | 0.087 | 0.000 | 3 |
| 41 | A68 | 9 | 18 | 0.086 | 0.000 | 8 |
| 42 | A69 | 9 | 21 | 0.086 | 0.000 | 2 |
| 43 | A74 | 10 | 11 | 0.084 | 0.000 | 3 |
| 44 | A77 | 5 | 34 | 0.086 | 0.000 | 2 |
| 45 | A78 | 20 | 98 | 0.088 | 0.000 | 2 |
| 46 | A79 | 3 | 17 | 0.086 | 0.000 | 3 |
| 47 | A81 | 31 | 124 | 0.088 | 0.000 | 2 |
| 48 | A85 | 6 | 94 | 0.088 | 0.000 | 2 |
| 49 | A86 | 14 | 205 | 0.089 | 0.000 | 2 |
| 50 | A87 | 26 | 240 | 0.089 | 0.000 | 2 |
| 51 | A88 | 3 | 21 | 0.086 | 0.000 | 2 |
| 52 | A89 | 1 | 2 | 0.082 | 0.000 | 8 |
| 53 | A90 | 3 | 15 | 0.084 | 0.000 | 3 |
| 54 | A98 | 0 | 25 | 0.095 | 0.000 | 2 |
| 55 | B00 | 218 | 255 | 0.089 | 0.001 | 2 |
| 56 | B01 | 32 | 154 | 0.088 | 0.000 | 3 |
| 57 | B02 | 267 | 385 | 0.089 | 0.002 | 8 |
| 58 | B05 | 0 | 2 | 0.089 | 0.000 | 2 |
| 59 | B06 | 20 | 7 | 0.084 | 0.000 | 5 |
| 60 | B07 | 52 | 7 | 0.084 | 0.000 | 3 |
| 61 | B08 | 46 | 59 | 0.087 | 0.000 | 3 |
| 62 | B09 | 44 | 38 | 0.087 | 0.000 | 2 |
| 63 | B10 | 27 | 21 | 0.086 | 0.000 | 2 |
| 64 | B15 | 32 | 66 | 0.087 | 0.000 | 2 |
| 65 | B16 | 23 | 90 | 0.088 | 0.000 | 3 |
| 66 | B17 | 96 | 230 | 0.088 | 0.000 | 2 |
| 67 | B18 | 599 | 393 | 0.089 | 0.004 | 2 |
| 68 | B19 | 372 | 152 | 0.088 | 0.001 | 2 |
| 69 | B20 | 464 | 509 | 0.089 | 0.006 | 2 |
| 70 | B25 | 186 | 260 | 0.089 | 0.001 | 2 |
| 71 | B26 | 23 | 67 | 0.087 | 0.000 | 2 |
| 72 | B27 | 89 | 223 | 0.088 | 0.001 | 2 |
| 73 | B30 | 66 | 22 | 0.087 | 0.000 | 8 |
| 74 | B33 | 21 | 41 | 0.087 | 0.000 | 2 |
| 75 | B34 | 201 | 390 | 0.089 | 0.002 | 2 |
| 76 | B35 | 72 | 2 | 0.081 | 0.000 | 8 |
| 77 | B36 | 75 | 13 | 0.085 | 0.000 | 2 |
| 78 | B37 | 558 | 375 | 0.089 | 0.002 | 2 |
| 79 | B39 | 3 | 27 | 0.087 | 0.000 | 2 |
| 80 | B44 | 88 | 188 | 0.088 | 0.000 | 2 |
| 81 | B45 | 6 | 18 | 0.086 | 0.000 | 2 |
| 82 | B46 | 7 | 28 | 0.086 | 0.000 | 8 |
| 83 | B47 | 11 | 20 | 0.084 | 0.000 | 2 |
| 84 | B48 | 28 | 2 | 0.082 | 0.000 | 8 |
| 85 | B49 | 53 | 56 | 0.087 | 0.000 | 2 |
| 86 | B50 | 8 | 99 | 0.088 | 0.000 | 2 |
| 87 | B51 | 0 | 16 | 0.094 | 0.000 | 2 |
| 88 | B52 | 3 | 4 | 0.083 | 0.000 | 2 |
| 89 | B53 | 5 | 7 | 0.083 | 0.000 | 2 |
| 90 | B54 | 14 | 26 | 0.086 | 0.000 | 3 |
| 91 | B55 | 32 | 195 | 0.088 | 0.000 | 2 |
| 92 | B57 | 53 | 28 | 0.086 | 0.000 | 4 |
| 93 | B58 | 21 | 35 | 0.087 | 0.000 | 3 |
| 94 | B59 | 28 | 187 | 0.088 | 0.000 | 2 |
| 95 | B60 | 2 | 2 | 0.082 | 0.000 | 8 |
| 96 | B65 | 12 | 12 | 0.085 | 0.000 | 8 |
| 97 | B67 | 126 | 115 | 0.088 | 0.000 | 2 |
| 98 | B69 | 20 | 36 | 0.087 | 0.000 | 2 |
| 99 | B74 | 9 | 5 | 0.083 | 0.000 | 2 |
| 100 | B78 | 9 | 6 | 0.083 | 0.000 | 2 |
| 101 | B81 | 38 | 26 | 0.086 | 0.000 | 2 |
| 102 | B82 | 6 | 12 | 0.085 | 0.000 | 2 |
| 103 | B86 | 8 | 17 | 0.086 | 0.000 | 3 |
| 104 | B89 | 4 | 6 | 0.084 | 0.000 | 8 |
| 105 | B90 | 201 | 19 | 0.086 | 0.000 | 8 |
| 106 | B91 | 181 | 15 | 0.085 | 0.000 | 8 |
| 107 | B94 | 78 | 20 | 0.086 | 0.000 | 2 |
| 108 | B95 | 625 | 81 | 0.088 | 0.001 | 2 |
| 109 | B96 | 778 | 182 | 0.088 | 0.002 | 2 |
| 110 | B97 | 286 | 227 | 0.089 | 0.002 | 2 |
| 111 | B99 | 168 | 186 | 0.088 | 0.000 | 2 |
| 112 | C00 | 17 | 53 | 0.087 | 0.000 | 8 |
| 113 | C01 | 29 | 86 | 0.088 | 0.000 | 2 |
| 114 | C02 | 66 | 186 | 0.088 | 0.000 | 2 |
| 115 | C03 | 26 | 83 | 0.088 | 0.000 | 2 |
| 116 | C04 | 25 | 138 | 0.088 | 0.000 | 2 |
| 117 | C05 | 10 | 79 | 0.088 | 0.000 | 2 |
| 118 | C06 | 55 | 179 | 0.088 | 0.000 | 2 |
| 119 | C07 | 21 | 93 | 0.088 | 0.000 | 2 |
| 120 | C08 | 13 | 59 | 0.086 | 0.000 | 8 |
| 121 | C09 | 25 | 103 | 0.088 | 0.000 | 2 |
| 122 | C10 | 35 | 130 | 0.088 | 0.000 | 2 |
| 123 | C11 | 31 | 101 | 0.088 | 0.000 | 2 |
| 124 | C12 | 30 | 85 | 0.087 | 0.000 | 2 |
| 125 | C13 | 38 | 109 | 0.088 | 0.000 | 8 |
| 126 | C14 | 27 | 81 | 0.088 | 0.000 | 2 |
| 127 | C15 | 93 | 321 | 0.088 | 0.000 | 8 |
| 128 | C16 | 162 | 537 | 0.089 | 0.001 | 2 |
| 129 | C17 | 46 | 201 | 0.088 | 0.000 | 2 |
| 130 | C18 | 281 | 675 | 0.088 | 0.002 | 2 |
| 131 | C19 | 107 | 354 | 0.088 | 0.000 | 2 |
| 132 | C20 | 183 | 467 | 0.088 | 0.001 | 2 |
| 133 | C21 | 31 | 162 | 0.088 | 0.000 | 2 |
| 134 | C22 | 218 | 530 | 0.088 | 0.001 | 2 |
| 135 | C23 | 45 | 213 | 0.088 | 0.000 | 2 |
| 136 | C24 | 55 | 302 | 0.088 | 0.000 | 8 |
| 137 | C25 | 181 | 509 | 0.088 | 0.001 | 2 |
| 138 | C26 | 35 | 108 | 0.087 | 0.000 | 2 |
| 139 | C30 | 4 | 59 | 0.087 | 0.000 | 2 |
| 140 | C31 | 18 | 48 | 0.087 | 0.000 | 2 |
| 141 | C32 | 110 | 316 | 0.088 | 0.000 | 2 |
| 142 | C33 | 4 | 34 | 0.087 | 0.000 | 8 |
| 143 | C34 | 368 | 740 | 0.088 | 0.003 | 8 |
| 144 | C37 | 13 | 59 | 0.088 | 0.000 | 2 |
| 145 | C38 | 37 | 184 | 0.088 | 0.000 | 2 |
| 146 | C39 | 2 | 4 | 0.084 | 0.000 | 8 |
| 147 | C40 | 33 | 107 | 0.087 | 0.000 | 2 |
| 148 | C41 | 58 | 205 | 0.089 | 0.000 | 2 |
| 149 | C43 | 98 | 169 | 0.088 | 0.000 | 2 |
| 150 | C44 | 178 | 337 | 0.089 | 0.001 | 8 |
| 151 | C45 | 31 | 150 | 0.087 | 0.000 | 8 |
| 152 | C46 | 65 | 30 | 0.086 | 0.000 | 2 |
| 153 | C47 | 13 | 45 | 0.087 | 0.000 | 2 |
| 154 | C48 | 46 | 206 | 0.088 | 0.000 | 2 |
| 155 | C49 | 97 | 282 | 0.088 | 0.000 | 2 |
| 156 | C50 | 290 | 536 | 0.089 | 0.001 | 2 |
| 157 | C51 | 42 | 144 | 0.088 | 0.000 | 2 |
| 158 | C52 | 5 | 80 | 0.087 | 0.000 | 2 |
| 159 | C53 | 98 | 269 | 0.088 | 0.000 | 2 |
| 160 | C54 | 112 | 358 | 0.089 | 0.001 | 2 |
| 161 | C55 | 40 | 80 | 0.088 | 0.000 | 2 |
| 162 | C56 | 129 | 362 | 0.089 | 0.001 | 2 |
| 163 | C57 | 21 | 63 | 0.087 | 0.000 | 2 |
| 164 | C60 | 19 | 104 | 0.088 | 0.000 | 8 |
| 165 | C61 | 380 | 473 | 0.089 | 0.001 | 8 |
| 166 | C62 | 19 | 111 | 0.088 | 0.000 | 2 |
| 167 | C63 | 7 | 37 | 0.087 | 0.000 | 8 |
| 168 | C64 | 183 | 449 | 0.089 | 0.001 | 2 |
| 169 | C65 | 42 | 191 | 0.088 | 0.000 | 2 |
| 170 | C66 | 43 | 180 | 0.088 | 0.000 | 8 |
| 171 | C67 | 274 | 656 | 0.088 | 0.001 | 2 |
| 172 | C68 | 42 | 125 | 0.088 | 0.000 | 8 |
| 173 | C69 | 32 | 53 | 0.087 | 0.000 | 8 |
| 174 | C70 | 22 | 65 | 0.087 | 0.000 | 2 |
| 175 | C71 | 153 | 492 | 0.089 | 0.001 | 2 |
| 176 | C72 | 21 | 88 | 0.088 | 0.000 | 2 |
| 177 | C73 | 101 | 329 | 0.089 | 0.001 | 2 |
| 178 | C74 | 42 | 142 | 0.088 | 0.000 | 8 |
| 179 | C75 | 12 | 65 | 0.087 | 0.000 | 2 |
| 180 | C76 | 58 | 124 | 0.088 | 0.000 | 2 |
| 181 | C77 | 366 | 411 | 0.089 | 0.001 | 8 |
| 182 | C78 | 475 | 677 | 0.088 | 0.002 | 8 |
| 183 | C79 | 441 | 664 | 0.089 | 0.002 | 8 |
| 184 | C7A | 112 | 308 | 0.088 | 0.000 | 8 |
| 185 | C7B | 66 | 170 | 0.088 | 0.000 | 8 |
| 186 | C80 | 142 | 274 | 0.088 | 0.000 | 8 |
| 187 | C81 | 112 | 283 | 0.088 | 0.001 | 2 |
| 188 | C82 | 104 | 247 | 0.088 | 0.000 | 2 |
| 189 | C83 | 174 | 476 | 0.088 | 0.001 | 2 |
| 190 | C84 | 68 | 200 | 0.088 | 0.000 | 2 |
| 191 | C85 | 195 | 399 | 0.088 | 0.001 | 2 |
| 192 | C86 | 24 | 114 | 0.088 | 0.000 | 2 |
| 193 | C88 | 102 | 81 | 0.088 | 0.000 | 2 |
| 194 | C90 | 246 | 459 | 0.089 | 0.001 | 8 |
| 195 | C91 | 303 | 355 | 0.088 | 0.001 | 8 |
| 196 | C92 | 186 | 506 | 0.089 | 0.001 | 2 |
| 197 | C93 | 98 | 167 | 0.088 | 0.000 | 8 |
| 198 | C94 | 16 | 88 | 0.088 | 0.000 | 2 |
| 199 | C95 | 54 | 140 | 0.088 | 0.000 | 2 |
| 200 | C96 | 47 | 62 | 0.087 | 0.000 | 2 |
| 201 | D00 | 7 | 38 | 0.087 | 0.000 | 2 |
| 202 | D01 | 40 | 154 | 0.088 | 0.000 | 2 |
| 203 | D02 | 10 | 62 | 0.087 | 0.000 | 2 |
| 204 | D03 | 13 | 25 | 0.085 | 0.000 | 2 |
| 205 | D04 | 38 | 33 | 0.086 | 0.000 | 8 |
| 206 | D05 | 25 | 109 | 0.088 | 0.000 | 2 |
| 207 | D06 | 16 | 107 | 0.088 | 0.001 | 3 |
| 208 | D07 | 43 | 82 | 0.087 | 0.000 | 2 |
| 209 | D09 | 42 | 212 | 0.088 | 0.000 | 2 |
| 210 | D10 | 22 | 46 | 0.087 | 0.000 | 2 |
| 211 | D11 | 63 | 165 | 0.088 | 0.000 | 2 |
| 212 | D12 | 282 | 404 | 0.089 | 0.001 | 2 |
| 213 | D13 | 137 | 217 | 0.088 | 0.001 | 2 |
| 214 | D14 | 21 | 97 | 0.088 | 0.000 | 2 |
| 215 | D15 | 42 | 103 | 0.088 | 0.000 | 2 |
| 216 | D16 | 77 | 113 | 0.088 | 0.000 | 2 |
| 217 | D17 | 243 | 212 | 0.088 | 0.001 | 2 |
| 218 | D18 | 413 | 258 | 0.089 | 0.003 | 2 |
| 219 | D19 | 3 | 23 | 0.086 | 0.000 | 2 |
| 220 | D20 | 6 | 9 | 0.085 | 0.000 | 8 |
| 221 | D21 | 77 | 96 | 0.088 | 0.000 | 2 |
| 222 | D22 | 66 | 17 | 0.086 | 0.000 | 2 |
| 223 | D23 | 68 | 47 | 0.086 | 0.000 | 2 |
| 224 | D24 | 88 | 65 | 0.087 | 0.000 | 4 |
| 225 | D25 | 303 | 327 | 0.089 | 0.002 | 4 |
| 226 | D26 | 55 | 56 | 0.086 | 0.000 | 4 |
| 227 | D27 | 89 | 222 | 0.088 | 0.000 | 3 |
| 228 | D28 | 20 | 21 | 0.085 | 0.000 | 3 |
| 229 | D29 | 98 | 96 | 0.088 | 0.000 | 8 |
| 230 | D30 | 94 | 151 | 0.088 | 0.000 | 2 |
| 231 | D31 | 11 | 11 | 0.084 | 0.000 | 3 |
| 232 | D32 | 213 | 295 | 0.088 | 0.001 | 2 |
| 233 | D33 | 84 | 192 | 0.088 | 0.000 | 2 |
| 234 | D34 | 34 | 118 | 0.088 | 0.000 | 2 |
| 235 | D35 | 332 | 318 | 0.089 | 0.001 | 2 |
| 236 | D36 | 76 | 131 | 0.088 | 0.000 | 2 |
| 237 | D37 | 84 | 247 | 0.088 | 0.000 | 2 |
| 238 | D38 | 43 | 151 | 0.088 | 0.001 | 2 |
| 239 | D39 | 38 | 95 | 0.087 | 0.000 | 3 |
| 240 | D3A | 25 | 79 | 0.087 | 0.000 | 2 |
| 241 | D40 | 12 | 29 | 0.087 | 0.000 | 8 |
| 242 | D41 | 80 | 171 | 0.088 | 0.000 | 2 |
| 243 | D42 | 18 | 47 | 0.087 | 0.000 | 2 |
| 244 | D43 | 27 | 115 | 0.088 | 0.000 | 2 |
| 245 | D44 | 58 | 105 | 0.088 | 0.000 | 2 |
| 246 | D45 | 111 | 50 | 0.087 | 0.000 | 2 |
| 247 | D46 | 281 | 313 | 0.089 | 0.001 | 8 |
| 248 | D47 | 448 | 235 | 0.088 | 0.001 | 2 |
| 249 | D48 | 120 | 215 | 0.089 | 0.001 | 2 |
| 250 | D49 | 247 | 442 | 0.089 | 0.002 | 2 |
| 251 | D50 | 763 | 581 | 0.088 | 0.004 | 2 |
| 252 | D51 | 244 | 123 | 0.088 | 0.000 | 2 |
| 253 | D52 | 194 | 83 | 0.088 | 0.000 | 8 |
| 254 | D53 | 359 | 223 | 0.088 | 0.001 | 8 |
| 255 | D55 | 49 | 20 | 0.086 | 0.000 | 2 |
| 256 | D56 | 394 | 67 | 0.088 | 0.001 | 4 |
| 257 | D57 | 88 | 169 | 0.088 | 0.001 | 3 |
| 258 | D58 | 121 | 89 | 0.088 | 0.001 | 3 |
| 259 | D59 | 159 | 260 | 0.088 | 0.000 | 2 |
| 260 | D60 | 14 | 26 | 0.085 | 0.000 | 8 |
| 261 | D61 | 360 | 417 | 0.089 | 0.002 | 8 |
| 262 | D62 | 458 | 275 | 0.089 | 0.002 | 2 |
| 263 | D63 | 460 | 252 | 0.089 | 0.001 | 8 |
| 264 | D64 | 844 | 469 | 0.089 | 0.005 | 3 |
| 265 | D65 | 191 | 29 | 0.087 | 0.000 | 2 |
| 266 | D66 | 118 | 45 | 0.087 | 0.000 | 3 |
| 267 | D68 | 685 | 203 | 0.088 | 0.002 | 3 |
| 268 | D69 | 664 | 425 | 0.089 | 0.005 | 3 |
| 269 | D70 | 373 | 636 | 0.089 | 0.003 | 2 |
| 270 | D71 | 16 | 11 | 0.086 | 0.000 | 2 |
| 271 | D72 | 472 | 167 | 0.088 | 0.001 | 2 |
| 272 | D73 | 228 | 135 | 0.088 | 0.000 | 2 |
| 273 | D74 | 1 | 3 | 0.082 | 0.000 | 2 |
| 274 | D75 | 358 | 79 | 0.087 | 0.001 | 8 |
| 275 | D76 | 51 | 95 | 0.088 | 0.000 | 2 |
| 276 | D78 | 44 | 8 | 0.085 | 0.000 | 2 |
| 277 | D80 | 232 | 45 | 0.087 | 0.000 | 2 |
| 278 | D81 | 16 | 60 | 0.087 | 0.000 | 2 |
| 279 | D82 | 30 | 27 | 0.086 | 0.000 | 2 |
| 280 | D83 | 57 | 48 | 0.087 | 0.000 | 2 |
| 281 | D84 | 114 | 33 | 0.087 | 0.000 | 2 |
| 282 | D86 | 138 | 162 | 0.088 | 0.000 | 2 |
| 283 | D89 | 262 | 200 | 0.088 | 0.001 | 2 |
| 284 | E01 | 45 | 2 | 0.082 | 0.000 | 2 |
| 285 | E02 | 227 | 19 | 0.086 | 0.000 | 4 |
| 286 | E03 | 955 | 100 | 0.088 | 0.003 | 4 |
| 287 | E04 | 543 | 333 | 0.089 | 0.002 | 2 |
| 288 | E05 | 509 | 216 | 0.088 | 0.002 | 3 |
| 289 | E06 | 263 | 114 | 0.088 | 0.001 | 4 |
| 290 | E07 | 177 | 21 | 0.086 | 0.000 | 3 |
| 291 | E08 | 95 | 54 | 0.087 | 0.000 | 8 |
| 292 | E09 | 257 | 127 | 0.088 | 0.000 | 8 |
| 293 | E10 | 402 | 393 | 0.089 | 0.003 | 3 |
| 294 | E11 | 1018 | 653 | 0.088 | 0.006 | 8 |
| 295 | E13 | 208 | 147 | 0.088 | 0.001 | 2 |
| 296 | E15 | 0 | 7 | 0.092 | 0.000 | 8 |
| 297 | E16 | 194 | 246 | 0.089 | 0.001 | 2 |
| 298 | E20 | 78 | 32 | 0.087 | 0.000 | 2 |
| 299 | E21 | 412 | 163 | 0.088 | 0.001 | 2 |
| 300 | E22 | 314 | 272 | 0.088 | 0.001 | 2 |
| 301 | E23 | 202 | 55 | 0.088 | 0.000 | 2 |
| 302 | E24 | 123 | 106 | 0.088 | 0.000 | 2 |
| 303 | E25 | 41 | 6 | 0.083 | 0.000 | 4 |
| 304 | E26 | 101 | 75 | 0.087 | 0.000 | 2 |
| 305 | E27 | 339 | 256 | 0.088 | 0.001 | 2 |
| 306 | E28 | 185 | 28 | 0.085 | 0.000 | 4 |
| 307 | E31 | 51 | 46 | 0.087 | 0.000 | 2 |
| 308 | E32 | 27 | 38 | 0.086 | 0.000 | 2 |
| 309 | E34 | 62 | 17 | 0.086 | 0.001 | 2 |
| 310 | E40 | 24 | 9 | 0.085 | 0.000 | 8 |
| 311 | E41 | 59 | 15 | 0.085 | 0.000 | 8 |
| 312 | E43 | 322 | 221 | 0.088 | 0.001 | 8 |
| 313 | E44 | 328 | 74 | 0.088 | 0.001 | 8 |
| 314 | E45 | 5 | 7 | 0.084 | 0.000 | 2 |
| 315 | E46 | 567 | 251 | 0.089 | 0.002 | 8 |
| 316 | E51 | 81 | 166 | 0.088 | 0.000 | 2 |
| 317 | E53 | 583 | 58 | 0.087 | 0.001 | 8 |
| 318 | E54 | 22 | 5 | 0.083 | 0.000 | 8 |
| 319 | E55 | 635 | 40 | 0.087 | 0.001 | 8 |
| 320 | E61 | 309 | 35 | 0.087 | 0.000 | 2 |
| 321 | E63 | 96 | 43 | 0.087 | 0.000 | 2 |
| 322 | E65 | 56 | 126 | 0.088 | 0.000 | 2 |
| 323 | E66 | 902 | 429 | 0.088 | 0.005 | 2 |
| 324 | E67 | 33 | 13 | 0.086 | 0.000 | 8 |
| 325 | E70 | 33 | 12 | 0.085 | 0.000 | 2 |
| 326 | E71 | 35 | 92 | 0.087 | 0.000 | 2 |
| 327 | E72 | 208 | 99 | 0.087 | 0.001 | 4 |
| 328 | E73 | 198 | 5 | 0.084 | 0.000 | 3 |
| 329 | E74 | 82 | 50 | 0.087 | 0.000 | 2 |
| 330 | E75 | 67 | 42 | 0.087 | 0.000 | 2 |
| 331 | E76 | 29 | 27 | 0.086 | 0.000 | 2 |
| 332 | E77 | 189 | 58 | 0.087 | 0.000 | 2 |
| 333 | E78 | 1097 | 185 | 0.088 | 0.006 | 8 |
| 334 | E79 | 636 | 17 | 0.086 | 0.000 | 8 |
| 335 | E80 | 311 | 103 | 0.088 | 0.001 | 3 |
| 336 | E83 | 557 | 357 | 0.089 | 0.002 | 2 |
| 337 | E84 | 64 | 137 | 0.087 | 0.001 | 2 |
| 338 | E85 | 150 | 253 | 0.088 | 0.001 | 8 |
| 339 | E86 | 355 | 434 | 0.089 | 0.002 | 8 |
| 340 | E87 | 786 | 698 | 0.088 | 0.005 | 8 |
| 341 | E88 | 467 | 232 | 0.088 | 0.002 | 3 |
| 342 | E89 | 495 | 85 | 0.087 | 0.001 | 3 |
| 343 | F01 | 294 | 220 | 0.088 | 0.000 | 8 |
| 344 | F02 | 474 | 106 | 0.088 | 0.001 | 8 |
| 345 | F03 | 357 | 267 | 0.089 | 0.001 | 8 |
| 346 | F04 | 31 | 6 | 0.084 | 0.000 | 8 |
| 347 | F05 | 490 | 468 | 0.089 | 0.002 | 8 |
| 348 | F06 | 313 | 215 | 0.089 | 0.001 | 8 |
| 349 | F07 | 67 | 77 | 0.088 | 0.000 | 2 |
| 350 | F09 | 310 | 145 | 0.088 | 0.000 | 8 |
| 351 | F10 | 796 | 483 | 0.089 | 0.005 | 2 |
| 352 | F11 | 362 | 110 | 0.088 | 0.001 | 2 |
| 353 | F12 | 365 | 123 | 0.088 | 0.001 | 2 |
| 354 | F13 | 143 | 121 | 0.088 | 0.000 | 2 |
| 355 | F14 | 376 | 157 | 0.088 | 0.001 | 2 |
| 356 | F15 | 73 | 27 | 0.086 | 0.000 | 2 |
| 357 | F16 | 36 | 8 | 0.084 | 0.000 | 2 |
| 358 | F17 | 1028 | 150 | 0.089 | 0.005 | 3 |
| 359 | F18 | 20 | 9 | 0.084 | 0.000 | 2 |
| 360 | F19 | 283 | 139 | 0.088 | 0.001 | 2 |
| 361 | F20 | 341 | 462 | 0.089 | 0.004 | 2 |
| 362 | F21 | 21 | 12 | 0.083 | 0.000 | 2 |
| 363 | F22 | 143 | 276 | 0.088 | 0.000 | 2 |
| 364 | F23 | 60 | 230 | 0.089 | 0.000 | 2 |
| 365 | F25 | 102 | 267 | 0.088 | 0.000 | 2 |
| 366 | F28 | 19 | 55 | 0.087 | 0.000 | 2 |
| 367 | F29 | 145 | 296 | 0.088 | 0.001 | 2 |
| 368 | F30 | 51 | 198 | 0.088 | 0.000 | 2 |
| 369 | F31 | 340 | 466 | 0.089 | 0.003 | 2 |
| 370 | F32 | 795 | 413 | 0.089 | 0.004 | 2 |
| 371 | F33 | 142 | 281 | 0.088 | 0.001 | 2 |
| 372 | F34 | 486 | 211 | 0.088 | 0.001 | 2 |
| 373 | F39 | 105 | 35 | 0.086 | 0.000 | 2 |
| 374 | F40 | 160 | 45 | 0.087 | 0.000 | 2 |
| 375 | F41 | 746 | 311 | 0.089 | 0.005 | 2 |
| 376 | F42 | 156 | 77 | 0.087 | 0.000 | 3 |
| 377 | F43 | 445 | 439 | 0.089 | 0.005 | 2 |
| 378 | F44 | 146 | 227 | 0.088 | 0.001 | 2 |
| 379 | F45 | 114 | 147 | 0.088 | 0.000 | 2 |
| 380 | F48 | 36 | 38 | 0.086 | 0.000 | 2 |
| 381 | F50 | 201 | 259 | 0.088 | 0.001 | 3 |
| 382 | F51 | 80 | 15 | 0.085 | 0.000 | 2 |
| 383 | F52 | 18 | 3 | 0.083 | 0.000 | 8 |
| 384 | F53 | 7 | 12 | 0.085 | 0.000 | 4 |
| 385 | F54 | 10 | 2 | 0.082 | 0.000 | 2 |
| 386 | F55 | 31 | 11 | 0.085 | 0.000 | 2 |
| 387 | F59 | 6 | 5 | 0.084 | 0.000 | 2 |
| 388 | F60 | 358 | 355 | 0.089 | 0.002 | 2 |
| 389 | F63 | 81 | 49 | 0.087 | 0.000 | 2 |
| 390 | F64 | 26 | 15 | 0.084 | 0.000 | 2 |
| 391 | F68 | 43 | 52 | 0.087 | 0.000 | 2 |
| 392 | F69 | 71 | 60 | 0.086 | 0.000 | 2 |
| 393 | F70 | 114 | 24 | 0.086 | 0.000 | 2 |
| 394 | F71 | 69 | 34 | 0.086 | 0.000 | 2 |
| 395 | F72 | 65 | 7 | 0.083 | 0.000 | 8 |
| 396 | F78 | 21 | 5 | 0.082 | 0.000 | 2 |
| 397 | F79 | 240 | 43 | 0.087 | 0.000 | 2 |
| 398 | F80 | 85 | 51 | 0.087 | 0.000 | 2 |
| 399 | F82 | 128 | 29 | 0.086 | 0.000 | 2 |
| 400 | F84 | 96 | 58 | 0.086 | 0.000 | 2 |
| 401 | F88 | 27 | 6 | 0.082 | 0.000 | 2 |
| 402 | F89 | 24 | 3 | 0.082 | 0.000 | 2 |
| 403 | F90 | 161 | 30 | 0.085 | 0.000 | 2 |
| 404 | F91 | 195 | 219 | 0.088 | 0.001 | 2 |
| 405 | F93 | 12 | 22 | 0.085 | 0.000 | 2 |
| 406 | F94 | 16 | 44 | 0.086 | 0.000 | 2 |
| 407 | F95 | 45 | 7 | 0.084 | 0.000 | 3 |
| 408 | F98 | 68 | 48 | 0.087 | 0.000 | 2 |
| 409 | F99 | 44 | 34 | 0.086 | 0.000 | 3 |
| 410 | G00 | 41 | 262 | 0.088 | 0.000 | 2 |
| 411 | G03 | 65 | 134 | 0.088 | 0.000 | 2 |
| 412 | G04 | 96 | 270 | 0.089 | 0.001 | 2 |
| 413 | G05 | 10 | 1 | 0.081 | 0.000 | 2 |
| 414 | G06 | 37 | 181 | 0.088 | 0.000 | 2 |
| 415 | G08 | 20 | 33 | 0.087 | 0.000 | 3 |
| 416 | G10 | 42 | 28 | 0.087 | 0.000 | 8 |
| 417 | G11 | 85 | 58 | 0.087 | 0.000 | 2 |
| 418 | G12 | 99 | 229 | 0.088 | 0.000 | 2 |
| 419 | G13 | 25 | 2 | 0.081 | 0.000 | 8 |
| 420 | G20 | 465 | 248 | 0.088 | 0.002 | 8 |
| 421 | G21 | 216 | 161 | 0.088 | 0.001 | 8 |
| 422 | G23 | 45 | 85 | 0.088 | 0.000 | 8 |
| 423 | G24 | 137 | 75 | 0.087 | 0.000 | 2 |
| 424 | G25 | 511 | 255 | 0.088 | 0.001 | 8 |
| 425 | G26 | 3 | 7 | 0.084 | 0.000 | 8 |
| 426 | G30 | 468 | 301 | 0.089 | 0.002 | 8 |
| 427 | G31 | 537 | 341 | 0.088 | 0.002 | 8 |
| 428 | G35 | 260 | 208 | 0.088 | 0.001 | 3 |
| 429 | G36 | 22 | 97 | 0.088 | 0.000 | 2 |
| 430 | G37 | 86 | 147 | 0.088 | 0.001 | 2 |
| 431 | G40 | 683 | 747 | 0.089 | 0.009 | 2 |
| 432 | G43 | 542 | 291 | 0.088 | 0.002 | 3 |
| 433 | G44 | 282 | 219 | 0.089 | 0.001 | 2 |
| 434 | G45 | 177 | 574 | 0.089 | 0.001 | 2 |
| 435 | G46 | 84 | 241 | 0.088 | 0.000 | 8 |
| 436 | G47 | 807 | 310 | 0.089 | 0.004 | 8 |
| 437 | G50 | 235 | 172 | 0.088 | 0.000 | 2 |
| 438 | G51 | 326 | 175 | 0.089 | 0.001 | 2 |
| 439 | G52 | 56 | 79 | 0.088 | 0.000 | 2 |
| 440 | G54 | 100 | 119 | 0.088 | 0.000 | 2 |
| 441 | G56 | 309 | 152 | 0.087 | 0.000 | 2 |
| 442 | G57 | 189 | 137 | 0.088 | 0.000 | 2 |
| 443 | G58 | 109 | 49 | 0.087 | 0.000 | 2 |
| 444 | G60 | 214 | 135 | 0.088 | 0.001 | 2 |
| 445 | G61 | 133 | 253 | 0.088 | 0.001 | 2 |
| 446 | G62 | 410 | 231 | 0.089 | 0.001 | 8 |
| 447 | G63 | 64 | 17 | 0.086 | 0.000 | 8 |
| 448 | G70 | 206 | 265 | 0.088 | 0.001 | 2 |
| 449 | G71 | 147 | 100 | 0.087 | 0.000 | 2 |
| 450 | G72 | 251 | 191 | 0.089 | 0.001 | 2 |
| 451 | G80 | 186 | 85 | 0.087 | 0.000 | 2 |
| 452 | G81 | 266 | 129 | 0.088 | 0.001 | 8 |
| 453 | G82 | 254 | 172 | 0.088 | 0.001 | 8 |
| 454 | G83 | 224 | 119 | 0.088 | 0.001 | 2 |
| 455 | G89 | 433 | 522 | 0.088 | 0.002 | 2 |
| 456 | G90 | 123 | 100 | 0.088 | 0.000 | 2 |
| 457 | G91 | 268 | 269 | 0.088 | 0.001 | 2 |
| 458 | G92 | 81 | 173 | 0.088 | 0.000 | 8 |
| 459 | G93 | 517 | 563 | 0.089 | 0.005 | 2 |
| 460 | G95 | 215 | 211 | 0.088 | 0.001 | 2 |
| 461 | G96 | 90 | 140 | 0.088 | 0.000 | 2 |
| 462 | G97 | 250 | 193 | 0.088 | 0.001 | 3 |
| 463 | G98 | 14 | 17 | 0.086 | 0.000 | 3 |
| 464 | H00 | 46 | 51 | 0.087 | 0.000 | 2 |
| 465 | H01 | 73 | 4 | 0.083 | 0.000 | 8 |
| 466 | H02 | 183 | 99 | 0.087 | 0.001 | 2 |
| 467 | H04 | 154 | 66 | 0.087 | 0.000 | 2 |
| 468 | H05 | 85 | 180 | 0.088 | 0.000 | 2 |
| 469 | H10 | 258 | 19 | 0.086 | 0.000 | 2 |
| 470 | H11 | 117 | 17 | 0.085 | 0.000 | 2 |
| 471 | H15 | 26 | 5 | 0.083 | 0.000 | 2 |
| 472 | H16 | 188 | 124 | 0.088 | 0.001 | 2 |
| 473 | H17 | 45 | 31 | 0.086 | 0.000 | 2 |
| 474 | H18 | 67 | 94 | 0.087 | 0.000 | 2 |
| 475 | H20 | 84 | 28 | 0.087 | 0.000 | 2 |
| 476 | H21 | 20 | 4 | 0.082 | 0.000 | 2 |
| 477 | H25 | 95 | 45 | 0.087 | 0.000 | 8 |
| 478 | H26 | 287 | 114 | 0.087 | 0.001 | 8 |
| 479 | H27 | 116 | 32 | 0.087 | 0.000 | 8 |
| 480 | H30 | 43 | 61 | 0.087 | 0.000 | 2 |
| 481 | H31 | 20 | 10 | 0.084 | 0.000 | 8 |
| 482 | H32 | 0 | 13 | 0.093 | 0.000 | 2 |
| 483 | H33 | 102 | 110 | 0.087 | 0.000 | 2 |
| 484 | H34 | 96 | 92 | 0.088 | 0.000 | 8 |
| 485 | H35 | 404 | 75 | 0.087 | 0.001 | 8 |
| 486 | H40 | 492 | 61 | 0.087 | 0.001 | 8 |
| 487 | H43 | 77 | 57 | 0.087 | 0.000 | 2 |
| 488 | H44 | 154 | 93 | 0.088 | 0.000 | 3 |
| 489 | H46 | 118 | 203 | 0.089 | 0.001 | 2 |
| 490 | H47 | 143 | 128 | 0.088 | 0.000 | 2 |
| 491 | H49 | 160 | 192 | 0.089 | 0.001 | 2 |
| 492 | H50 | 142 | 78 | 0.087 | 0.000 | 2 |
| 493 | H51 | 48 | 33 | 0.087 | 0.000 | 2 |
| 494 | H52 | 176 | 12 | 0.085 | 0.000 | 4 |
| 495 | H53 | 317 | 146 | 0.088 | 0.001 | 2 |
| 496 | H54 | 323 | 32 | 0.087 | 0.000 | 8 |
| 497 | H55 | 85 | 43 | 0.086 | 0.000 | 2 |
| 498 | H57 | 95 | 42 | 0.086 | 0.000 | 2 |
| 499 | H59 | 34 | 40 | 0.087 | 0.000 | 8 |
| 500 | H60 | 61 | 102 | 0.087 | 0.001 | 2 |
| 501 | H61 | 113 | 47 | 0.087 | 0.000 | 8 |
| 502 | H65 | 98 | 76 | 0.088 | 0.000 | 2 |
| 503 | H66 | 241 | 232 | 0.089 | 0.002 | 2 |
| 504 | H68 | 26 | 6 | 0.084 | 0.000 | 8 |
| 505 | H69 | 11 | 2 | 0.082 | 0.000 | 8 |
| 506 | H70 | 40 | 112 | 0.088 | 0.000 | 2 |
| 507 | H71 | 55 | 137 | 0.088 | 0.000 | 2 |
| 508 | H72 | 62 | 89 | 0.088 | 0.000 | 2 |
| 509 | H73 | 12 | 10 | 0.084 | 0.000 | 2 |
| 510 | H74 | 34 | 37 | 0.087 | 0.000 | 2 |
| 511 | H80 | 66 | 87 | 0.087 | 0.000 | 2 |
| 512 | H81 | 390 | 334 | 0.089 | 0.002 | 2 |
| 513 | H82 | 4 | 1 | 0.082 | 0.000 | 2 |
| 514 | H83 | 40 | 35 | 0.086 | 0.000 | 2 |
| 515 | H90 | 375 | 137 | 0.088 | 0.001 | 2 |
| 516 | H91 | 577 | 72 | 0.088 | 0.001 | 8 |
| 517 | H92 | 70 | 34 | 0.086 | 0.000 | 2 |
| 518 | H93 | 121 | 11 | 0.085 | 0.000 | 8 |
| 519 | H95 | 17 | 33 | 0.086 | 0.000 | 2 |
| 520 | I00 | 9 | 6 | 0.084 | 0.000 | 8 |
| 521 | I01 | 8 | 43 | 0.087 | 0.000 | 8 |
| 522 | I05 | 237 | 232 | 0.088 | 0.000 | 2 |
| 523 | I06 | 84 | 96 | 0.087 | 0.000 | 8 |
| 524 | I07 | 315 | 109 | 0.088 | 0.001 | 8 |
| 525 | I08 | 382 | 321 | 0.088 | 0.001 | 8 |
| 526 | I09 | 77 | 215 | 0.088 | 0.000 | 8 |
| 527 | I10 | 1122 | 447 | 0.089 | 0.009 | 8 |
| 528 | I11 | 490 | 587 | 0.088 | 0.002 | 8 |
| 529 | I12 | 724 | 456 | 0.089 | 0.003 | 8 |
| 530 | I13 | 345 | 582 | 0.089 | 0.002 | 8 |
| 531 | I15 | 138 | 64 | 0.087 | 0.000 | 2 |
| 532 | I20 | 282 | 475 | 0.088 | 0.001 | 2 |
| 533 | I21 | 200 | 737 | 0.088 | 0.002 | 2 |
| 534 | I22 | 11 | 105 | 0.088 | 0.000 | 8 |
| 535 | I23 | 14 | 59 | 0.087 | 0.000 | 8 |
| 536 | I24 | 121 | 241 | 0.088 | 0.000 | 8 |
| 537 | I25 | 791 | 674 | 0.089 | 0.004 | 8 |
| 538 | I26 | 349 | 774 | 0.089 | 0.004 | 2 |
| 539 | I27 | 566 | 363 | 0.089 | 0.002 | 8 |
| 540 | I28 | 46 | 70 | 0.088 | 0.000 | 2 |
| 541 | I30 | 98 | 361 | 0.088 | 0.000 | 2 |
| 542 | I31 | 264 | 376 | 0.089 | 0.001 | 8 |
| 543 | I33 | 72 | 324 | 0.089 | 0.001 | 8 |
| 544 | I34 | 497 | 329 | 0.088 | 0.002 | 8 |
| 545 | I35 | 521 | 534 | 0.089 | 0.003 | 8 |
| 546 | I36 | 222 | 64 | 0.088 | 0.000 | 8 |
| 547 | I37 | 57 | 80 | 0.087 | 0.000 | 2 |
| 548 | I38 | 156 | 67 | 0.088 | 0.000 | 2 |
| 549 | I39 | 6 | 17 | 0.086 | 0.000 | 8 |
| 550 | I40 | 34 | 121 | 0.088 | 0.000 | 2 |
| 551 | I42 | 480 | 427 | 0.089 | 0.003 | 8 |
| 552 | I44 | 481 | 532 | 0.089 | 0.003 | 8 |
| 553 | I45 | 462 | 277 | 0.089 | 0.002 | 2 |
| 554 | I46 | 244 | 295 | 0.089 | 0.002 | 8 |
| 555 | I47 | 306 | 466 | 0.089 | 0.002 | 2 |
| 556 | I48 | 858 | 709 | 0.088 | 0.005 | 8 |
| 557 | I49 | 424 | 404 | 0.089 | 0.002 | 2 |
| 558 | I50 | 696 | 1036 | 0.088 | 0.010 | 8 |
| 559 | I51 | 464 | 300 | 0.089 | 0.002 | 8 |
| 560 | I60 | 68 | 394 | 0.088 | 0.000 | 2 |
| 561 | I61 | 117 | 603 | 0.089 | 0.002 | 8 |
| 562 | I62 | 183 | 443 | 0.089 | 0.001 | 8 |
| 563 | I63 | 269 | 903 | 0.089 | 0.004 | 8 |
| 564 | I65 | 377 | 321 | 0.089 | 0.001 | 8 |
| 565 | I66 | 64 | 204 | 0.088 | 0.000 | 8 |
| 566 | I67 | 513 | 476 | 0.089 | 0.002 | 8 |
| 567 | I68 | 46 | 34 | 0.087 | 0.000 | 8 |
| 568 | I69 | 513 | 410 | 0.089 | 0.002 | 8 |
| 569 | I70 | 494 | 548 | 0.088 | 0.003 | 8 |
| 570 | I71 | 372 | 451 | 0.089 | 0.002 | 8 |
| 571 | I72 | 226 | 298 | 0.089 | 0.001 | 8 |
| 572 | I73 | 473 | 214 | 0.089 | 0.001 | 2 |
| 573 | I74 | 266 | 408 | 0.089 | 0.001 | 8 |
| 574 | I75 | 17 | 57 | 0.087 | 0.000 | 8 |
| 575 | I76 | 15 | 14 | 0.085 | 0.000 | 8 |
| 576 | I77 | 399 | 368 | 0.089 | 0.002 | 2 |
| 577 | I78 | 82 | 92 | 0.088 | 0.000 | 2 |
| 578 | I80 | 337 | 161 | 0.088 | 0.001 | 2 |
| 579 | I81 | 191 | 170 | 0.088 | 0.000 | 8 |
| 580 | I82 | 417 | 627 | 0.089 | 0.003 | 2 |
| 581 | I83 | 288 | 316 | 0.088 | 0.002 | 2 |
| 582 | I85 | 329 | 256 | 0.089 | 0.001 | 8 |
| 583 | I86 | 134 | 134 | 0.088 | 0.000 | 2 |
| 584 | I87 | 579 | 235 | 0.088 | 0.001 | 2 |
| 585 | I88 | 126 | 207 | 0.089 | 0.001 | 2 |
| 586 | I89 | 265 | 223 | 0.089 | 0.001 | 2 |
| 587 | I95 | 432 | 363 | 0.089 | 0.002 | 8 |
| 588 | I96 | 86 | 157 | 0.088 | 0.000 | 8 |
| 589 | I97 | 316 | 274 | 0.089 | 0.001 | 8 |
| 590 | I99 | 172 | 196 | 0.089 | 0.001 | 8 |
| 591 | J00 | 199 | 128 | 0.088 | 0.001 | 2 |
| 592 | J01 | 65 | 118 | 0.088 | 0.000 | 2 |
| 593 | J02 | 141 | 171 | 0.088 | 0.001 | 2 |
| 594 | J03 | 128 | 226 | 0.088 | 0.001 | 2 |
| 595 | J04 | 81 | 176 | 0.088 | 0.000 | 2 |
| 596 | J05 | 14 | 60 | 0.087 | 0.000 | 2 |
| 597 | J06 | 333 | 510 | 0.089 | 0.003 | 2 |
| 598 | J09 | 72 | 370 | 0.089 | 0.001 | 2 |
| 599 | J10 | 132 | 501 | 0.089 | 0.001 | 2 |
| 600 | J11 | 174 | 541 | 0.089 | 0.002 | 2 |
| 601 | J12 | 49 | 276 | 0.089 | 0.000 | 2 |
| 602 | J13 | 73 | 558 | 0.089 | 0.000 | 2 |
| 603 | J14 | 41 | 205 | 0.088 | 0.000 | 8 |
| 604 | J15 | 194 | 506 | 0.088 | 0.001 | 8 |
| 605 | J16 | 20 | 94 | 0.087 | 0.000 | 8 |
| 606 | J18 | 506 | 1089 | 0.089 | 0.009 | 8 |
| 607 | J20 | 303 | 755 | 0.089 | 0.003 | 8 |
| 608 | J21 | 103 | 347 | 0.088 | 0.001 | 2 |
| 609 | J22 | 496 | 901 | 0.088 | 0.006 | 8 |
| 610 | J30 | 365 | 14 | 0.086 | 0.000 | 3 |
| 611 | J31 | 244 | 31 | 0.086 | 0.000 | 2 |
| 612 | J32 | 222 | 199 | 0.089 | 0.001 | 2 |
| 613 | J33 | 138 | 133 | 0.088 | 0.000 | 2 |
| 614 | J34 | 173 | 250 | 0.089 | 0.001 | 2 |
| 615 | J35 | 112 | 273 | 0.089 | 0.001 | 2 |
| 616 | J36 | 16 | 158 | 0.088 | 0.000 | 2 |
| 617 | J37 | 94 | 32 | 0.086 | 0.000 | 8 |
| 618 | J38 | 315 | 312 | 0.089 | 0.002 | 2 |
| 619 | J39 | 155 | 249 | 0.089 | 0.001 | 2 |
| 620 | J40 | 111 | 202 | 0.088 | 0.000 | 8 |
| 621 | J41 | 51 | 28 | 0.087 | 0.000 | 8 |
| 622 | J42 | 374 | 62 | 0.087 | 0.000 | 8 |
| 623 | J43 | 457 | 668 | 0.088 | 0.002 | 8 |
| 624 | J44 | 787 | 952 | 0.088 | 0.008 | 8 |
| 625 | J45 | 851 | 702 | 0.089 | 0.009 | 3 |
| 626 | J47 | 462 | 714 | 0.089 | 0.004 | 8 |
| 627 | J60 | 29 | 9 | 0.085 | 0.000 | 8 |
| 628 | J61 | 63 | 48 | 0.087 | 0.000 | 8 |
| 629 | J62 | 81 | 60 | 0.087 | 0.000 | 8 |
| 630 | J64 | 28 | 15 | 0.086 | 0.000 | 2 |
| 631 | J65 | 5 | 9 | 0.085 | 0.000 | 8 |
| 632 | J67 | 23 | 103 | 0.088 | 0.000 | 2 |
| 633 | J68 | 24 | 68 | 0.087 | 0.000 | 8 |
| 634 | J69 | 359 | 807 | 0.089 | 0.004 | 8 |
| 635 | J70 | 66 | 151 | 0.088 | 0.000 | 8 |
| 636 | J80 | 175 | 157 | 0.088 | 0.001 | 2 |
| 637 | J81 | 159 | 333 | 0.089 | 0.001 | 8 |
| 638 | J82 | 34 | 83 | 0.088 | 0.000 | 2 |
| 639 | J84 | 358 | 543 | 0.089 | 0.002 | 8 |
| 640 | J85 | 70 | 267 | 0.088 | 0.000 | 2 |
| 641 | J86 | 100 | 252 | 0.088 | 0.000 | 8 |
| 642 | J90 | 427 | 525 | 0.089 | 0.003 | 8 |
| 643 | J91 | 281 | 261 | 0.088 | 0.001 | 8 |
| 644 | J92 | 84 | 28 | 0.086 | 0.000 | 8 |
| 645 | J93 | 164 | 300 | 0.088 | 0.001 | 2 |
| 646 | J94 | 158 | 195 | 0.088 | 0.000 | 2 |
| 647 | J95 | 361 | 357 | 0.089 | 0.002 | 2 |
| 648 | J96 | 729 | 932 | 0.089 | 0.008 | 8 |
| 649 | J98 | 708 | 955 | 0.088 | 0.010 | 8 |
| 650 | J99 | 59 | 8 | 0.085 | 0.000 | 8 |
| 651 | K00 | 22 | 28 | 0.086 | 0.000 | 2 |
| 652 | K01 | 19 | 98 | 0.088 | 0.001 | 2 |
| 653 | K02 | 84 | 114 | 0.088 | 0.001 | 2 |
| 654 | K03 | 21 | 17 | 0.085 | 0.000 | 2 |
| 655 | K04 | 115 | 213 | 0.088 | 0.001 | 2 |
| 656 | K05 | 75 | 99 | 0.088 | 0.000 | 2 |
| 657 | K06 | 34 | 32 | 0.086 | 0.000 | 2 |
| 658 | K08 | 117 | 184 | 0.088 | 0.001 | 2 |
| 659 | K09 | 19 | 76 | 0.087 | 0.000 | 2 |
| 660 | K11 | 171 | 246 | 0.088 | 0.001 | 2 |
| 661 | K12 | 239 | 388 | 0.089 | 0.001 | 8 |
| 662 | K13 | 115 | 135 | 0.088 | 0.000 | 2 |
| 663 | K14 | 86 | 66 | 0.088 | 0.000 | 2 |
| 664 | K20 | 333 | 274 | 0.088 | 0.001 | 2 |
| 665 | K21 | 645 | 357 | 0.089 | 0.004 | 2 |
| 666 | K22 | 446 | 475 | 0.088 | 0.002 | 2 |
| 667 | K25 | 294 | 439 | 0.089 | 0.001 | 2 |
| 668 | K26 | 289 | 431 | 0.088 | 0.001 | 8 |
| 669 | K27 | 116 | 65 | 0.088 | 0.000 | 2 |
| 670 | K28 | 27 | 124 | 0.088 | 0.000 | 2 |
| 671 | K29 | 700 | 425 | 0.089 | 0.005 | 2 |
| 672 | K30 | 229 | 136 | 0.088 | 0.000 | 2 |
| 673 | K31 | 392 | 448 | 0.089 | 0.001 | 8 |
| 674 | K35 | 65 | 507 | 0.088 | 0.001 | 2 |
| 675 | K36 | 18 | 53 | 0.087 | 0.000 | 2 |
| 676 | K37 | 32 | 94 | 0.088 | 0.000 | 2 |
| 677 | K38 | 35 | 89 | 0.088 | 0.000 | 2 |
| 678 | K40 | 387 | 582 | 0.089 | 0.003 | 2 |
| 679 | K41 | 33 | 265 | 0.088 | 0.000 | 2 |
| 680 | K42 | 305 | 385 | 0.089 | 0.002 | 2 |
| 681 | K43 | 214 | 550 | 0.089 | 0.002 | 2 |
| 682 | K44 | 803 | 360 | 0.089 | 0.004 | 2 |
| 683 | K45 | 37 | 115 | 0.088 | 0.000 | 2 |
| 684 | K46 | 93 | 96 | 0.088 | 0.000 | 2 |
| 685 | K50 | 334 | 446 | 0.089 | 0.002 | 2 |
| 686 | K51 | 306 | 380 | 0.088 | 0.001 | 2 |
| 687 | K52 | 474 | 816 | 0.089 | 0.007 | 2 |
| 688 | K55 | 284 | 554 | 0.089 | 0.002 | 8 |
| 689 | K56 | 419 | 689 | 0.088 | 0.003 | 8 |
| 690 | K57 | 630 | 630 | 0.089 | 0.004 | 8 |
| 691 | K58 | 434 | 146 | 0.088 | 0.001 | 3 |
| 692 | K59 | 580 | 539 | 0.089 | 0.003 | 8 |
| 693 | K60 | 198 | 312 | 0.089 | 0.001 | 2 |
| 694 | K61 | 86 | 400 | 0.089 | 0.000 | 2 |
| 695 | K62 | 289 | 505 | 0.088 | 0.002 | 2 |
| 696 | K63 | 375 | 423 | 0.089 | 0.002 | 2 |
| 697 | K64 | 490 | 386 | 0.088 | 0.002 | 2 |
| 698 | K65 | 266 | 412 | 0.089 | 0.001 | 2 |
| 699 | K66 | 260 | 241 | 0.088 | 0.001 | 2 |
| 700 | K68 | 91 | 216 | 0.088 | 0.000 | 2 |
| 701 | K70 | 469 | 579 | 0.089 | 0.004 | 8 |
| 702 | K71 | 190 | 302 | 0.089 | 0.001 | 2 |
| 703 | K72 | 316 | 516 | 0.088 | 0.002 | 8 |
| 704 | K73 | 117 | 104 | 0.087 | 0.000 | 2 |
| 705 | K74 | 403 | 412 | 0.088 | 0.001 | 2 |
| 706 | K75 | 290 | 361 | 0.089 | 0.001 | 2 |
| 707 | K76 | 771 | 425 | 0.088 | 0.003 | 8 |
| 708 | K80 | 568 | 835 | 0.089 | 0.006 | 2 |
| 709 | K81 | 158 | 519 | 0.089 | 0.001 | 2 |
| 710 | K82 | 206 | 232 | 0.088 | 0.001 | 2 |
| 711 | K83 | 399 | 610 | 0.089 | 0.003 | 2 |
| 712 | K85 | 200 | 767 | 0.089 | 0.002 | 2 |
| 713 | K86 | 357 | 298 | 0.088 | 0.001 | 8 |
| 714 | K87 | 8 | 9 | 0.085 | 0.000 | 2 |
| 715 | K90 | 387 | 158 | 0.088 | 0.001 | 3 |
| 716 | K91 | 339 | 546 | 0.089 | 0.002 | 2 |
| 717 | K92 | 331 | 631 | 0.089 | 0.002 | 8 |
| 718 | K94 | 140 | 421 | 0.089 | 0.001 | 8 |
| 719 | K95 | 16 | 140 | 0.088 | 0.000 | 2 |
| 720 | L00 | 1 | 5 | 0.082 | 0.000 | 2 |
| 721 | L01 | 47 | 25 | 0.086 | 0.000 | 2 |
| 722 | L02 | 202 | 387 | 0.089 | 0.003 | 2 |
| 723 | L03 | 410 | 731 | 0.089 | 0.005 | 2 |
| 724 | L04 | 30 | 72 | 0.087 | 0.000 | 2 |
| 725 | L05 | 43 | 87 | 0.087 | 0.000 | 2 |
| 726 | L08 | 222 | 172 | 0.088 | 0.001 | 8 |
| 727 | L10 | 39 | 58 | 0.087 | 0.000 | 8 |
| 728 | L12 | 75 | 137 | 0.088 | 0.000 | 8 |
| 729 | L13 | 23 | 26 | 0.086 | 0.000 | 2 |
| 730 | L20 | 296 | 51 | 0.087 | 0.000 | 3 |
| 731 | L21 | 196 | 30 | 0.087 | 0.000 | 8 |
| 732 | L22 | 113 | 9 | 0.085 | 0.000 | 2 |
| 733 | L23 | 67 | 3 | 0.081 | 0.000 | 3 |
| 734 | L24 | 37 | 17 | 0.086 | 0.000 | 8 |
| 735 | L25 | 124 | 36 | 0.087 | 0.000 | 2 |
| 736 | L26 | 5 | 10 | 0.085 | 0.000 | 8 |
| 737 | L27 | 284 | 216 | 0.088 | 0.001 | 2 |
| 738 | L28 | 98 | 26 | 0.086 | 0.000 | 2 |
| 739 | L29 | 174 | 51 | 0.088 | 0.000 | 3 |
| 740 | L30 | 298 | 113 | 0.087 | 0.001 | 2 |
| 741 | L40 | 555 | 153 | 0.088 | 0.002 | 2 |
| 742 | L42 | 23 | 5 | 0.083 | 0.000 | 3 |
| 743 | L43 | 82 | 11 | 0.083 | 0.000 | 2 |
| 744 | L44 | 7 | 23 | 0.086 | 0.000 | 8 |
| 745 | L50 | 290 | 112 | 0.088 | 0.001 | 2 |
| 746 | L51 | 46 | 160 | 0.088 | 0.000 | 2 |
| 747 | L52 | 63 | 52 | 0.088 | 0.000 | 3 |
| 748 | L53 | 195 | 122 | 0.088 | 0.001 | 2 |
| 749 | L55 | 4 | 2 | 0.081 | 0.000 | 2 |
| 750 | L56 | 32 | 2 | 0.081 | 0.000 | 3 |
| 751 | L57 | 167 | 44 | 0.087 | 0.000 | 8 |
| 752 | L58 | 34 | 38 | 0.087 | 0.000 | 2 |
| 753 | L59 | 24 | 19 | 0.086 | 0.000 | 2 |
| 754 | L60 | 73 | 18 | 0.086 | 0.000 | 8 |
| 755 | L65 | 50 | 2 | 0.082 | 0.000 | 2 |
| 756 | L66 | 12 | 15 | 0.085 | 0.000 | 8 |
| 757 | L68 | 38 | 8 | 0.084 | 0.000 | 3 |
| 758 | L70 | 60 | 1 | 0.082 | 0.000 | 2 |
| 759 | L71 | 100 | 5 | 0.084 | 0.000 | 2 |
| 760 | L72 | 116 | 94 | 0.088 | 0.000 | 2 |
| 761 | L73 | 112 | 92 | 0.087 | 0.000 | 2 |
| 762 | L74 | 49 | 35 | 0.086 | 0.000 | 3 |
| 763 | L76 | 263 | 243 | 0.088 | 0.001 | 2 |
| 764 | L80 | 218 | 9 | 0.084 | 0.000 | 2 |
| 765 | L81 | 82 | 44 | 0.087 | 0.000 | 2 |
| 766 | L82 | 132 | 17 | 0.085 | 0.000 | 8 |
| 767 | L84 | 24 | 3 | 0.083 | 0.000 | 8 |
| 768 | L85 | 79 | 52 | 0.087 | 0.000 | 8 |
| 769 | L88 | 21 | 75 | 0.087 | 0.000 | 2 |
| 770 | L89 | 430 | 434 | 0.089 | 0.001 | 8 |
| 771 | L90 | 106 | 131 | 0.088 | 0.001 | 2 |
| 772 | L91 | 35 | 74 | 0.087 | 0.000 | 2 |
| 773 | L92 | 97 | 53 | 0.087 | 0.000 | 2 |
| 774 | L93 | 154 | 8 | 0.084 | 0.000 | 3 |
| 775 | L94 | 58 | 25 | 0.086 | 0.000 | 2 |
| 776 | L95 | 35 | 110 | 0.088 | 0.000 | 2 |
| 777 | L97 | 309 | 395 | 0.089 | 0.001 | 8 |
| 778 | L98 | 311 | 208 | 0.089 | 0.002 | 2 |
| 779 | L99 | 16 | 3 | 0.083 | 0.000 | 8 |
| 780 | M00 | 70 | 288 | 0.088 | 0.001 | 8 |
| 781 | M01 | 6 | 7 | 0.083 | 0.000 | 2 |
| 782 | M02 | 48 | 69 | 0.087 | 0.000 | 2 |
| 783 | M05 | 162 | 160 | 0.088 | 0.000 | 2 |
| 784 | M06 | 500 | 277 | 0.088 | 0.002 | 2 |
| 785 | M07 | 9 | 13 | 0.086 | 0.000 | 2 |
| 786 | M08 | 47 | 78 | 0.087 | 0.000 | 2 |
| 787 | M10 | 347 | 156 | 0.088 | 0.001 | 8 |
| 788 | M11 | 209 | 165 | 0.088 | 0.000 | 8 |
| 789 | M12 | 180 | 123 | 0.088 | 0.000 | 2 |
| 790 | M13 | 178 | 189 | 0.088 | 0.000 | 2 |
| 791 | M14 | 41 | 13 | 0.084 | 0.000 | 2 |
| 792 | M15 | 440 | 76 | 0.088 | 0.000 | 8 |
| 793 | M16 | 272 | 451 | 0.089 | 0.002 | 2 |
| 794 | M17 | 425 | 557 | 0.089 | 0.002 | 2 |
| 795 | M18 | 98 | 88 | 0.087 | 0.000 | 2 |
| 796 | M19 | 582 | 226 | 0.088 | 0.002 | 8 |
| 797 | M20 | 113 | 320 | 0.088 | 0.001 | 2 |
| 798 | M21 | 135 | 257 | 0.088 | 0.001 | 2 |
| 799 | M22 | 82 | 70 | 0.087 | 0.000 | 2 |
| 800 | M23 | 79 | 235 | 0.088 | 0.000 | 2 |
| 801 | M24 | 120 | 185 | 0.088 | 0.000 | 2 |
| 802 | M25 | 362 | 293 | 0.089 | 0.002 | 2 |
| 803 | M26 | 116 | 146 | 0.088 | 0.001 | 2 |
| 804 | M27 | 84 | 163 | 0.088 | 0.000 | 2 |
| 805 | M30 | 84 | 173 | 0.088 | 0.001 | 2 |
| 806 | M31 | 253 | 362 | 0.089 | 0.001 | 2 |
| 807 | M32 | 299 | 288 | 0.089 | 0.002 | 3 |
| 808 | M33 | 78 | 137 | 0.088 | 0.000 | 2 |
| 809 | M34 | 153 | 146 | 0.088 | 0.000 | 2 |
| 810 | M35 | 478 | 317 | 0.088 | 0.003 | 2 |
| 811 | M40 | 148 | 77 | 0.087 | 0.000 | 2 |
| 812 | M41 | 410 | 212 | 0.088 | 0.001 | 2 |
| 813 | M42 | 19 | 25 | 0.086 | 0.000 | 2 |
| 814 | M43 | 305 | 226 | 0.088 | 0.001 | 2 |
| 815 | M45 | 251 | 42 | 0.086 | 0.000 | 2 |
| 816 | M46 | 195 | 300 | 0.088 | 0.001 | 2 |
| 817 | M47 | 519 | 321 | 0.089 | 0.002 | 8 |
| 818 | M48 | 461 | 398 | 0.089 | 0.002 | 2 |
| 819 | M49 | 6 | 22 | 0.086 | 0.000 | 8 |
| 820 | M50 | 299 | 248 | 0.089 | 0.001 | 2 |
| 821 | M51 | 539 | 390 | 0.089 | 0.002 | 2 |
| 822 | M53 | 86 | 62 | 0.088 | 0.000 | 2 |
| 823 | M54 | 536 | 420 | 0.089 | 0.002 | 2 |
| 824 | M60 | 92 | 209 | 0.088 | 0.001 | 2 |
| 825 | M61 | 14 | 5 | 0.084 | 0.000 | 3 |
| 826 | M62 | 439 | 416 | 0.089 | 0.004 | 8 |
| 827 | M65 | 152 | 128 | 0.088 | 0.000 | 2 |
| 828 | M66 | 53 | 82 | 0.087 | 0.000 | 2 |
| 829 | M67 | 75 | 82 | 0.087 | 0.000 | 2 |
| 830 | M70 | 112 | 134 | 0.088 | 0.000 | 2 |
| 831 | M71 | 122 | 110 | 0.088 | 0.000 | 8 |
| 832 | M72 | 175 | 174 | 0.089 | 0.001 | 2 |
| 833 | M75 | 275 | 285 | 0.088 | 0.001 | 2 |
| 834 | M76 | 79 | 63 | 0.087 | 0.000 | 2 |
| 835 | M77 | 138 | 122 | 0.087 | 0.000 | 2 |
| 836 | M79 | 594 | 467 | 0.089 | 0.004 | 2 |
| 837 | M80 | 307 | 515 | 0.089 | 0.002 | 8 |
| 838 | M81 | 664 | 89 | 0.088 | 0.001 | 8 |
| 839 | M84 | 245 | 376 | 0.089 | 0.001 | 2 |
| 840 | M85 | 305 | 52 | 0.087 | 0.000 | 2 |
| 841 | M86 | 169 | 322 | 0.089 | 0.001 | 8 |
| 842 | M87 | 151 | 254 | 0.089 | 0.001 | 2 |
| 843 | M89 | 206 | 166 | 0.088 | 0.001 | 2 |
| 844 | M91 | 56 | 35 | 0.086 | 0.000 | 2 |
| 845 | M92 | 22 | 19 | 0.086 | 0.000 | 3 |
| 846 | M93 | 56 | 74 | 0.087 | 0.000 | 2 |
| 847 | M94 | 107 | 65 | 0.087 | 0.000 | 2 |
| 848 | M95 | 45 | 130 | 0.088 | 0.001 | 2 |
| 849 | M96 | 148 | 209 | 0.088 | 0.001 | 2 |
| 850 | M99 | 160 | 137 | 0.088 | 0.000 | 2 |
| 851 | N00 | 15 | 74 | 0.087 | 0.000 | 2 |
| 852 | N01 | 16 | 43 | 0.087 | 0.000 | 2 |
| 853 | N02 | 102 | 149 | 0.088 | 0.000 | 2 |
| 854 | N03 | 100 | 86 | 0.087 | 0.000 | 2 |
| 855 | N04 | 114 | 241 | 0.088 | 0.000 | 2 |
| 856 | N05 | 213 | 218 | 0.089 | 0.001 | 2 |
| 857 | N06 | 3 | 22 | 0.086 | 0.000 | 2 |
| 858 | N08 | 140 | 2 | 0.082 | 0.000 | 2 |
| 859 | N10 | 147 | 655 | 0.089 | 0.002 | 2 |
| 860 | N11 | 141 | 132 | 0.088 | 0.000 | 2 |
| 861 | N12 | 86 | 175 | 0.088 | 0.000 | 2 |
| 862 | N13 | 398 | 475 | 0.089 | 0.002 | 2 |
| 863 | N14 | 64 | 32 | 0.087 | 0.000 | 8 |
| 864 | N15 | 49 | 140 | 0.088 | 0.000 | 2 |
| 865 | N16 | 13 | 9 | 0.085 | 0.000 | 8 |
| 866 | N17 | 763 | 824 | 0.088 | 0.007 | 8 |
| 867 | N18 | 843 | 440 | 0.088 | 0.004 | 8 |
| 868 | N19 | 253 | 112 | 0.088 | 0.000 | 8 |
| 869 | N20 | 440 | 502 | 0.088 | 0.002 | 2 |
| 870 | N21 | 100 | 179 | 0.088 | 0.000 | 2 |
| 871 | N23 | 126 | 274 | 0.088 | 0.001 | 3 |
| 872 | N25 | 338 | 134 | 0.088 | 0.000 | 8 |
| 873 | N26 | 202 | 76 | 0.088 | 0.000 | 8 |
| 874 | N28 | 630 | 362 | 0.089 | 0.004 | 2 |
| 875 | N30 | 195 | 360 | 0.088 | 0.001 | 8 |
| 876 | N31 | 263 | 91 | 0.088 | 0.000 | 2 |
| 877 | N32 | 239 | 323 | 0.088 | 0.001 | 8 |
| 878 | N34 | 43 | 48 | 0.087 | 0.000 | 8 |
| 879 | N35 | 143 | 266 | 0.088 | 0.000 | 8 |
| 880 | N36 | 114 | 112 | 0.088 | 0.000 | 2 |
| 881 | N39 | 768 | 1007 | 0.088 | 0.010 | 8 |
| 882 | N40 | 702 | 493 | 0.088 | 0.004 | 8 |
| 883 | N41 | 157 | 388 | 0.089 | 0.001 | 8 |
| 884 | N42 | 118 | 78 | 0.087 | 0.000 | 8 |
| 885 | N43 | 147 | 181 | 0.088 | 0.000 | 2 |
| 886 | N44 | 33 | 61 | 0.087 | 0.001 | 2 |
| 887 | N45 | 91 | 260 | 0.088 | 0.000 | 8 |
| 888 | N46 | 8 | 1 | 0.081 | 0.000 | 2 |
| 889 | N47 | 129 | 102 | 0.087 | 0.000 | 8 |
| 890 | N48 | 107 | 122 | 0.088 | 0.000 | 2 |
| 891 | N49 | 43 | 164 | 0.088 | 0.000 | 8 |
| 892 | N50 | 106 | 93 | 0.088 | 0.000 | 2 |
| 893 | N51 | 0 | 1 | 0.087 | 0.000 | 2 |
| 894 | N52 | 142 | 101 | 0.087 | 0.000 | 8 |
| 895 | N53 | 19 | 9 | 0.085 | 0.000 | 8 |
| 896 | N60 | 185 | 73 | 0.087 | 0.000 | 3 |
| 897 | N61 | 57 | 110 | 0.088 | 0.001 | 3 |
| 898 | N62 | 124 | 155 | 0.088 | 0.000 | 2 |
| 899 | N63 | 123 | 36 | 0.086 | 0.000 | 3 |
| 900 | N64 | 76 | 119 | 0.088 | 0.001 | 2 |
| 901 | N65 | 10 | 72 | 0.087 | 0.000 | 2 |
| 902 | N70 | 50 | 163 | 0.088 | 0.000 | 3 |
| 903 | N71 | 38 | 87 | 0.087 | 0.000 | 3 |
| 904 | N72 | 35 | 31 | 0.086 | 0.000 | 3 |
| 905 | N73 | 93 | 154 | 0.088 | 0.001 | 3 |
| 906 | N75 | 30 | 66 | 0.087 | 0.000 | 3 |
| 907 | N76 | 77 | 125 | 0.088 | 0.000 | 3 |
| 908 | N80 | 173 | 202 | 0.088 | 0.001 | 3 |
| 909 | N81 | 216 | 318 | 0.088 | 0.001 | 2 |
| 910 | N82 | 70 | 144 | 0.088 | 0.000 | 2 |
| 911 | N83 | 248 | 207 | 0.088 | 0.002 | 3 |
| 912 | N84 | 116 | 149 | 0.088 | 0.000 | 3 |
| 913 | N85 | 97 | 124 | 0.088 | 0.000 | 3 |
| 914 | N86 | 3 | 1 | 0.081 | 0.000 | 3 |
| 915 | N87 | 66 | 106 | 0.087 | 0.000 | 3 |
| 916 | N88 | 48 | 47 | 0.087 | 0.000 | 4 |
| 917 | N89 | 48 | 56 | 0.087 | 0.000 | 3 |
| 918 | N90 | 56 | 48 | 0.086 | 0.000 | 4 |
| 919 | N91 | 32 | 3 | 0.082 | 0.000 | 3 |
| 920 | N92 | 133 | 145 | 0.088 | 0.001 | 3 |
| 921 | N93 | 54 | 118 | 0.088 | 0.000 | 3 |
| 922 | N94 | 56 | 22 | 0.085 | 0.000 | 3 |
| 923 | N95 | 41 | 62 | 0.087 | 0.000 | 2 |
| 924 | N97 | 29 | 22 | 0.086 | 0.000 | 4 |
| 925 | N98 | 12 | 51 | 0.088 | 0.000 | 4 |
| 926 | N99 | 316 | 426 | 0.089 | 0.003 | 2 |
| 927 | O00 | 13 | 94 | 0.087 | 0.000 | 7 |
| 928 | O01 | 2 | 14 | 0.085 | 0.000 | 7 |
| 929 | O02 | 9 | 124 | 0.088 | 0.000 | 6 |
| 930 | O03 | 21 | 149 | 0.088 | 0.001 | 6 |
| 931 | O04 | 2 | 21 | 0.085 | 0.000 | 10 |
| 932 | O07 | 2 | 12 | 0.084 | 0.000 | 6 |
| 933 | O08 | 6 | 12 | 0.084 | 0.000 | 7 |
| 934 | O09 | 80 | 198 | 0.088 | 0.002 | 1 |
| 935 | O10 | 40 | 87 | 0.087 | 0.000 | 1 |
| 936 | O11 | 13 | 61 | 0.087 | 0.000 | 5 |
| 937 | O12 | 17 | 23 | 0.085 | 0.000 | 1 |
| 938 | O13 | 30 | 84 | 0.086 | 0.000 | 1 |
| 939 | O14 | 40 | 154 | 0.088 | 0.000 | 1 |
| 940 | O15 | 6 | 36 | 0.087 | 0.000 | 5 |
| 941 | O16 | 23 | 57 | 0.086 | 0.000 | 1 |
| 942 | O20 | 10 | 43 | 0.086 | 0.000 | 5 |
| 943 | O21 | 15 | 70 | 0.087 | 0.000 | 6 |
| 944 | O22 | 26 | 50 | 0.087 | 0.000 | 5 |
| 945 | O23 | 39 | 124 | 0.088 | 0.000 | 6 |
| 946 | O24 | 65 | 172 | 0.088 | 0.001 | 1 |
| 947 | O25 | 4 | 14 | 0.085 | 0.000 | 6 |
| 948 | O26 | 57 | 198 | 0.088 | 0.001 | 5 |
| 949 | O28 | 13 | 10 | 0.084 | 0.000 | 1 |
| 950 | O30 | 49 | 155 | 0.088 | 0.001 | 1 |
| 951 | O31 | 22 | 30 | 0.084 | 0.000 | 1 |
| 952 | O32 | 42 | 216 | 0.088 | 0.000 | 1 |
| 953 | O33 | 28 | 104 | 0.087 | 0.000 | 1 |
| 954 | O34 | 58 | 227 | 0.088 | 0.001 | 1 |
| 955 | O35 | 35 | 72 | 0.086 | 0.000 | 5 |
| 956 | O36 | 56 | 249 | 0.088 | 0.000 | 1 |
| 957 | O40 | 26 | 68 | 0.087 | 0.000 | 1 |
| 958 | O41 | 48 | 129 | 0.087 | 0.000 | 1 |
| 959 | O42 | 53 | 447 | 0.089 | 0.002 | 1 |
| 960 | O43 | 37 | 55 | 0.086 | 0.000 | 1 |
| 961 | O44 | 21 | 93 | 0.087 | 0.000 | 1 |
| 962 | O45 | 21 | 72 | 0.087 | 0.000 | 1 |
| 963 | O46 | 15 | 83 | 0.087 | 0.000 | 5 |
| 964 | O47 | 17 | 137 | 0.088 | 0.000 | 5 |
| 965 | O48 | 59 | 387 | 0.089 | 0.001 | 1 |
| 966 | O60 | 48 | 203 | 0.088 | 0.001 | 1 |
| 967 | O61 | 29 | 92 | 0.087 | 0.000 | 1 |
| 968 | O62 | 46 | 116 | 0.087 | 0.002 | 1 |
| 969 | O63 | 40 | 164 | 0.087 | 0.000 | 1 |
| 970 | O64 | 25 | 80 | 0.087 | 0.000 | 1 |
| 971 | O65 | 24 | 91 | 0.087 | 0.000 | 1 |
| 972 | O66 | 34 | 76 | 0.087 | 0.000 | 1 |
| 973 | O67 | 14 | 16 | 0.084 | 0.000 | 1 |
| 974 | O68 | 9 | 24 | 0.085 | 0.000 | 1 |
| 975 | O69 | 60 | 143 | 0.088 | 0.001 | 1 |
| 976 | O70 | 64 | 198 | 0.088 | 0.001 | 1 |
| 977 | O71 | 40 | 39 | 0.086 | 0.000 | 1 |
| 978 | O72 | 48 | 73 | 0.087 | 0.000 | 1 |
| 979 | O73 | 39 | 36 | 0.087 | 0.000 | 1 |
| 980 | O74 | 17 | 10 | 0.084 | 0.000 | 1 |
| 981 | O75 | 41 | 84 | 0.087 | 0.000 | 1 |
| 982 | O76 | 39 | 165 | 0.088 | 0.000 | 1 |
| 983 | O77 | 48 | 128 | 0.088 | 0.000 | 1 |
| 984 | O80 | 13 | 92 | 0.087 | 0.001 | 1 |
| 985 | O82 | 12 | 50 | 0.086 | 0.000 | 1 |
| 986 | O85 | 4 | 24 | 0.086 | 0.000 | 11 |
| 987 | O86 | 39 | 85 | 0.087 | 0.000 | 5 |
| 988 | O87 | 27 | 11 | 0.085 | 0.000 | 1 |
| 989 | O88 | 3 | 16 | 0.084 | 0.000 | 6 |
| 990 | O89 | 19 | 16 | 0.085 | 0.000 | 5 |
| 991 | O90 | 64 | 80 | 0.088 | 0.001 | 1 |
| 992 | O91 | 11 | 30 | 0.086 | 0.000 | 6 |
| 993 | O92 | 53 | 10 | 0.083 | 0.000 | 1 |
| 994 | O94 | 8 | 9 | 0.084 | 0.000 | 12 |
| 995 | O98 | 43 | 134 | 0.088 | 0.000 | 5 |
| 996 | O99 | 100 | 480 | 0.089 | 0.003 | 1 |
| 997 | O9A | 10 | 67 | 0.088 | 0.000 | 6 |
| 998 | P00 | 52 | 60 | 0.085 | 0.001 | 9 |
| 999 | P01 | 73 | 50 | 0.086 | 0.000 | 9 |
| 1000 | P02 | 31 | 26 | 0.084 | 0.000 | 9 |
| 1001 | P03 | 58 | 56 | 0.085 | 0.000 | 9 |
| 1002 | P04 | 16 | 10 | 0.082 | 0.000 | 9 |
| 1003 | P05 | 68 | 158 | 0.088 | 0.002 | 9 |
| 1004 | P07 | 168 | 329 | 0.088 | 0.003 | 9 |
| 1005 | P08 | 76 | 98 | 0.087 | 0.001 | 9 |
| 1006 | P09 | 11 | 1 | 0.080 | 0.000 | 9 |
| 1007 | P10 | 6 | 9 | 0.083 | 0.000 | 9 |
| 1008 | P11 | 18 | 9 | 0.082 | 0.000 | 2 |
| 1009 | P12 | 27 | 13 | 0.084 | 0.000 | 9 |
| 1010 | P13 | 23 | 18 | 0.083 | 0.000 | 9 |
| 1011 | P14 | 19 | 11 | 0.083 | 0.000 | 9 |
| 1012 | P15 | 12 | 7 | 0.083 | 0.000 | 9 |
| 1013 | P19 | 22 | 30 | 0.085 | 0.000 | 9 |
| 1014 | P22 | 66 | 210 | 0.088 | 0.002 | 9 |
| 1015 | P23 | 5 | 11 | 0.083 | 0.000 | 9 |
| 1016 | P24 | 21 | 83 | 0.087 | 0.000 | 9 |
| 1017 | P25 | 31 | 41 | 0.086 | 0.000 | 9 |
| 1018 | P27 | 61 | 53 | 0.087 | 0.000 | 2 |
| 1019 | P28 | 64 | 91 | 0.087 | 0.000 | 9 |
| 1020 | P29 | 62 | 65 | 0.087 | 0.001 | 9 |
| 1021 | P35 | 9 | 30 | 0.086 | 0.000 | 2 |
| 1022 | P36 | 50 | 119 | 0.088 | 0.000 | 9 |
| 1023 | P37 | 29 | 8 | 0.084 | 0.000 | 9 |
| 1024 | P38 | 16 | 43 | 0.087 | 0.000 | 2 |
| 1025 | P39 | 57 | 107 | 0.087 | 0.002 | 2 |
| 1026 | P50 | 5 | 2 | 0.081 | 0.000 | 9 |
| 1027 | P51 | 1 | 1 | 0.080 | 0.000 | 9 |
| 1028 | P52 | 36 | 22 | 0.085 | 0.000 | 9 |
| 1029 | P53 | 1 | 3 | 0.081 | 0.000 | 9 |
| 1030 | P54 | 16 | 30 | 0.086 | 0.000 | 9 |
| 1031 | P55 | 34 | 76 | 0.086 | 0.000 | 9 |
| 1032 | P57 | 10 | 4 | 0.082 | 0.000 | 9 |
| 1033 | P58 | 15 | 14 | 0.083 | 0.000 | 9 |
| 1034 | P59 | 91 | 136 | 0.087 | 0.001 | 9 |
| 1035 | P61 | 66 | 63 | 0.086 | 0.001 | 9 |
| 1036 | P70 | 67 | 97 | 0.087 | 0.001 | 9 |
| 1037 | P71 | 34 | 18 | 0.084 | 0.000 | 9 |
| 1038 | P72 | 13 | 1 | 0.079 | 0.000 | 9 |
| 1039 | P74 | 49 | 61 | 0.087 | 0.000 | 9 |
| 1040 | P76 | 7 | 19 | 0.084 | 0.000 | 9 |
| 1041 | P77 | 10 | 47 | 0.086 | 0.000 | 9 |
| 1042 | P78 | 47 | 70 | 0.087 | 0.000 | 9 |
| 1043 | P80 | 8 | 2 | 0.078 | 0.000 | 9 |
| 1044 | P81 | 18 | 72 | 0.087 | 0.000 | 2 |
| 1045 | P83 | 41 | 21 | 0.085 | 0.000 | 9 |
| 1046 | P84 | 58 | 60 | 0.086 | 0.000 | 9 |
| 1047 | P90 | 22 | 37 | 0.086 | 0.000 | 9 |
| 1048 | P91 | 98 | 127 | 0.088 | 0.001 | 2 |
| 1049 | P92 | 63 | 75 | 0.086 | 0.001 | 9 |
| 1050 | P94 | 49 | 36 | 0.084 | 0.000 | 2 |
| 1051 | P96 | 83 | 135 | 0.088 | 0.001 | 9 |
| 1052 | Q00 | 1 | 3 | 0.082 | 0.000 | 13 |
| 1053 | Q01 | 15 | 26 | 0.086 | 0.000 | 2 |
| 1054 | Q02 | 80 | 15 | 0.083 | 0.000 | 2 |
| 1055 | Q03 | 55 | 29 | 0.086 | 0.000 | 2 |
| 1056 | Q04 | 113 | 62 | 0.087 | 0.000 | 2 |
| 1057 | Q05 | 93 | 33 | 0.086 | 0.000 | 2 |
| 1058 | Q06 | 25 | 16 | 0.085 | 0.000 | 3 |
| 1059 | Q07 | 128 | 62 | 0.087 | 0.000 | 3 |
| 1060 | Q10 | 33 | 26 | 0.086 | 0.000 | 2 |
| 1061 | Q11 | 23 | 2 | 0.078 | 0.000 | 2 |
| 1062 | Q12 | 37 | 7 | 0.083 | 0.000 | 2 |
| 1063 | Q13 | 34 | 4 | 0.083 | 0.000 | 2 |
| 1064 | Q15 | 34 | 13 | 0.084 | 0.000 | 3 |
| 1065 | Q16 | 14 | 10 | 0.083 | 0.000 | 2 |
| 1066 | Q17 | 38 | 26 | 0.085 | 0.000 | 2 |
| 1067 | Q18 | 39 | 55 | 0.087 | 0.000 | 2 |
| 1068 | Q20 | 94 | 172 | 0.088 | 0.001 | 2 |
| 1069 | Q21 | 349 | 313 | 0.088 | 0.003 | 2 |
| 1070 | Q22 | 78 | 142 | 0.088 | 0.001 | 2 |
| 1071 | Q23 | 136 | 222 | 0.088 | 0.001 | 2 |
| 1072 | Q24 | 156 | 196 | 0.088 | 0.002 | 2 |
| 1073 | Q25 | 197 | 268 | 0.089 | 0.003 | 2 |
| 1074 | Q26 | 58 | 142 | 0.088 | 0.000 | 2 |
| 1075 | Q27 | 131 | 134 | 0.088 | 0.001 | 3 |
| 1076 | Q28 | 94 | 159 | 0.088 | 0.000 | 2 |
| 1077 | Q30 | 18 | 16 | 0.085 | 0.000 | 2 |
| 1078 | Q31 | 50 | 74 | 0.088 | 0.000 | 2 |
| 1079 | Q32 | 31 | 45 | 0.087 | 0.000 | 2 |
| 1080 | Q33 | 52 | 64 | 0.087 | 0.000 | 2 |
| 1081 | Q34 | 4 | 34 | 0.087 | 0.000 | 3 |
| 1082 | Q35 | 30 | 58 | 0.087 | 0.000 | 2 |
| 1083 | Q36 | 22 | 23 | 0.085 | 0.000 | 2 |
| 1084 | Q37 | 20 | 47 | 0.086 | 0.000 | 2 |
| 1085 | Q38 | 61 | 28 | 0.085 | 0.000 | 2 |
| 1086 | Q39 | 62 | 67 | 0.088 | 0.000 | 2 |
| 1087 | Q40 | 18 | 27 | 0.086 | 0.000 | 2 |
| 1088 | Q41 | 10 | 19 | 0.086 | 0.000 | 2 |
| 1089 | Q42 | 20 | 33 | 0.085 | 0.000 | 2 |
| 1090 | Q43 | 131 | 180 | 0.088 | 0.001 | 2 |
| 1091 | Q44 | 131 | 130 | 0.088 | 0.000 | 2 |
| 1092 | Q45 | 53 | 41 | 0.086 | 0.000 | 2 |
| 1093 | Q50 | 42 | 15 | 0.084 | 0.000 | 4 |
| 1094 | Q51 | 55 | 15 | 0.085 | 0.000 | 6 |
| 1095 | Q52 | 27 | 18 | 0.084 | 0.000 | 4 |
| 1096 | Q53 | 67 | 85 | 0.087 | 0.000 | 2 |
| 1097 | Q54 | 80 | 53 | 0.086 | 0.000 | 2 |
| 1098 | Q55 | 41 | 50 | 0.086 | 0.000 | 2 |
| 1099 | Q56 | 7 | 1 | 0.080 | 0.000 | 8 |
| 1100 | Q60 | 194 | 34 | 0.087 | 0.001 | 3 |
| 1101 | Q61 | 270 | 146 | 0.088 | 0.001 | 2 |
| 1102 | Q62 | 131 | 94 | 0.087 | 0.001 | 2 |
| 1103 | Q63 | 155 | 19 | 0.085 | 0.000 | 2 |
| 1104 | Q64 | 56 | 85 | 0.088 | 0.000 | 2 |
| 1105 | Q65 | 78 | 60 | 0.087 | 0.000 | 2 |
| 1106 | Q66 | 111 | 79 | 0.087 | 0.001 | 2 |
| 1107 | Q67 | 117 | 51 | 0.087 | 0.000 | 2 |
| 1108 | Q68 | 55 | 19 | 0.085 | 0.000 | 3 |
| 1109 | Q69 | 24 | 15 | 0.084 | 0.000 | 2 |
| 1110 | Q70 | 29 | 21 | 0.084 | 0.000 | 2 |
| 1111 | Q71 | 20 | 12 | 0.084 | 0.000 | 2 |
| 1112 | Q72 | 17 | 32 | 0.086 | 0.000 | 2 |
| 1113 | Q73 | 9 | 6 | 0.084 | 0.000 | 8 |
| 1114 | Q74 | 66 | 47 | 0.087 | 0.000 | 2 |
| 1115 | Q75 | 92 | 81 | 0.087 | 0.001 | 2 |
| 1116 | Q76 | 119 | 75 | 0.087 | 0.001 | 3 |
| 1117 | Q77 | 28 | 25 | 0.086 | 0.000 | 3 |
| 1118 | Q78 | 67 | 79 | 0.088 | 0.000 | 3 |
| 1119 | Q79 | 80 | 85 | 0.088 | 0.001 | 3 |
| 1120 | Q80 | 18 | 17 | 0.085 | 0.000 | 2 |
| 1121 | Q81 | 15 | 34 | 0.086 | 0.000 | 3 |
| 1122 | Q82 | 88 | 30 | 0.087 | 0.000 | 3 |
| 1123 | Q83 | 17 | 30 | 0.085 | 0.000 | 3 |
| 1124 | Q84 | 16 | 14 | 0.085 | 0.000 | 2 |
| 1125 | Q85 | 204 | 154 | 0.089 | 0.001 | 2 |
| 1126 | Q87 | 199 | 189 | 0.088 | 0.003 | 2 |
| 1127 | Q89 | 178 | 132 | 0.089 | 0.001 | 2 |
| 1128 | Q90 | 210 | 47 | 0.086 | 0.001 | 2 |
| 1129 | Q91 | 14 | 7 | 0.083 | 0.000 | 2 |
| 1130 | Q92 | 24 | 1 | 0.081 | 0.000 | 3 |
| 1131 | Q93 | 70 | 8 | 0.084 | 0.000 | 2 |
| 1132 | Q97 | 5 | 1 | 0.079 | 0.000 | 8 |
| 1133 | Q99 | 77 | 8 | 0.084 | 0.000 | 3 |
| 1134 | R00 | 463 | 345 | 0.089 | 0.002 | 2 |
| 1135 | R01 | 130 | 1 | 0.081 | 0.000 | 2 |
| 1136 | R03 | 110 | 5 | 0.083 | 0.000 | 14 |
| 1137 | R04 | 296 | 434 | 0.089 | 0.002 | 2 |
| 1138 | R05 | 123 | 130 | 0.088 | 0.000 | 2 |
| 1139 | R06 | 314 | 350 | 0.089 | 0.002 | 2 |
| 1140 | R07 | 277 | 541 | 0.089 | 0.002 | 2 |
| 1141 | R09 | 344 | 207 | 0.088 | 0.001 | 8 |
| 1142 | R10 | 343 | 583 | 0.089 | 0.004 | 2 |
| 1143 | R11 | 423 | 509 | 0.089 | 0.003 | 2 |
| 1144 | R12 | 53 | 15 | 0.085 | 0.000 | 2 |
| 1145 | R13 | 441 | 304 | 0.089 | 0.002 | 8 |
| 1146 | R14 | 65 | 42 | 0.087 | 0.000 | 2 |
| 1147 | R15 | 362 | 52 | 0.087 | 0.000 | 8 |
| 1148 | R16 | 286 | 77 | 0.088 | 0.000 | 2 |
| 1149 | R17 | 104 | 107 | 0.088 | 0.000 | 2 |
| 1150 | R18 | 291 | 286 | 0.088 | 0.001 | 8 |
| 1151 | R19 | 408 | 516 | 0.089 | 0.002 | 2 |
| 1152 | R20 | 252 | 238 | 0.088 | 0.001 | 2 |
| 1153 | R21 | 188 | 83 | 0.088 | 0.000 | 2 |
| 1154 | R22 | 70 | 96 | 0.088 | 0.000 | 2 |
| 1155 | R23 | 127 | 56 | 0.087 | 0.000 | 2 |
| 1156 | R25 | 208 | 107 | 0.088 | 0.000 | 2 |
| 1157 | R26 | 301 | 273 | 0.089 | 0.001 | 8 |
| 1158 | R27 | 146 | 141 | 0.088 | 0.001 | 8 |
| 1159 | R29 | 227 | 177 | 0.089 | 0.001 | 2 |
| 1160 | R30 | 71 | 42 | 0.087 | 0.000 | 2 |
| 1161 | R31 | 359 | 460 | 0.089 | 0.002 | 8 |
| 1162 | R32 | 515 | 67 | 0.087 | 0.001 | 8 |
| 1163 | R33 | 488 | 299 | 0.088 | 0.001 | 2 |
| 1164 | R34 | 129 | 63 | 0.088 | 0.000 | 2 |
| 1165 | R35 | 124 | 26 | 0.087 | 0.000 | 8 |
| 1166 | R39 | 338 | 202 | 0.088 | 0.001 | 8 |
| 1167 | R40 | 354 | 380 | 0.089 | 0.002 | 8 |
| 1168 | R41 | 448 | 421 | 0.089 | 0.002 | 8 |
| 1169 | R42 | 314 | 331 | 0.089 | 0.001 | 2 |
| 1170 | R43 | 32 | 6 | 0.084 | 0.000 | 8 |
| 1171 | R44 | 130 | 110 | 0.088 | 0.000 | 8 |
| 1172 | R45 | 276 | 178 | 0.088 | 0.001 | 2 |
| 1173 | R46 | 30 | 12 | 0.085 | 0.000 | 2 |
| 1174 | R47 | 286 | 222 | 0.088 | 0.001 | 8 |
| 1175 | R48 | 68 | 50 | 0.087 | 0.000 | 8 |
| 1176 | R49 | 138 | 32 | 0.086 | 0.000 | 2 |
| 1177 | R50 | 598 | 755 | 0.089 | 0.009 | 2 |
| 1178 | R51 | 366 | 289 | 0.089 | 0.002 | 2 |
| 1179 | R52 | 131 | 80 | 0.088 | 0.000 | 2 |
| 1180 | R53 | 313 | 358 | 0.089 | 0.001 | 8 |
| 1181 | R54 | 149 | 56 | 0.087 | 0.000 | 8 |
| 1182 | R55 | 387 | 672 | 0.089 | 0.004 | 2 |
| 1183 | R56 | 223 | 363 | 0.089 | 0.002 | 2 |
| 1184 | R57 | 294 | 327 | 0.088 | 0.001 | 8 |
| 1185 | R58 | 111 | 104 | 0.088 | 0.000 | 2 |
| 1186 | R59 | 346 | 299 | 0.089 | 0.002 | 2 |
| 1187 | R60 | 332 | 272 | 0.089 | 0.001 | 2 |
| 1188 | R61 | 33 | 29 | 0.087 | 0.000 | 2 |
| 1189 | R62 | 171 | 56 | 0.087 | 0.000 | 2 |
| 1190 | R63 | 409 | 387 | 0.089 | 0.002 | 2 |
| 1191 | R64 | 158 | 59 | 0.087 | 0.001 | 8 |
| 1192 | R65 | 371 | 399 | 0.088 | 0.002 | 8 |
| 1193 | R68 | 208 | 85 | 0.088 | 0.001 | 2 |
| 1194 | R69 | 39 | 6 | 0.083 | 0.000 | 2 |
| 1195 | R73 | 444 | 101 | 0.087 | 0.001 | 8 |
| 1196 | R74 | 496 | 165 | 0.088 | 0.002 | 2 |
| 1197 | R76 | 185 | 14 | 0.085 | 0.000 | 2 |
| 1198 | R78 | 438 | 562 | 0.089 | 0.003 | 8 |
| 1199 | R79 | 391 | 123 | 0.088 | 0.001 | 8 |
| 1200 | R80 | 182 | 70 | 0.087 | 0.000 | 2 |
| 1201 | R82 | 100 | 45 | 0.087 | 0.000 | 2 |
| 1202 | R83 | 14 | 14 | 0.085 | 0.000 | 2 |
| 1203 | R85 | 15 | 10 | 0.085 | 0.000 | 2 |
| 1204 | R86 | 3 | 4 | 0.083 | 0.000 | 3 |
| 1205 | R87 | 30 | 19 | 0.085 | 0.000 | 7 |
| 1206 | R89 | 102 | 35 | 0.087 | 0.000 | 8 |
| 1207 | R90 | 59 | 63 | 0.087 | 0.000 | 2 |
| 1208 | R91 | 453 | 374 | 0.088 | 0.001 | 8 |
| 1209 | R92 | 40 | 14 | 0.086 | 0.000 | 2 |
| 1210 | R93 | 132 | 99 | 0.088 | 0.000 | 2 |
| 1211 | R94 | 153 | 78 | 0.087 | 0.000 | 2 |
| 1212 | R97 | 155 | 52 | 0.087 | 0.000 | 8 |
| 1213 | R99 | 13 | 13 | 0.086 | 0.000 | 2 |
| 1214 | S00 | 161 | 223 | 0.088 | 0.001 | 8 |
| 1215 | S01 | 174 | 246 | 0.089 | 0.002 | 8 |
| 1216 | S02 | 127 | 443 | 0.089 | 0.004 | 8 |
| 1217 | S03 | 20 | 16 | 0.085 | 0.000 | 8 |
| 1218 | S04 | 24 | 11 | 0.084 | 0.000 | 8 |
| 1219 | S05 | 87 | 167 | 0.088 | 0.001 | 8 |
| 1220 | S06 | 296 | 758 | 0.089 | 0.008 | 8 |
| 1221 | S08 | 1 | 7 | 0.084 | 0.000 | 2 |
| 1222 | S09 | 210 | 416 | 0.089 | 0.003 | 8 |
| 1223 | S10 | 18 | 27 | 0.087 | 0.000 | 8 |
| 1224 | S11 | 34 | 53 | 0.088 | 0.000 | 8 |
| 1225 | S12 | 48 | 221 | 0.088 | 0.001 | 8 |
| 1226 | S13 | 27 | 88 | 0.088 | 0.000 | 8 |
| 1227 | S14 | 57 | 92 | 0.088 | 0.000 | 8 |
| 1228 | S15 | 8 | 31 | 0.086 | 0.000 | 2 |
| 1229 | S16 | 3 | 18 | 0.086 | 0.000 | 2 |
| 1230 | S19 | 11 | 35 | 0.087 | 0.000 | 8 |
| 1231 | S20 | 129 | 232 | 0.088 | 0.001 | 8 |
| 1232 | S21 | 32 | 59 | 0.087 | 0.001 | 8 |
| 1233 | S22 | 229 | 559 | 0.089 | 0.004 | 8 |
| 1234 | S23 | 3 | 20 | 0.087 | 0.000 | 8 |
| 1235 | S24 | 32 | 74 | 0.087 | 0.000 | 8 |
| 1236 | S25 | 11 | 31 | 0.087 | 0.000 | 8 |
| 1237 | S26 | 15 | 34 | 0.087 | 0.000 | 8 |
| 1238 | S27 | 96 | 290 | 0.088 | 0.001 | 8 |
| 1239 | S28 | 0 | 2 | 0.089 | 0.000 | 8 |
| 1240 | S29 | 72 | 206 | 0.089 | 0.001 | 8 |
| 1241 | S30 | 114 | 238 | 0.089 | 0.001 | 2 |
| 1242 | S31 | 52 | 181 | 0.088 | 0.002 | 2 |
| 1243 | S32 | 204 | 533 | 0.089 | 0.003 | 8 |
| 1244 | S33 | 9 | 25 | 0.086 | 0.000 | 8 |
| 1245 | S34 | 31 | 33 | 0.087 | 0.000 | 8 |
| 1246 | S35 | 18 | 50 | 0.088 | 0.000 | 8 |
| 1247 | S36 | 74 | 316 | 0.089 | 0.001 | 8 |
| 1248 | S37 | 105 | 176 | 0.088 | 0.001 | 8 |
| 1249 | S38 | 8 | 18 | 0.086 | 0.000 | 8 |
| 1250 | S39 | 79 | 162 | 0.089 | 0.001 | 2 |
| 1251 | S40 | 103 | 104 | 0.088 | 0.000 | 8 |
| 1252 | S41 | 38 | 47 | 0.087 | 0.000 | 8 |
| 1253 | S42 | 176 | 499 | 0.089 | 0.003 | 2 |
| 1254 | S43 | 62 | 153 | 0.088 | 0.000 | 2 |
| 1255 | S44 | 13 | 16 | 0.085 | 0.000 | 8 |
| 1256 | S45 | 9 | 27 | 0.086 | 0.000 | 2 |
| 1257 | S46 | 24 | 40 | 0.087 | 0.001 | 8 |
| 1258 | S49 | 39 | 45 | 0.087 | 0.000 | 2 |
| 1259 | S50 | 60 | 53 | 0.087 | 0.000 | 8 |
| 1260 | S51 | 55 | 98 | 0.088 | 0.000 | 2 |
| 1261 | S52 | 108 | 400 | 0.089 | 0.002 | 2 |
| 1262 | S53 | 15 | 51 | 0.087 | 0.000 | 2 |
| 1263 | S54 | 23 | 28 | 0.086 | 0.000 | 8 |
| 1264 | S55 | 12 | 17 | 0.084 | 0.000 | 2 |
| 1265 | S56 | 20 | 48 | 0.086 | 0.000 | 8 |
| 1266 | S58 | 0 | 10 | 0.092 | 0.000 | 8 |
| 1267 | S59 | 25 | 26 | 0.085 | 0.000 | 8 |
| 1268 | S60 | 62 | 42 | 0.087 | 0.000 | 8 |
| 1269 | S61 | 74 | 146 | 0.088 | 0.001 | 8 |
| 1270 | S62 | 79 | 188 | 0.088 | 0.001 | 8 |
| 1271 | S63 | 34 | 76 | 0.088 | 0.000 | 2 |
| 1272 | S64 | 19 | 28 | 0.086 | 0.000 | 8 |
| 1273 | S65 | 9 | 14 | 0.085 | 0.000 | 2 |
| 1274 | S66 | 26 | 81 | 0.087 | 0.000 | 8 |
| 1275 | S67 | 0 | 2 | 0.090 | 0.000 | 2 |
| 1276 | S68 | 20 | 86 | 0.088 | 0.001 | 8 |
| 1277 | S69 | 30 | 20 | 0.085 | 0.000 | 8 |
| 1278 | S70 | 85 | 198 | 0.088 | 0.000 | 8 |
| 1279 | S71 | 32 | 46 | 0.087 | 0.000 | 2 |
| 1280 | S72 | 134 | 836 | 0.089 | 0.004 | 8 |
| 1281 | S73 | 22 | 83 | 0.088 | 0.000 | 2 |
| 1282 | S74 | 15 | 19 | 0.086 | 0.000 | 8 |
| 1283 | S75 | 7 | 33 | 0.087 | 0.000 | 2 |
| 1284 | S76 | 14 | 59 | 0.087 | 0.000 | 8 |
| 1285 | S77 | 3 | 6 | 0.083 | 0.000 | 8 |
| 1286 | S79 | 38 | 40 | 0.087 | 0.000 | 8 |
| 1287 | S80 | 132 | 240 | 0.089 | 0.001 | 8 |
| 1288 | S81 | 87 | 196 | 0.089 | 0.001 | 8 |
| 1289 | S82 | 125 | 557 | 0.089 | 0.004 | 2 |
| 1290 | S83 | 38 | 107 | 0.088 | 0.000 | 2 |
| 1291 | S84 | 10 | 1 | 0.082 | 0.000 | 8 |
| 1292 | S85 | 12 | 17 | 0.085 | 0.000 | 8 |
| 1293 | S86 | 19 | 80 | 0.087 | 0.000 | 2 |
| 1294 | S88 | 6 | 19 | 0.087 | 0.000 | 2 |
| 1295 | S89 | 66 | 79 | 0.087 | 0.000 | 2 |
| 1296 | S90 | 56 | 63 | 0.087 | 0.000 | 2 |
| 1297 | S91 | 39 | 83 | 0.088 | 0.000 | 8 |
| 1298 | S92 | 85 | 202 | 0.088 | 0.002 | 2 |
| 1299 | S93 | 83 | 76 | 0.088 | 0.000 | 8 |
| 1300 | S94 | 4 | 2 | 0.001 | 0.000 | 8 |
| 1301 | S96 | 10 | 18 | 0.085 | 0.000 | 8 |
| 1302 | S97 | 3 | 6 | 0.082 | 0.000 | 8 |
| 1303 | S98 | 12 | 33 | 0.086 | 0.000 | 8 |
| 1304 | S99 | 20 | 4 | 0.081 | 0.000 | 8 |
| 1305 | T07 | 46 | 87 | 0.088 | 0.000 | 8 |
| 1306 | T14 | 177 | 207 | 0.088 | 0.002 | 2 |
| 1307 | T15 | 5 | 5 | 0.084 | 0.000 | 8 |
| 1308 | T16 | 2 | 1 | 0.001 | 0.000 | 8 |
| 1309 | T17 | 341 | 538 | 0.089 | 0.002 | 8 |
| 1310 | T18 | 54 | 248 | 0.088 | 0.000 | 2 |
| 1311 | T19 | 8 | 11 | 0.084 | 0.000 | 2 |
| 1312 | T20 | 29 | 102 | 0.088 | 0.001 | 8 |
| 1313 | T21 | 35 | 171 | 0.088 | 0.002 | 8 |
| 1314 | T22 | 37 | 124 | 0.088 | 0.001 | 8 |
| 1315 | T23 | 20 | 97 | 0.088 | 0.000 | 8 |
| 1316 | T24 | 33 | 135 | 0.088 | 0.003 | 8 |
| 1317 | T25 | 19 | 65 | 0.087 | 0.000 | 8 |
| 1318 | T26 | 12 | 12 | 0.083 | 0.000 | 8 |
| 1319 | T27 | 3 | 2 | 0.082 | 0.000 | 8 |
| 1320 | T28 | 16 | 9 | 0.085 | 0.001 | 8 |
| 1321 | T30 | 3 | 5 | 0.083 | 0.000 | 2 |
| 1322 | T36 | 399 | 69 | 0.088 | 0.001 | 2 |
| 1323 | T37 | 157 | 48 | 0.087 | 0.000 | 2 |
| 1324 | T38 | 432 | 139 | 0.088 | 0.001 | 8 |
| 1325 | T39 | 291 | 182 | 0.089 | 0.001 | 2 |
| 1326 | T40 | 290 | 274 | 0.088 | 0.001 | 8 |
| 1327 | T41 | 66 | 24 | 0.086 | 0.000 | 2 |
| 1328 | T42 | 243 | 409 | 0.088 | 0.001 | 2 |
| 1329 | T43 | 219 | 232 | 0.088 | 0.001 | 2 |
| 1330 | T44 | 125 | 68 | 0.087 | 0.000 | 2 |
| 1331 | T45 | 540 | 283 | 0.088 | 0.002 | 8 |
| 1332 | T46 | 307 | 178 | 0.088 | 0.000 | 8 |
| 1333 | T47 | 92 | 22 | 0.086 | 0.000 | 2 |
| 1334 | T48 | 83 | 30 | 0.087 | 0.000 | 2 |
| 1335 | T49 | 103 | 5 | 0.084 | 0.000 | 8 |
| 1336 | T50 | 527 | 245 | 0.088 | 0.002 | 8 |
| 1337 | T51 | 40 | 163 | 0.088 | 0.000 | 2 |
| 1338 | T52 | 4 | 35 | 0.087 | 0.000 | 8 |
| 1339 | T53 | 1 | 2 | 0.072 | 0.000 | 8 |
| 1340 | T54 | 23 | 97 | 0.088 | 0.000 | 2 |
| 1341 | T55 | 2 | 16 | 0.086 | 0.000 | 2 |
| 1342 | T56 | 20 | 76 | 0.087 | 0.000 | 2 |
| 1343 | T57 | 3 | 6 | 0.084 | 0.000 | 8 |
| 1344 | T58 | 3 | 42 | 0.087 | 0.000 | 8 |
| 1345 | T59 | 13 | 56 | 0.088 | 0.000 | 8 |
| 1346 | T60 | 4 | 24 | 0.086 | 0.000 | 2 |
| 1347 | T61 | 1 | 12 | 0.085 | 0.000 | 8 |
| 1348 | T62 | 66 | 82 | 0.088 | 0.000 | 8 |
| 1349 | T63 | 5 | 24 | 0.086 | 0.000 | 8 |
| 1350 | T65 | 97 | 59 | 0.087 | 0.000 | 2 |
| 1351 | T66 | 73 | 28 | 0.086 | 0.000 | 2 |
| 1352 | T67 | 19 | 107 | 0.088 | 0.001 | 2 |
| 1353 | T68 | 12 | 23 | 0.086 | 0.000 | 2 |
| 1354 | T71 | 3 | 55 | 0.087 | 0.000 | 8 |
| 1355 | T73 | 5 | 19 | 0.085 | 0.000 | 8 |
| 1356 | T74 | 10 | 19 | 0.085 | 0.000 | 2 |
| 1357 | T75 | 21 | 70 | 0.088 | 0.001 | 2 |
| 1358 | T76 | 20 | 46 | 0.087 | 0.000 | 2 |
| 1359 | T78 | 146 | 236 | 0.088 | 0.000 | 2 |
| 1360 | T79 | 135 | 228 | 0.089 | 0.001 | 8 |
| 1361 | T80 | 360 | 431 | 0.089 | 0.002 | 2 |
| 1362 | T81 | 517 | 794 | 0.089 | 0.007 | 2 |
| 1363 | T82 | 345 | 673 | 0.089 | 0.004 | 8 |
| 1364 | T83 | 197 | 534 | 0.089 | 0.002 | 8 |
| 1365 | T84 | 144 | 661 | 0.089 | 0.002 | 2 |
| 1366 | T85 | 245 | 598 | 0.089 | 0.003 | 2 |
| 1367 | T86 | 279 | 619 | 0.089 | 0.002 | 2 |
| 1368 | T87 | 40 | 176 | 0.088 | 0.000 | 8 |
| 1369 | T88 | 282 | 278 | 0.089 | 0.001 | 8 |
| 1370 | X83 | 10 | 4 | 0.084 | 0.000 | 8 |
| 1371 | Y84 | 296 | 11 | 0.085 | 0.000 | 8 |
| 1372 | Y95 | 209 | 11 | 0.086 | 0.000 | 8 |
| 1373 | Z00 | 87 | 45 | 0.087 | 0.000 | 8 |
| 1374 | Z01 | 29 | 197 | 0.088 | 0.000 | 2 |
| 1375 | Z02 | 7 | 22 | 0.086 | 0.000 | 3 |
| 1376 | Z03 | 78 | 176 | 0.089 | 0.001 | 3 |
| 1377 | Z04 | 8 | 29 | 0.086 | 0.000 | 2 |
| 1378 | Z08 | 7 | 137 | 0.088 | 0.000 | 2 |
| 1379 | Z09 | 14 | 114 | 0.088 | 0.000 | 2 |
| 1380 | Z11 | 12 | 16 | 0.086 | 0.000 | 8 |
| 1381 | Z12 | 4 | 51 | 0.087 | 0.000 | 2 |
| 1382 | Z13 | 51 | 45 | 0.087 | 0.001 | 2 |
| 1383 | Z15 | 58 | 30 | 0.086 | 0.000 | 3 |
| 1384 | Z16 | 409 | 14 | 0.085 | 0.000 | 8 |
| 1385 | Z20 | 75 | 11 | 0.084 | 0.001 | 2 |
| 1386 | Z21 | 422 | 87 | 0.088 | 0.001 | 3 |
| 1387 | Z22 | 657 | 40 | 0.087 | 0.001 | 3 |
| 1388 | Z23 | 64 | 7 | 0.083 | 0.000 | 9 |
| 1389 | Z30 | 67 | 74 | 0.088 | 0.000 | 5 |
| 1390 | Z31 | 7 | 17 | 0.086 | 0.000 | 7 |
| 1391 | Z33 | 112 | 53 | 0.087 | 0.003 | 6 |
| 1392 | Z34 | 15 | 8 | 0.083 | 0.000 | 5 |
| 1393 | Z37 | 104 | 26 | 0.086 | 0.001 | 1 |
| 1394 | Z38 | 24 | 46 | 0.085 | 0.000 | 9 |
| 1395 | Z39 | 14 | 17 | 0.084 | 0.000 | 5 |
| 1396 | Z40 | 18 | 127 | 0.088 | 0.000 | 3 |
| 1397 | Z41 | 15 | 14 | 0.086 | 0.000 | 2 |
| 1398 | Z42 | 15 | 249 | 0.088 | 0.000 | 2 |
| 1399 | Z43 | 57 | 442 | 0.089 | 0.000 | 2 |
| 1400 | Z44 | 9 | 26 | 0.085 | 0.000 | 2 |
| 1401 | Z45 | 42 | 368 | 0.089 | 0.000 | 2 |
| 1402 | Z46 | 64 | 315 | 0.088 | 0.000 | 2 |
| 1403 | Z47 | 43 | 424 | 0.089 | 0.001 | 2 |
| 1404 | Z48 | 64 | 392 | 0.089 | 0.001 | 2 |
| 1405 | Z49 | 11 | 144 | 0.088 | 0.000 | 2 |
| 1406 | Z51 | 347 | 910 | 0.089 | 0.004 | 2 |
| 1407 | Z52 | 52 | 52 | 0.087 | 0.000 | 7 |
| 1408 | Z53 | 526 | 140 | 0.088 | 0.002 | 2 |
| 1409 | Z60 | 442 | 24 | 0.086 | 0.000 | 8 |
| 1410 | Z63 | 162 | 1 | 0.001 | 0.000 | 2 |
| 1411 | Z65 | 280 | 21 | 0.086 | 0.000 | 2 |
| 1412 | Z67 | 129 | 6 | 0.082 | 0.000 | 1 |
| 1413 | Z68 | 339 | 21 | 0.086 | 0.000 | 4 |
| 1414 | Z71 | 65 | 41 | 0.087 | 0.000 | 2 |
| 1415 | Z74 | 312 | 39 | 0.087 | 0.000 | 8 |
| 1416 | Z75 | 33 | 88 | 0.087 | 0.000 | 2 |
| 1417 | Z76 | 167 | 73 | 0.087 | 0.001 | 2 |
| 1418 | Z79 | 1046 | 52 | 0.087 | 0.002 | 2 |
| 1419 | Z80 | 602 | 31 | 0.087 | 0.002 | 4 |
| 1420 | Z81 | 173 | 8 | 0.084 | 0.000 | 2 |
| 1421 | Z82 | 422 | 5 | 0.082 | 0.001 | 4 |
| 1422 | Z83 | 350 | 4 | 0.082 | 0.000 | 7 |
| 1423 | Z84 | 147 | 2 | 0.081 | 0.000 | 3 |
| 1424 | Z85 | 927 | 64 | 0.087 | 0.001 | 2 |
| 1425 | Z86 | 939 | 79 | 0.088 | 0.002 | 2 |
| 1426 | Z87 | 1028 | 210 | 0.088 | 0.004 | 2 |
| 1427 | Z88 | 997 | 93 | 0.088 | 0.003 | 3 |
| 1428 | Z89 | 340 | 4 | 0.083 | 0.000 | 8 |
| 1429 | Z90 | 881 | 50 | 0.087 | 0.001 | 2 |
| 1430 | Z91 | 871 | 53 | 0.088 | 0.002 | 3 |
| 1431 | Z92 | 745 | 11 | 0.085 | 0.000 | 2 |
| 1432 | Z93 | 525 | 58 | 0.087 | 0.001 | 8 |
| 1433 | Z94 | 508 | 30 | 0.087 | 0.001 | 2 |
| 1434 | Z95 | 801 | 63 | 0.088 | 0.002 | 8 |
| 1435 | Z96 | 717 | 45 | 0.087 | 0.001 | 8 |
| 1436 | Z98 | 842 | 40 | 0.087 | 0.001 | 2 |
| 1437 | Z99 | 750 | 46 | 0.087 | 0.001 | 8 |
| 1438 | E60 | 33 | 0 | 0.001 | 0.000 | 2 |
| 1439 | R77 | 66 | 0 | 0.001 | 0.000 | 8 |
| 1440 | Z14 | 140 | 0 | 0.001 | 0.000 | 4 |
| 1441 | Z59 | 554 | 0 | 0.001 | 0.000 | 8 |
| 1442 | Z72 | 378 | 0 | 0.001 | 0.000 | 2 |
| 1443 | Z77 | 103 | 0 | 0.001 | 0.000 | 2 |
| 1444 | Z97 | 305 | 0 | 0.001 | 0.000 | 3 |
| 1445 | B80 | 9 | 0 | 0.001 | 0.000 | 15 |
| 1446 | B88 | 6 | 0 | 0.001 | 0.000 | 8 |
| 1447 | E50 | 66 | 0 | 0.001 | 0.000 | 2 |
| 1448 | I79 | 18 | 0 | 0.001 | 0.000 | 8 |
| 1449 | K67 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1450 | T31 | 29 | 0 | 0.001 | 0.000 | 8 |
| 1451 | W19 | 205 | 0 | 0.001 | 0.000 | 8 |
| 1452 | W20 | 12 | 0 | 0.001 | 0.000 | 8 |
| 1453 | X58 | 168 | 0 | 0.001 | 0.000 | 8 |
| 1454 | Y83 | 425 | 0 | 0.001 | 0.000 | 2 |
| 1455 | Y92 | 271 | 0 | 0.001 | 0.000 | 8 |
| 1456 | Z17 | 137 | 0 | 0.001 | 0.000 | 2 |
| 1457 | B40 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1458 | E56 | 119 | 0 | 0.001 | 0.000 | 2 |
| 1459 | E29 | 71 | 0 | 0.001 | 0.000 | 8 |
| 1460 | E30 | 35 | 0 | 0.001 | 0.000 | 2 |
| 1461 | W06 | 43 | 0 | 0.001 | 0.000 | 8 |
| 1462 | Z28 | 13 | 0 | 0.001 | 0.000 | 8 |
| 1463 | Z66 | 61 | 0 | 0.001 | 0.000 | 8 |
| 1464 | G94 | 33 | 0 | 0.001 | 0.000 | 8 |
| 1465 | K23 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1466 | R71 | 41 | 0 | 0.001 | 0.000 | 8 |
| 1467 | A80 | 16 | 0 | 0.001 | 0.000 | 8 |
| 1468 | M88 | 167 | 0 | 0.001 | 0.000 | 8 |
| 1469 | M90 | 13 | 0 | 0.001 | 0.000 | 8 |
| 1470 | Z56 | 131 | 0 | 0.001 | 0.000 | 2 |
| 1471 | Z78 | 56 | 0 | 0.001 | 0.000 | 2 |
| 1472 | W18 | 129 | 0 | 0.001 | 0.000 | 8 |
| 1473 | G01 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1474 | B38 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1475 | F73 | 35 | 0 | 0.001 | 0.000 | 8 |
| 1476 | W22 | 39 | 0 | 0.001 | 0.000 | 8 |
| 1477 | Y93 | 88 | 0 | 0.001 | 0.000 | 8 |
| 1478 | Y99 | 81 | 0 | 0.001 | 0.000 | 8 |
| 1479 | A26 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1480 | A27 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1481 | A84 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1482 | B56 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1483 | B85 | 49 | 0 | 0.001 | 0.000 | 3 |
| 1484 | B87 | 6 | 0 | 0.001 | 0.000 | 2 |
| 1485 | E42 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1486 | E64 | 19 | 0 | 0.001 | 0.000 | 8 |
| 1487 | F81 | 39 | 0 | 0.001 | 0.000 | 2 |
| 1488 | G09 | 105 | 0 | 0.001 | 0.000 | 2 |
| 1489 | G32 | 23 | 0 | 0.001 | 0.000 | 8 |
| 1490 | G65 | 9 | 0 | 0.001 | 0.000 | 8 |
| 1491 | G73 | 22 | 0 | 0.001 | 0.000 | 2 |
| 1492 | G99 | 41 | 0 | 0.001 | 0.000 | 8 |
| 1493 | I43 | 82 | 0 | 0.001 | 0.000 | 8 |
| 1494 | L63 | 42 | 0 | 0.001 | 0.000 | 3 |
| 1495 | L64 | 15 | 0 | 0.001 | 0.000 | 8 |
| 1496 | N29 | 47 | 0 | 0.001 | 0.000 | 2 |
| 1497 | Q14 | 14 | 0 | 0.001 | 0.000 | 2 |
| 1498 | Q96 | 42 | 0 | 0.001 | 0.000 | 3 |
| 1499 | Q98 | 43 | 0 | 0.001 | 0.000 | 8 |
| 1500 | R84 | 17 | 0 | 0.001 | 0.000 | 8 |
| 1501 | V89 | 24 | 0 | 0.001 | 0.000 | 8 |
| 1502 | W01 | 34 | 0 | 0.001 | 0.000 | 8 |
| 1503 | W46 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1504 | W90 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1505 | X12 | 8 | 0 | 0.001 | 0.000 | 8 |
| 1506 | Y64 | 6 | 0 | 0.001 | 0.000 | 8 |
| 1507 | Y65 | 67 | 0 | 0.001 | 0.000 | 2 |
| 1508 | Z57 | 11 | 0 | 0.001 | 0.000 | 8 |
| 1509 | Z73 | 56 | 0 | 0.001 | 0.000 | 2 |
| 1510 | J17 | 7 | 0 | 0.001 | 0.000 | 8 |
| 1511 | K77 | 21 | 0 | 0.001 | 0.000 | 3 |
| 1512 | E52 | 9 | 0 | 0.001 | 0.000 | 8 |
| 1513 | L41 | 14 | 0 | 0.001 | 0.000 | 3 |
| 1514 | A30 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1515 | B79 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1516 | B92 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1517 | Z55 | 39 | 0 | 0.001 | 0.000 | 2 |
| 1518 | L83 | 13 | 0 | 0.001 | 0.000 | 2 |
| 1519 | N27 | 9 | 0 | 0.001 | 0.000 | 8 |
| 1520 | N07 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1521 | R70 | 7 | 0 | 0.001 | 0.000 | 2 |
| 1522 | H62 | 7 | 0 | 0.001 | 0.000 | 8 |
| 1523 | G02 | 3 | 0 | 0.001 | 0.000 | 2 |
| 1524 | R75 | 4 | 0 | 0.001 | 0.000 | 2 |
| 1525 | D77 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1526 | E36 | 10 | 0 | 0.001 | 0.000 | 2 |
| 1527 | Z18 | 17 | 0 | 0.001 | 0.000 | 8 |
| 1528 | L87 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1529 | B64 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1530 | Y69 | 9 | 0 | 0.001 | 0.000 | 8 |
| 1531 | L11 | 10 | 0 | 0.001 | 0.000 | 8 |
| 1532 | M36 | 17 | 0 | 0.001 | 0.000 | 2 |
| 1533 | V87 | 32 | 0 | 0.001 | 0.000 | 8 |
| 1534 | W88 | 14 | 0 | 0.001 | 0.000 | 8 |
| 1535 | G53 | 3 | 0 | 0.001 | 0.000 | 2 |
| 1536 | G14 | 11 | 0 | 0.001 | 0.000 | 8 |
| 1537 | N96 | 13 | 0 | 0.001 | 0.000 | 6 |
| 1538 | M83 | 34 | 0 | 0.001 | 0.000 | 8 |
| 1539 | W13 | 20 | 0 | 0.001 | 0.000 | 8 |
| 1540 | R37 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1541 | E00 | 12 | 0 | 0.001 | 0.000 | 2 |
| 1542 | G55 | 3 | 0 | 0.001 | 0.000 | 2 |
| 1543 | T69 | 8 | 0 | 0.001 | 0.000 | 8 |
| 1544 | L49 | 7 | 0 | 0.001 | 0.000 | 2 |
| 1545 | D67 | 17 | 0 | 0.001 | 0.000 | 4 |
| 1546 | V99 | 13 | 0 | 0.001 | 0.000 | 8 |
| 1547 | Y80 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1548 | Z62 | 55 | 0 | 0.001 | 0.000 | 2 |
| 1549 | H36 | 1 | 0 | 0.001 | 0.000 | 3 |
| 1550 | Y63 | 8 | 0 | 0.001 | 0.000 | 2 |
| 1551 | V15 | 1 | 0 | 0.001 | 0.000 | 3 |
| 1552 | B73 | 6 | 0 | 0.001 | 0.000 | 8 |
| 1553 | E58 | 14 | 0 | 0.001 | 0.000 | 8 |
| 1554 | Q86 | 7 | 0 | 0.001 | 0.000 | 8 |
| 1555 | I32 | 7 | 0 | 0.001 | 0.000 | 8 |
| 1556 | I02 | 10 | 0 | 0.001 | 0.000 | 8 |
| 1557 | R81 | 7 | 0 | 0.001 | 0.000 | 2 |
| 1558 | W05 | 7 | 0 | 0.001 | 0.000 | 8 |
| 1559 | W08 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1560 | W07 | 16 | 0 | 0.001 | 0.000 | 8 |
| 1561 | E59 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1562 | W17 | 35 | 0 | 0.001 | 0.000 | 8 |
| 1563 | Y90 | 9 | 0 | 0.001 | 0.000 | 8 |
| 1564 | Z69 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1565 | X78 | 26 | 0 | 0.001 | 0.000 | 8 |
| 1566 | F65 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1567 | F24 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1568 | F66 | 6 | 0 | 0.001 | 0.000 | 2 |
| 1569 | X79 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1570 | H75 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1571 | X19 | 11 | 0 | 0.001 | 0.000 | 8 |
| 1572 | N22 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1573 | T70 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1574 | W16 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1575 | Y82 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1576 | V49 | 24 | 0 | 0.001 | 0.000 | 8 |
| 1577 | A66 | 2 | 0 | 0.001 | 0.000 | 2 |
| 1578 | P60 | 7 | 0 | 0.001 | 0.000 | 9 |
| 1579 | V20 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1580 | W74 | 2 | 0 | 0.001 | 0.000 | 2 |
| 1581 | W40 | 11 | 0 | 0.001 | 0.000 | 8 |
| 1582 | W57 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1583 | H67 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1584 | V09 | 24 | 0 | 0.001 | 0.000 | 8 |
| 1585 | V45 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1586 | H42 | 2 | 0 | 0.001 | 0.000 | 2 |
| 1587 | Y71 | 9 | 0 | 0.001 | 0.000 | 8 |
| 1588 | W89 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1589 | Z64 | 10 | 0 | 0.001 | 0.000 | 6 |
| 1590 | J63 | 12 | 0 | 0.001 | 0.000 | 8 |
| 1591 | V18 | 13 | 0 | 0.001 | 0.000 | 8 |
| 1592 | W64 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1593 | W67 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1594 | V97 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1595 | W10 | 26 | 0 | 0.001 | 0.000 | 8 |
| 1596 | A67 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1597 | A70 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1598 | B77 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1599 | I52 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1600 | Y33 | 8 | 0 | 0.001 | 0.000 | 8 |
| 1601 | Y81 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1602 | Z70 | 5 | 0 | 0.001 | 0.000 | 16 |
| 1603 | X11 | 7 | 0 | 0.001 | 0.000 | 8 |
| 1604 | W55 | 19 | 0 | 0.001 | 0.000 | 8 |
| 1605 | H22 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1606 | B75 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1607 | A00 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1608 | A95 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1609 | A93 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1610 | M63 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1611 | W11 | 8 | 0 | 0.001 | 0.000 | 8 |
| 1612 | A71 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1613 | N77 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1614 | V00 | 11 | 0 | 0.001 | 0.000 | 8 |
| 1615 | V82 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1616 | Q95 | 3 | 0 | 0.001 | 0.000 | 17 |
| 1617 | J66 | 7 | 0 | 0.001 | 0.000 | 8 |
| 1618 | X08 | 15 | 0 | 0.001 | 0.000 | 8 |
| 1619 | W34 | 6 | 0 | 0.001 | 0.000 | 8 |
| 1620 | X00 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1621 | X02 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1622 | V29 | 37 | 0 | 0.001 | 0.000 | 8 |
| 1623 | L75 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1624 | V19 | 22 | 0 | 0.001 | 0.000 | 8 |
| 1625 | X76 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1626 | Y36 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1627 | B76 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1628 | W00 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1629 | A20 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1630 | Y74 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1631 | S17 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1632 | T32 | 2 | 0 | 0.001 | 0.000 | 2 |
| 1633 | G59 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1634 | Y73 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1635 | X15 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1636 | A92 | 4 | 0 | 0.001 | 0.000 | 6 |
| 1637 | S48 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1638 | W54 | 12 | 0 | 0.001 | 0.000 | 8 |
| 1639 | W26 | 6 | 0 | 0.001 | 0.000 | 8 |
| 1640 | W45 | 16 | 0 | 0.001 | 0.000 | 8 |
| 1641 | W56 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1642 | X10 | 7 | 0 | 0.001 | 0.000 | 8 |
| 1643 | W61 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1644 | W51 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1645 | A82 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1646 | I41 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1647 | V80 | 11 | 0 | 0.001 | 0.000 | 8 |
| 1648 | Y09 | 17 | 0 | 0.001 | 0.000 | 8 |
| 1649 | Y38 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1650 | A64 | 3 | 0 | 0.001 | 0.000 | 2 |
| 1651 | L54 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1652 | R36 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1653 | S95 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1654 | Y76 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1655 | O29 | 7 | 0 | 0.001 | 0.000 | 1 |
| 1656 | V43 | 12 | 0 | 0.001 | 0.000 | 2 |
| 1657 | Y24 | 3 | 0 | 0.001 | 0.000 | 18 |
| 1658 | Z36 | 1 | 0 | 0.001 | 0.000 | 1 |
| 1659 | P26 | 7 | 0 | 0.001 | 0.000 | 9 |
| 1660 | P93 | 1 | 0 | 0.001 | 0.000 | 9 |
| 1661 | P95 | 1 | 0 | 0.001 | 0.000 | 9 |
| 1662 | A75 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1663 | Y77 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1664 | Z32 | 2 | 0 | 0.001 | 0.000 | 2 |
| 1665 | T33 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1666 | G64 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1667 | V48 | 7 | 0 | 0.001 | 0.000 | 8 |
| 1668 | W31 | 15 | 0 | 0.001 | 0.000 | 8 |
| 1669 | B83 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1670 | A65 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1671 | X73 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1672 | Y04 | 13 | 0 | 0.001 | 0.000 | 8 |
| 1673 | Y07 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1674 | V03 | 10 | 0 | 0.001 | 0.000 | 8 |
| 1675 | V13 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1676 | W50 | 6 | 0 | 0.001 | 0.000 | 8 |
| 1677 | X94 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1678 | X99 | 16 | 0 | 0.001 | 0.000 | 8 |
| 1679 | V11 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1680 | V22 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1681 | V28 | 12 | 0 | 0.001 | 0.000 | 8 |
| 1682 | V64 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1683 | V81 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1684 | W03 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1685 | W04 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1686 | W09 | 9 | 0 | 0.001 | 0.000 | 8 |
| 1687 | W12 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1688 | W21 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1689 | W37 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1690 | X18 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1691 | Y00 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1692 | Y08 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1693 | W27 | 7 | 0 | 0.001 | 0.000 | 8 |
| 1694 | W33 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1695 | V01 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1696 | V04 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1697 | V10 | 6 | 0 | 0.001 | 0.000 | 8 |
| 1698 | V23 | 13 | 0 | 0.001 | 0.000 | 8 |
| 1699 | V47 | 5 | 0 | 0.001 | 0.000 | 8 |
| 1700 | V77 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1701 | V79 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1702 | W14 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1703 | W24 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1704 | X74 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1705 | X80 | 10 | 0 | 0.001 | 0.000 | 8 |
| 1706 | Y03 | 9 | 0 | 0.001 | 0.000 | 8 |
| 1707 | Y30 | 6 | 0 | 0.001 | 0.000 | 8 |
| 1708 | V27 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1709 | W25 | 9 | 0 | 0.001 | 0.000 | 8 |
| 1710 | X95 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1711 | V17 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1712 | W23 | 6 | 0 | 0.001 | 0.000 | 8 |
| 1713 | W99 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1714 | Y28 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1715 | V02 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1716 | V44 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1717 | V40 | 2 | 0 | 0.001 | 0.000 | 2 |
| 1718 | V88 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1719 | V16 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1720 | W29 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1721 | W39 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1722 | V69 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1723 | W28 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1724 | W30 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1725 | V86 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1726 | S87 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1727 | X81 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1728 | V95 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1729 | W35 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1730 | W86 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1731 | X04 | 4 | 0 | 0.001 | 0.000 | 8 |
| 1732 | W38 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1733 | W85 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1734 | X06 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1735 | X16 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1736 | X98 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1737 | X01 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1738 | X03 | 3 | 0 | 0.001 | 0.000 | 8 |
| 1739 | X97 | 2 | 0 | 0.001 | 0.000 | 8 |
| 1740 | V91 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1741 | W93 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1742 | X17 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1743 | X30 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1744 | A24 | 1 | 0 | 0.001 | 0.000 | 2 |
| 1745 | Y62 | 1 | 0 | 0.001 | 0.000 | 8 |
| 1746 | Y79 | 1 | 0 | 0.001 | 0.000 | 2 |
Y su distribución del grado:
| vars | n | mean | sd | median | trimmed | mad | min | max | range | skew | kurtosis | se | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| InDegree | 1 | 1746 | 132.394 | 180.385 | 56 | 94.229 | 74.130 | 0 | 1122 | 1122 | 2.164 | 5.228 | 4.317 |
| OutDegree | 2 | 1746 | 132.394 | 175.075 | 62 | 96.327 | 91.921 | 0 | 1089 | 1089 | 1.994 | 4.419 | 4.190 |
Esta distribución se corresponde con la de una red libre de escala (tanto para el grado de entrada como de salida) lo cual quiere decir que existen diagnósticos que se comportan como hubs, y la red se caracteriza por presentar unos pocos nodos muy conectados y muchos nodos escasamente conectados. Es decir tenemos pocos diagnósticos que puedan dar pie a prácticamente cualquier otro diagnóstico de la red, y muchos que se relacionan con varios (pero no excesivos) diagnósticos.
Una vez generada la red, hemos encontrado que el algoritmo walktrap que consiste en salir de cada nodo siguiendo enlaces aleatoriamente, y observar en qué conjuntos de nodos nos solemos mantener, acostumbra a converger a agrupaciones estables. De forma que lo hemos empleado para generar la agrupación, observando que variando el parámetro steps (15-20-30-40-50) la solución era prácticamente idéntica. Nos ha quedado una red de 18 nodos que agrupan los originales de la forma siguiente:
| cluster | 2 | 8 | 3 | 9 | 1 | 4 | 5 | 6 | 7 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 |
| n | 856 | 606 | 114 | 52 | 49 | 24 | 15 | 14 | 7 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
Vemos que tan solo dos clusters aglutinan la mayoría de nodos originales, lo que es propio de una red de libre escala densamente poblada.
Finalmente hemos comparado la red formada por los grupos del CIE-ES con la red formada por los clusters, obteniendo los siguientes gráficos.
Muchos grupos de la red están fuertemente conectados, la red de clusters presenta dos grupos centrales, y el resto de nodos son periféricos. La distribución del grado de los grupos, en la que todos ellos están fuertemente conectados, es inusual y complica la extracción de información. Mientras que los grados de la red clusterizada ya muestran un comportamiento más usual, que parece fruto de la adición de una red libre de escala con una red aleatoria de Erdos-Renyi.
Por último hemos añadido a los datos las variables C1_clust-C20_clust que recogen el clúster al que pertence cada diagnóstico. Y además las variables numéricas C1_3_close, C1_3_betwe, C1_3_indeg y C1_3_outdeg correspondientes a las medidas de centralidad del diagnóstico principal de cada paciente.
Ahora que ya disponemos de un amplio conjunto de variables, lo que hemos hecho en primer lugar ha sido estudiarlo, como hicimos para el conjunto inicial, pera ya muy enfocados a incorporarlas en un modelo predictivo.
| name | TYPE | n_NANs | n_CATs | mean | sd | min | max | ready | dispING | priority |
|---|---|---|---|---|---|---|---|---|---|---|
| Prioridad -1 | ||||||||||
| REINGRESARA | factor | 0 | 2 | NA | NA | NA | NA | TRUE | FALSE | -1 |
| TIPALT_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | -1 |
| HISTORIA_Anonimo | numeric | 0 | NA | 414174.166 | 394395.439 | 2.000 | 3171147.000 | TRUE | TRUE | -1 |
| TIMEALTING | numeric | 0 | NA | 0.019 | 0.032 | 0.000 | 1.793 | TRUE | FALSE | -1 |
| Prioridad 0 | ||||||||||
| CENTRO | factor | 0 | 35 | NA | NA | NA | NA | FALSE | TRUE | 0 |
| HOSPROC | factor | 0 | 138 | NA | NA | NA | NA | FALSE | TRUE | 0 |
| SERVING | factor | 0 | 61 | NA | NA | NA | NA | FALSE | TRUE | 0 |
| SERVALT | factor | 0 | 56 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| TIPALT | factor | 0 | 12 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC1 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | TRUE | 0 |
| POAC2 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC3 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC4 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC5 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC6 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC7 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC8 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC9 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC10 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC11 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC12 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC13 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC14 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC15 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC16 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC17 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC18 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC19 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC20 | factor | 0 | 6 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| MUNICIPI | factor | 0 | 1996 | NA | NA | NA | NA | FALSE | TRUE | 0 |
| HOSPDEST | factor | 0 | 167 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| FECALT_YEAR | factor | 0 | NA | NA | NA | NA | NA | TRUE | FALSE | 0 |
| C1_3 | factor | 0 | 1449 | NA | NA | NA | NA | FALSE | TRUE | 0 |
| C2_3 | factor | 0 | 1612 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C3_3 | factor | 0 | 1566 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C4_3 | factor | 0 | 1524 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C5_3 | factor | 0 | 1460 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C6_3 | factor | 0 | 1420 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C7_3 | factor | 0 | 1386 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C8_3 | factor | 0 | 1349 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C9_3 | factor | 0 | 1292 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C10_3 | factor | 0 | 1234 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C11_3 | factor | 0 | 1200 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C12_3 | factor | 0 | 1137 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C13_3 | factor | 0 | 1071 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C14_3 | factor | 0 | 1045 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C15_3 | factor | 0 | 988 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C16_3 | factor | 0 | 954 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C17_3 | factor | 0 | 885 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C18_3 | factor | 0 | 842 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C19_3 | factor | 0 | 754 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C20_3 | factor | 0 | 710 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C16_group | factor | 0 | 22 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C17_group | factor | 0 | 22 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C18_group | factor | 0 | 22 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C19_group | factor | 0 | 22 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C20_group | factor | 0 | 22 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C1-20_group | factor | 0 | 210321 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC1-20 | factor | 0 | 2489 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P16_1 | factor | 0 | 16 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P17_1 | factor | 0 | 14 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P18_1 | factor | 0 | 14 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P19_1 | factor | 0 | 17 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P20_1 | factor | 0 | 15 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P16_2 | factor | 0 | 35 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P17_2 | factor | 0 | 30 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P18_2 | factor | 0 | 30 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P19_2 | factor | 0 | 30 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P20_2 | factor | 0 | 31 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P16_3 | factor | 0 | 24 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P17_3 | factor | 0 | 24 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P18_3 | factor | 0 | 26 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P19_3 | factor | 0 | 24 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| P20_3 | factor | 0 | 24 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| POAC16_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 0 |
| POAC17_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 0 |
| POAC18_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 0 |
| POAC19_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 0 |
| POAC20_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 0 |
| C16_clust | factor | 0 | 9 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C17_clust | factor | 0 | 10 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C18_clust | factor | 0 | 8 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C19_clust | factor | 0 | 9 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| C20_clust | factor | 0 | 10 | NA | NA | NA | NA | FALSE | FALSE | 0 |
| REGFIN | factor | 76 | 56 | NA | NA | NA | NA | FALSE | TRUE | 0 |
| PROCED | factor | 57185 | 10 | NA | NA | NA | NA | FALSE | TRUE | 0 |
| PAIS_NAC | factor | 284265 | 145 | NA | NA | NA | NA | FALSE | TRUE | 0 |
| TIP_CIP | factor | 286139 | 4 | NA | NA | NA | NA | FALSE | TRUE | 0 |
| COD_POSTAL | factor | 459926 | 735 | NA | NA | NA | NA | FALSE | TRUE | 0 |
| SEMGEST | numeric | 490173 | NA | 37.902 | 3.826 | 1.000 | 82.000 | FALSE | FALSE | 0 |
| TIMEINTINT | numeric | 502046 | NA | 0.015 | 0.044 | 0.000 | 1.496 | FALSE | FALSE | 0 |
| TIMETRAS4ING | numeric | 515779 | NA | 0.052 | 0.071 | -0.002 | 0.989 | FALSE | FALSE | 0 |
| TIMETRAS5ING | numeric | 518334 | NA | 0.087 | 0.100 | -0.002 | 0.973 | FALSE | FALSE | 0 |
| TIMETRAS6ING | numeric | 519068 | NA | 0.116 | 0.124 | -0.001 | 0.976 | FALSE | FALSE | 0 |
| Prioridad 1 | ||||||||||
| C11_group | factor | 0 | 22 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| C12_group | factor | 0 | 22 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| C13_group | factor | 0 | 22 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| C14_group | factor | 0 | 22 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| C15_group | factor | 0 | 22 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P11_1 | factor | 0 | 16 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P12_1 | factor | 0 | 16 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P13_1 | factor | 0 | 15 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P14_1 | factor | 0 | 16 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P15_1 | factor | 0 | 15 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P11_2 | factor | 0 | 34 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P12_2 | factor | 0 | 33 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P13_2 | factor | 0 | 33 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P14_2 | factor | 0 | 34 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P15_2 | factor | 0 | 32 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P11_3 | factor | 0 | 31 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P12_3 | factor | 0 | 31 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P13_3 | factor | 0 | 31 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P14_3 | factor | 0 | 29 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| P15_3 | factor | 0 | 28 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| POAC11_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 1 |
| POAC12_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 1 |
| POAC13_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 1 |
| POAC14_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 1 |
| POAC15_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 1 |
| C11_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| C12_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| C13_clust | factor | 0 | 10 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| C14_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| C15_clust | factor | 0 | 10 | NA | NA | NA | NA | FALSE | FALSE | 1 |
| TIMEINTING | numeric | 343645 | NA | 0.003 | 0.012 | -0.951 | 1.295 | FALSE | FALSE | 1 |
| TIMETRAS1ING | numeric | 435155 | NA | 0.007 | 0.018 | -0.003 | 0.765 | FALSE | FALSE | 1 |
| TIMETRAS2ING | numeric | 472907 | NA | 0.011 | 0.026 | -0.003 | 0.767 | FALSE | FALSE | 1 |
| TIMETRAS3ING | numeric | 510962 | NA | 0.035 | 0.053 | -0.003 | 0.975 | FALSE | FALSE | 1 |
| Prioridad 2 | ||||||||||
| C5_group | factor | 0 | 22 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| C6_group | factor | 0 | 22 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| C7_group | factor | 0 | 22 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| C8_group | factor | 0 | 22 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| C9_group | factor | 0 | 22 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| C10_group | factor | 0 | 22 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| C1-20_group_once | factor | 0 | 39865 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| POAC1-20_once | factor | 0 | 26 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| M1_group | factor | 0 | 50 | NA | NA | NA | NA | FALSE | TRUE | 2 |
| M2_group | factor | 0 | 49 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| M3_group | factor | 0 | 41 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| M4_group | factor | 0 | 31 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| M5_group | factor | 0 | 23 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| M6_group | factor | 0 | 16 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| M7_group | factor | 0 | 17 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P5_1 | factor | 0 | 19 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P6_1 | factor | 0 | 17 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P7_1 | factor | 0 | 18 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P8_1 | factor | 0 | 17 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P9_1 | factor | 0 | 17 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P10_1 | factor | 0 | 19 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P5_2 | factor | 0 | 35 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P6_2 | factor | 0 | 35 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P7_2 | factor | 0 | 35 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P8_2 | factor | 0 | 35 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P9_2 | factor | 0 | 35 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P10_2 | factor | 0 | 35 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P5_3 | factor | 0 | 34 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P6_3 | factor | 0 | 33 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P7_3 | factor | 0 | 33 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P8_3 | factor | 0 | 32 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P9_3 | factor | 0 | 33 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| P10_3 | factor | 0 | 32 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| POAC5_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| POAC6_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| POAC7_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| POAC8_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| POAC9_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| POAC10_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 2 |
| C5_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| C6_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| C7_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| C8_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| C9_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| C10_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| M5_last | factor | 519807 | 7 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| M6_last | factor | 519884 | 4 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| M7_last | factor | 519922 | 5 | NA | NA | NA | NA | FALSE | FALSE | 2 |
| Prioridad 3 | ||||||||||
| SEXO | factor | 0 | 3 | NA | NA | NA | NA | FALSE | TRUE | 3 |
| TIPING | factor | 0 | 3 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| FECING_YEAR | factor | 0 | 2 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| FECING_MONTH | factor | 0 | 12 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| FECING_WEEKDAY | factor | 0 | 7 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| FECING_HOUR | factor | 0 | 24 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| FECALT_MONTH | factor | 0 | 12 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| FECALT_WEEKDAY | factor | 0 | 7 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| FECALT_HOUR | factor | 0 | 24 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| FECURG_BIN | factor | 0 | 2 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| FECINT_BIN | factor | 0 | 2 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| FECINT2_BIN | factor | 0 | 2 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| FECPART_BIN | factor | 0 | 2 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| C1_group | factor | 0 | 21 | NA | NA | NA | NA | FALSE | TRUE | 3 |
| C2_group | factor | 0 | 22 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| C3_group | factor | 0 | 22 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| C4_group | factor | 0 | 22 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| rel_C1-20_POAC1-20 | factor | 0 | 2 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| P1_1 | factor | 0 | 19 | NA | NA | NA | NA | FALSE | TRUE | 3 |
| P2_1 | factor | 0 | 18 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| P3_1 | factor | 0 | 18 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| P4_1 | factor | 0 | 18 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| P1_2 | factor | 0 | 35 | NA | NA | NA | NA | FALSE | TRUE | 3 |
| P2_2 | factor | 0 | 35 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| P3_2 | factor | 0 | 35 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| P4_2 | factor | 0 | 35 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| P1_3 | factor | 0 | 34 | NA | NA | NA | NA | FALSE | TRUE | 3 |
| P2_3 | factor | 0 | 34 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| P3_3 | factor | 0 | 34 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| P4_3 | factor | 0 | 34 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| rel_C1-20_P1-20 | factor | 0 | 2 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| REINGRESADO | factor | 0 | 2 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| TIP_CIP_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| PAIS_NAC_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| REGFIN_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| PROCED_recat | factor | 0 | 4 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| SERVING_recat | factor | 0 | 20 | NA | NA | NA | NA | FALSE | TRUE | 3 |
| SERVALT_recat | factor | 0 | 19 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| POAC1_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| POAC2_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| POAC3_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| POAC4_recat | factor | 0 | 3 | NA | NA | NA | NA | TRUE | FALSE | 3 |
| SEMGEST_recat | factor | 0 | 19 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| CENTRO_recat | factor | 0 | 6 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| HOSPROC_BIN | factor | 0 | 2 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| HOSPDEST_BIN | factor | 0 | 2 | NA | NA | NA | NA | TRUE | TRUE | 3 |
| C1_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | TRUE | 3 |
| C2_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| C3_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| C4_clust | factor | 0 | 11 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| M1_last | factor | 435301 | 7 | NA | NA | NA | NA | FALSE | TRUE | 3 |
| M2_last | factor | 497081 | 7 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| M3_last | factor | 517795 | 7 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| M4_last | factor | 519512 | 7 | NA | NA | NA | NA | FALSE | FALSE | 3 |
| EDADING | numeric | 0 | NA | 56.228 | 26.270 | 0.000 | 116.194 | TRUE | TRUE | 3 |
| INT1-2_n | numeric | 0 | NA | 0.374 | 0.550 | 0.000 | 2.000 | TRUE | FALSE | 3 |
| C1-20_group_n | numeric | 0 | NA | 6.951 | 5.093 | 1.000 | 20.000 | TRUE | FALSE | 3 |
| C1-20_group_once_n | numeric | 0 | NA | 4.010 | 2.525 | 1.000 | 15.000 | TRUE | FALSE | 3 |
| C1_3_freq | numeric | 0 | NA | 0.007 | 0.008 | 0.000 | 0.030 | TRUE | TRUE | 3 |
| C2-20_3_freq | numeric | 0 | NA | 0.062 | 0.062 | 0.000 | 0.370 | TRUE | FALSE | 3 |
| POAC1-20_n | numeric | 0 | NA | 6.938 | 5.071 | 0.000 | 20.000 | TRUE | FALSE | 3 |
| POAC1-20_once_n | numeric | 0 | NA | 1.685 | 0.664 | 0.000 | 5.000 | TRUE | FALSE | 3 |
| M1-7_n | numeric | 0 | NA | 0.212 | 0.528 | 0.000 | 7.000 | TRUE | FALSE | 3 |
| P1-20_n | numeric | 0 | NA | 2.914 | 2.486 | 0.000 | 20.000 | TRUE | FALSE | 3 |
| P1-6_EXT_n | numeric | 0 | NA | 0.001 | 0.036 | 0.000 | 6.000 | TRUE | FALSE | 3 |
| SERVTRAS1-8_n | numeric | 0 | NA | 0.285 | 0.751 | 0.000 | 8.000 | TRUE | FALSE | 3 |
| C1_3_indeg | numeric | 1 | NA | 336.705 | 242.797 | 0.000 | 1122.000 | FALSE | TRUE | 3 |
| C1_3_outdeg | numeric | 1 | NA | 535.928 | 287.300 | 0.000 | 1089.000 | FALSE | TRUE | 3 |
| C1_3_close | numeric | 1 | NA | 0.088 | 0.001 | 0.001 | 0.095 | FALSE | TRUE | 3 |
| C1_3_betwe | numeric | 1 | NA | 0.003 | 0.003 | 0.000 | 0.010 | FALSE | TRUE | 3 |
| M1-7_last_avg | numeric | 435091 | NA | 2.877 | 1.626 | 0.000 | 9.000 | FALSE | FALSE | 3 |
| M1-7_last_mean | numeric | 435091 | NA | 2.798 | 1.533 | 0.000 | 9.000 | FALSE | FALSE | 3 |
La columna ready del análisis de variables es FALSE tanto si la variable presenta datos missing, como si presenta más de 25 categorías o alguna de sus categorías aparece menos veces que número de columnas tienen los datos. Siempre que alguna de las variables que vamos a meter en el modelo aparezca como FALSE en ready deberá ser tratada, antes de incorporarla a la sesión de entrenamiento.
Hemos definido una serie de tratamientos para cada caso, de forma que emplearemos uno u otro en función de la variable que estemos tratando.
Para rellenar aquellos valores que traían un valor erróneo o que directamente no traían valor hemos definido los siguientes procesos:
Categoría nueva o valor lógico: Asociar a los missings una categória nueva, o un valor que tenga lógica para la variable. Esto será frecuente ya que muchas variables no presentan el dato porque durante el proceso el paciente no ha pasado por la etapa cuya información recoge dicha variable.
Inputación mediante media categórica aleatorizada: En variables numéricas, podemos mirar una variable categórica, escoger la categoría a la que pertenece el dato missing de nuestra variable numérica, ver la media y la desviación típica de la variable numérica entre los pacientes de esa categoría que si presentan el dato, y asociar al dato missing un valor procedente de una distribución normal con la media y desviación típica encontradas.
Inputación de categoría más frecuente aleatorizada: En variables categóricas podemos realizar un proceso similar al definido para las numéricas, pero empleando una distribución que se corresponda con la distribución de frecuencias de las categorías de la variable que queremos imputar.
Muchas variables presentan un número excesivo de categorías o algunas categorías con muy poca representación, ambos casos derivan en problemas relacionados con que la muestra de entrenamiento no sea representativa de la de test, que el modelo pueda sobreajustarse debido al reducido número de casos de alguna categoría o que no haya memoria suficiente en el ordenador para tratar el número de dummies generadas. Para evitar estos casos recurriremos a:
Agrupar categorías: Categorías poco representadas pueden agruparse en categorías nuevas, que acumulen esos casos raros y estén más representadas.
Reemplazar por frecuencia: Cuando tenemos un número muy elevado de categorías, existe la posibilidad de reemplazarlas por su frecuencia (esto ya lo hemos hecho para algunas variables), es un recurso cuyo uso esta más o menos extendido y se ha comprobado que da buenos resultados.
Aparte de las manipulaciones comentadas que están dirigidas a mejorar la calidad de las variables, también probaremos otras transformaciones tratando de magnificar la información que las variables aportan al modelo.
Transformaciones funcionales: Con las variables numéricas, a veces empleando funciones analíticas (logaritmo, potencia, etc.) podemos aumentar la información aportada por la variable. Dado que estas transformaciones son infinitas y no hemos realizado un estudio sobre cuales puedan funcionar mejor, las pruebas se han realizado de forma intuitiva.
Manipulación de las observaciones: El problema al que nos hemos enfrentado implica discriminar entre categorías cuya representación aparece desbalanceada, es decir, una de las categorías está ampliamente sobrerrepresentada frente a la otra (o las otras). Para paliar la tendencia del modelo a predecir las observaciones como la categoría más representada hemos trabajado en las métricas de ajuste y hemos manipulado el punto de corte en predicciones probabilísticas, pero también hemos probado a emplear técnicas como el undersampling que no es más que la eliminación de observaciones de la clase más representada, el oversampling que consiste en replicar observaciones de la clase menos representada, técnicas que combinan ambos procedimientos y técnicas que consisten en generar observaciones sintéticas similares a las de la categoría poco representada, que en general están basadas en esta investigación.
En problemas con las clases desbalaceadas, casi conviene definir una fórmula propia de tratamiento de las métricas ya que un modelo que predijera únicamente la clase mayoritaria (que equivaldría al procedimiento actual) alcanzaría una precisión muy elevada (~93% en nuestro caso). Por ello hemos manejado métricas como:
AUC (Área bajo la curva ROC): Es una métrica en la que la sensibilidad del modelo se hace depender de la tasa de falsos positivos, variando el punto de corte se miden ambas y se representa la curva.
\[ AUC = \int_0^1 sens(1-spec)\\ sens = sensibilidad = \frac{verdaderos\ positivos}{positivos\ reales}\\ spec = especificidad = \frac{verdaderos\ negativos}{negativos\ reales} \]
Kappa: Es una métríca que sirve para hacerse una idea de la probabilidad de que la concorcancia entre dos predictores (en nuestro caso el modelo y la realidad) se deba al azar. Se calcula:
\[ \kappa = \frac{P(a) - P(e)}{1-P(e)}\\ P(a) = Grado\ de\ concordancia = \frac{Verdaderos}{nº\ observaciones}\\ P(e) = Probabilidad\ de\ concordancia = \frac{PP \cdot PR + NP \cdot NR}{nº\ observaciones^2}\\ PP = Positivos\ predichos\ \ \ PR= Positivos\ reales\\ NP = Negativos\ predichos\ \ \ NR= Negativos\ reales \] La magnitud es poco indicativa de la calidad del modelo, pero su comportamiento si permite seleccionar el mejor punto de corte, siendo el punto con mejor kappa aquel donde hay la menor cantidad de predicciones que pudieran darse de forma puramente aleatoria.
Estos modelos han contado con todas las variables de prioridad 3. El procedimiento de modelado ha estado basado en la metodología de prueba y error, de manera que tratábamos de ir subsanando los errores que nos iban apareciendo sobre la marcha, y a la vez ir mejorando la capacidad predictiva del modelo.
En primera estancia tratamos de manipular sútilmente las variables, así si agrupábamos categorías, lo hicimos con aquellas que presentaban menos de 500 ocurrencias (~0.1% de las observaciones):
Neoplasias (M): Estas variables presentaban NAs que imputamos con ceros y las transformamos a numéricas, ya que las categorías si se ordenaban en cuanto a gravedad según el valor numérico asignado.
Sexo: La categoría representada con el número 3 estaba infrarrepresentada, así que la imputamos mediante la categoría más frecuente aleatorizada asociada al grupo del diagnóstico principal.
Diagnóstico principal (C1_group): La categoría g19 estaba infrarrepresentada y la imputamos mediante la categoría más frecuente aleatorizada asociada a la edad.
Procedimientos (P): En principio agrupamos las categorías menos representadas, y en los casos en que persistía el desbalanceo y se había reducido el número de categorías las pasamos a binario o mantuvimos únicamente 3 categorías.
Servicios (SERV): Agrupamos las categorías que aparecían poco representadas.
Semanas de gestación (SEMGEST): La convertimos a binaria, ya que había un elevadísimo porcentaje de NAs.
Clústeres diagnósticos (CX_clust): Agrupamos las categorías poco representadas.
Finalmente hicimos la división en Train y Test (para que los datos fueran comunes a todos los modelos) cuidando que toda la información sobre un paciente permaneciera en un único set y separamos entre variables disponibles al ingreso, y variables disponibles al alta, para que cada conjunto se adecuase al momento de predicción del modelo.
| model_id | auc | logloss | mean_per_class_error | rmse | mse |
|---|---|---|---|---|---|
| StackedEnsemble_AllModels_AutoML_20190914_105807 | 0.799 | 0.226 | 0.324 | 0.248 | 0.062 |
| XGBoost_1_AutoML_20190914_105807 | 0.798 | 0.219 | 0.330 | 0.246 | 0.061 |
| StackedEnsemble_BestOfFamily_AutoML_20190914_105807 | 0.798 | 0.226 | 0.330 | 0.248 | 0.062 |
| XGBoost_2_AutoML_20190914_105807 | 0.796 | 0.220 | 0.333 | 0.247 | 0.061 |
Donde vemos que únicamente aparecen dos modelos de XGBoost y dos ensamblados, siendo el mejor un ensamblado de todos los modelos. Los valores de AUC son bastante buenos para todos ellos (~ 0.8) y en general tienen buena pinta. Si representamos la curva ROC y la matriz de confusión para los datos test:
Como vemos la dificultad se presenta claramente a la hora de identificar reingresos, el modelo muestra una precisión del 80.42% en el set de test con una proporción de reingresos acertados del 52.44% entre los reingresos reales y del 18.20% entre los predichos, por su parte, de los no reingresos acierta un 82.50% de los reales y un 95.90% de los que predice. Estas son cifras bastante satisfactorias para tratarse de un modelo construido sin apenas esfuerzo, y de ahora en adelante trataremos de mejorarlas.
El primer modelo que elaboramos fue un Random Forest, dada su velocidad de implementación. Para ello nos valimos del paquete ranger de R y obtuvimos las siguientes curvas ROC:
No parecía existir sobreajuste dada la proximidad entre las curvas pero si sugerían que debía existir alguna fórmula para extraer más información de los datos. Eligiendo como punto de corte aquel asociado a un mayor Kappa (en test), nos quedaron los siguientes resultados:
Presentando un 85.89% de precisión acertando el 20.95% de los reingresos que se predecían, el 37.77% de los totales y el 89.42% de los no reingresos que se predecían, el 85.85% de los totales. Luego es un modelo mejor prediciendo reingresos que el H2O (acierta más de los que dice) y es peor prediciendo no reingresos, la precisión global es mejor, pero el porcentaje de reingresos acertados sobre los totales empeora. Nuestro objetivo es mejorar el procentaje de reingresos acertados entre los predichos, pero mejorar también el porcentaje entre los totales.
Aunque los resultados eran similares a los obtenidos con H2O, nos preocupaba el sobreajuste, así que decidimos manipular los datos de una forma más agresiva.
En este caso buscamos que esta predicción sea lo más prematura posible, para ello se han seleccionado las variables que se consideran disponibles al ingreso del paciente. Las variables con las que trabajaremos son:
Para esta primera etapa hemos decidido iniciar la modelización ejecutando un ranger, incluyendo todas las variables antes citadas, con la finalidad de obtener una primera foto del comportamiento de nuestros datos, la importancia de las variables y el poder predictivo del modelo. Hemos generado la matriz de confusión, donde se observa que el modelo acierta 116 pacientes fallecidos y falla unos 6622, representando un acierto del 0.15% en la predicción de fallecimiento de los pacientes.
Como podemos observar, los resultados obtenidos con este primer modelo no son buenos. Pero sirven como punto de partida. Estudiando la importancia de las variables del modelo, se realizó una primera selección de variables sobre la cual se generaron una serie de modelos predictivos (regresión logística y xgboost, entre otros) con sus parámetros por defecto.
Los resultados obtenidos en esta primera fase de modelización no fueron muy distintos a los del primer ranger, por lo cual se realizó una reevaluación de los datos, dado que que las clases de la variable objetivo estaban bastante desbalanceadas, con sólo un 4% de los pacientes que fallecen. Consideramos necesario incorporar alguna técnica de balanceo de clases a nuestro dataset y ser más agresivos en la agrupación de categorías.
En esta etapa se mantuvo el tratamiento de la versión anterior sobre la mayoría de las variables, agrupando en este caso las categorías con menos de 26000 observaciones (~ 5% de los datos), salvo para las siguientes:
La nueva situación de los datos los hace más manejables, así que sobre estos hemos desarrollado la mayor parte de los modelos
De nuevo realizamos un Random Forest pero en este caso decidimos probar las técnicas de undersampling y oversampling que facilita el paquete ROSE obteniendo las siguientes curvas ROC para los conjuntos train y test, siendo el conjunto train el que manipulábamos.
Como se puede ver hay varios métodos que implican sobreajuste, en general aquellos basados en la repetición de observaciones de la clase desbalanceada. La mejora de los resultados obtenidos empleando estos métodos sobre la muestra test tampoco es significativa, sin embargo, si es llamativo que las tecnicas que implican undersampling y por lo tanto reducen el número de observaciones (hasta un -80%) no implican perdida de información, mientras que si reducen notablemente los tiempos de ejecución, por lo que si resultaron de utilidad.
El modelo realizado con los datos sin manipular devolvió las siguientes métricas.
Con un accuracy del 83.6% acertando un 19.97% de reingresos entre los predichos y un 45.66% entre los reales y un 95.54% de entre los no reingresos predichos y un 86.41% entre los reales. Aunque la precisión sea inferior a la de los modelos anteriores ya que acierta más de entre aquellos que predice y se aproxima al porcentaje de reingresos acertados entre los reales del modelo realizado con H20, moviéndonos ya en el entorno del 50% de acierto, lo que para un fenómeno que solo se da entre el 10% de la población es una tasa de acierto notable.
En este caso de XGBoost se tunearon algunos parámetros como la reducción del tamaño del paso (eta) para evitar el sobreajuste, la profundidad máxima de un árbol (max_depth), el valor de min_child_weight (que a más alto, más conservador será el algoritmo), la proporción de la muestra (subsample), el número de árboles de decisión para el modelo final (nrounds). El resultado del tuneo nos llevó a los parámetros:
Con el modelo optimizado generamos la siguiente gráfica, en la que tenemos la evolución de la tasa de verdaderos positivos, la tasa de verdaderos negativos y el parámetro Kappa en función del punto de corte.
En este caso de XGBoost se realizaron transformaciones cuadráticas para las variables continuas y se tunearon los parámetros de nuevo. El resultado del tuneo nos llevó a los parámetros:
Selección del mejor punto de corte con datos test:
En este caso de XGBoost se realizaron transformaciones logarítmicas para las variables continuas y se tunearon los parámetros de nuevo. El resultado del tuneo nos llevó a los parámetros:
Selección del mejor punto de corte con datos test:
En este caso de Regresión Logística se realizó una nueva selección de variables, tratamiento del dataset con undersampling y tratamiento de las variables con vtreat.
Selección del mejor punto de corte con datos test:
En este caso de Gradient Boosting Machine se realizó una nueva selección de variables, tratamiento del dataset con undersampling y tratamiento de las variables con vtreat.
Selección del mejor punto de corte con datos test:
En este caso de XGBoost se realizó una nueva selección de variables, tratamiento del dataset con undersampling, tratamiento de las variables con vtreat, transformaciones logarítmicas de las variables continuas y tuneo del parámetro referente al número de árboles (nrounds) en el que se obtuvo que el mejor valor era 2500.
Selección del mejor punto de corte con datos test:
En este caso de XGBoost se realizó una nueva selección de variables, tratamiento del dataset con undersampling, tratamiento de las variables con vtreat y transformaciones logarítmicas de las variables continuas.
Selección del mejor punto de corte con datos test:
El modelo de ensamblado se ha realizado a partir de los 3 mejores modelos obtenidos anteriormente que son los modelos número 5, 6 y 7.
Selección del mejor punto de corte con datos test:
Para el ensamblado probamos con dos puntos de corte distintos, uno que maximice el parámetro Kappa y otro que maximice la sensitividad/especificidad.
Con el punto de corte óptimo 0.49, para máximo Kappa generamos la matriz de confusión:
Con el punto de corte óptimo 0.33, para el valor máximo de Sensitividad/Especificidad generamos la matriz de confusión:
Por lo tanto, parece funcionar mucho mejor con el segundo punto de corte.
Llegado este punto tratamos de innovar un poco empleando un paquete llamado catboost que ha salido muy recientemente y que consiste en un modelo de gradient boosting dopado para casos en los que muchas de nuestras variables son categóricas. El modelo lo hemos desarrollado en Python y es una adaptación del tutorial seguido por Anna Veronika Dorogush durante el evento PyData de este año.
Con esta librería pudimos hacer validación cruzada, y ver como iban evolucionando las métricas, obteniendo los siguientes resultados:
Que nos sirvió para entender que este algoritmo tampoco iba a suponer una mejora sustantiva, y que si queríamos mejoras debíamos continuar tratando los datos.
Con los resultados de estos modelos generamos la siguiente tabla que se ha construido a partir de los costes medios indicado al comienzo del informe. Se ha comparado el coste derivado de predecir un falso negativo (coste de reingreso urgente más estancia media de reingreso) con el coste derivado de predecir un falso positivo (teniendo en cuenta una extensión media de 5 días en el tiempo de hospitalización).
Como podemos ver el modelo que genera el menor coste por errores de predicción es el modelo 6 (XGBoost con tuneado de hiperparámetros y undersampling).
En esta etapa probamos con oversampling y undersampling, obteniendo mejores resultados con la segunda opción. Obtuvimos una muestra con clases balanceadas 80-20 sobre nuestros datos iniciales.
A continuación, se repitió la ejecución del ranger con el nuevo conjunto de datos, obteniendo unas cifras mucho mejores a pesar de seguir sin llegar al 50% de aciertos de los fallecimientos, como se muestra en la matriz de confusión siguiente:
En esta revisión de los datos, también se cayó en la cuenta de que, al tener una cantidad tan alta de categorías dentro de nuestras variables categóricas (todas las usadas salvo dos de ellas), al pasar dichas a dummies, el número de variables era bastante alto para trabajar con fluidez. Así pues, se nos recomendó utilizar la librería vtreat, la cual primeramente agrupa las categorías menos representadas de las variables y partiendo de esto genera las variables dummies.
Viendo que en la primera etapa los modelos creados no tardaban mucho tiempo en ser construidos y además contando con el cambio del dataset proporcionado por vtreat, en esta segunda etapa se partió del dataset con todos los datos al ingreso. Se volvieron a probar varios tipos de algoritmos (Logística, Redes Neuronales, Random Forest, XGBoost y Gradient Boosting Machine) con parámetros por defecto. Una vez entrenados, nos quedamos con los tres que mejores resultados sacaron comparando el estadístico Accuracy, el estadístico Kappa y la matriz de confusión; que fueron: Random Forest, XGBoost y Gradient Boosting.
Para intentar mejorar aún más estos modelos, se tunearon parámetros en todos los casos.
Con caret se tunearon los parámetros shrinkage (parámetro v que mide la velocidad de ajuste), n.minobsinnode (tamaño máximo de nodos), n.trees (número de árboles) e interaction.depth (número de divisiones que tiene que realizar en un árbol). Con la finalidad de obtener resultados más robustos, se fijaron diferentes valores para estos parámetros. De esta manera, interaction.depth se fijó en 3 para tener árboles con 4 terminaciones (número de divisiones a partir de un solo nodo) lo cual evidencia que una estructura de árbol más compacta (profundidad de interacción ≈ 3) obtuvo un mejor resultado.
El resultado obtenido con GBM sugiere establecer primero un valor grande para el número de árboles, luego ajustar el parámetro shrinkage para lograr los mejores resultados. Específicamente, se prefirió un valor shrinkage de 0.1, un número de 2500 árboles y un n.minobsinnode igual a 20. De cierta manera, con n.trees mayor a 2500 se logró reducir el error en el train set aunque generó un ajuste excesivo de los datos.
También se pudo observar que a mayor shrinkage (mayor tasa de aprendizaje) proporcionó un menor accuracy, pero con mayores tasas de error. En cambio, a menor shrinkage (menor tasa de aprendizaje) proporcionó un accuracy mayor y menores tasas de error. En cuanto al n.minobsinnode (condición de parada) el valor óptimo es 20, pues se obtuvo un mayor accuracy.
Aplicamos GBM con validación cruzada, 5 iteraciones, y con el tuneo descrito anteriormente. A partir del modelo obtenido, se entrena con los datos test y se realiza un gráfico en el que se puede ver el punto de corte que maximiza tanto el Accuracy como la capacidad predictiva (kappa) del conjunto de variables seleccionado.
Así pues tenemos que 0.25 es el mejor punto de corte. Y con este punto de corte obtenemos la siguiente matriz de confusión junto con los estadísticos correspondientes.
En el caso de XGBoost se tunearon algunos parámetros como la reducción del tamaño del paso (eta) para evitar el sobreajuste, pues con un valor de 0.03 se logró reducir los pesos de las variables para hacer que el proceso boosting fuese más conservador. Con un max_depth (profundidad máxima de un árbol) mayor a 6 el modelo era más complejo y daba lugar a un sobreajuste. Por otro lado, cuanto mayor sea min_child_weight, más conservador será el algoritmo por lo cual se le asignó un valor igual a 5. En cuanto a la proporción de la muestra (subsample) en un principio se estableció en 1, lo cual significa que XGBoost realizó un muestreo al azar sobre el total de los datos de entrenamiento. Además, el número de árboles de decisión para el modelo final (nrounds) se estableció en 500, en un principio, pero al aumentarlo a 1000 se obtuvo un mejor accuracy y la capacidad predictiva del modelo fue mucho mayor.
En este caso es 0.23 es el punto de corte. Por lo tanto, con este punto de corte obtenemos la siguiente matriz de confusión junto con los estadísticos correspondientes.
La cobinación de predicciones de múltiples modelos, funciona mejor si las predicciones de los submodelos no están correlacionadas o, en el mejor de los casos, están débilmente correlacionadas. El algoritmo de random forest hace que las predicciones resultantes de todos los subárboles tengan menos correlación. Para Random Forest también se realizó el tuneo con validación cruzada simple, por el costo computacional. Se varió el número de mtry con que va a iterar el algoritmo, pues al formar cada división en un árbol, se seleccionan aleatoriamente variables del conjunto de predictores disponibles. Por lo tanto, al formar cada división, se selecciona un conjunto aleatorio diferente de variables dentro del cual se elige el mejor punto de división. En nuestro caso, la primera división se realiza con 10 variables predictoras, luego 20 y así sucesivamente hasta tomarlas todas.
Se observa que el mejor accuracy se obtuvo con 10 nodos, 100 árboles y 20 de variables predictoras.
De nuevo se realiza el gráfico en el que se puede ver el punto de corte que maximiza tanto el Accuracy como la capacidad predictiva (kappa) del conjunto de variables seleccionado.
En este caso es 0.31 es el punto de corte. Por lo tanto, con este punto de corte obtenemos la siguiente matriz de confusión junto con los estadísticos correspondientes.
Finalmente, se realizó un ensamblado con la finalidad de combinar los modelos anteriores para producir un modelo predictivo óptimo. Anteriormente, se ha visto que XGBoost resultó ser el mejor algoritmo, en cuanto a su performance y en comparación con el modelo de Gradient Boosting Machine. Después de someter cada modelo al proceso de validación cruzada, se obtuvieron las predicciones correspondientes a cada uno (Yes) y a partir de estos resultados se crearon diferentes ensamblados. Ahora bien, en total se crearon cuatro ensamblados diferentes uniendo los modelos de dos en dos y los tres ganadores, teniendo en cuenta las predicciones obtenidas de cada modelo individual (Yes). Luego se calculó la matriz de confusión con el fin de tener en cuenta los tipos de predicciones correctas e incorrectas que ha realizado el clasificador.
Se puede concluir que el modelo de Random Forest y el ensamblado número 2 dan mejores resultados en comparación a los demás, tomando en cuenta el Accuracy y la capacidad predictiva (Kappa). Sin embargo, el modelo de Random Forest (accuracy = 0.8139) resulta ser una buena estrategia para mejorar el performance y capacidad predictiva en comparación con el modelo de ensamblado 2, que incluye Gradient Boosting y Random Forest (accuracy = 0.8072).
De cara a una futura puesta en produción de los modelos, y a modo de muestra, tratamos de servir uno de los modelos (el realizado con catboost para reingresos) mediante una API, habilitando un contenedor Docker que la contuviese. De esta forma los modelos estarían levantados en contenedores cada uno con una API asociada y la aplicación que desarrolláramos en Shiny lanzaría peticiones a estas APIs, recogiendo los resultados necesarios para el cuadro de mando. Así futuros análisis u otras aplicaciones podrían valerse de nuestros datos lanzando peticiones directamente a las APIs, igual que hacemos nosotros.
A work by:
paula.sanz@gmail.com
jramirezneira@gmail.com
santibreo@gmail.com
jmontegonz@gmail.com
antonionardi231@gmail.com
vanessav@gmail.com