🏥 Problema: Analiza și predicția stării pacientului

Pentru această problemă trebuie să implementați un model de învățare automată pentru a prezice valoarea câmpului Status utilizând un set de date disponibil, care conține informații despre pacienți. Setul de date este organizat într-un fișier CSV care include diverse trăsături (features), iar evaluarea modelului se va face pe baza preciziei pentru clasa Dead.

📊 Setul de date

Setul de date conține următoarele câmpuri:

• Age: Vârsta pacientului.
• Race: Rasa pacientului (ex: White, Other).
• Marital Status: Starea civilă a pacientului.
• T Stage: Stadiul tumorii (T1, T2, T3, T4).
• N Stage: Gradul de afectare a ganglionilor limfatici.
• 6th Stage: Stadiul cancerului conform clasificării TNM a celei de-a 6-a ediții.
• differentiate: Gradul de diferențiere tumorală.
• Grade: Gradul histologic al tumorii (1, 2, 3 etc.).
• A Stage: Clasificarea stadiului bolii.
• Tumor Size: Dimensiunea tumorii.
• BMI: Indicele de masă corporală.
• Heart Rate: Ritmul cardiac.
• Serum Creatinine: Nivelul seric de creatinină.
• Uric Acid: Nivelul acidului uric.
• Hemoglobin: Concentrația hemoglobinei.
• GFR (Glomerular Filtration Rate): Rata de filtrare glomerulară.
• Serum Sodium: Concentrația de sodiu seric.
• Serum Potassium: Concentrația de potasiu seric.
• Serum Albumin: Nivelul albuminei serice.
• Lactate: Concentrația lactatului.
• Status: Starea pacientului („Dead” sau „Alive”) – câmpul țintă.

📝 Task-uri

Pentru primele subtasks, va trebui să încărcați setul de date și să efectuați analize statistice pe test.csv.

Subtask 1 (10 puncte)

Clasificați funcția renală pentru fiecare pacient din setul de testare pe baza valorii GFR:

• Normal dacă GFR >= 90
• Mildly Decreased dacă 60 <= GFR < 90

Subtask 2 (10 puncte)

Calculați cuartilele valorilor din coloana Serum Creatinine (Q1, Q2, Q3) pentru setul de date de antrenare și clasificați pacienții din setul de date de testare în functie de următoarele:

• Very Low dacă Serum Creatinine <= Q1
• Low dacă Q1 < Serum Creatinine <= Q2
• High dacă Q2 < Serum Creatinine <= Q3
• Very High dacă Serum Creatinine > Q3

Subtask 3 (10 puncte)

Determinarea valorii BMI astfel:

1. Calculăm valoarea pentru mediana acestei coloane pentru datele din setul de antrenare.
2. Pentru pacienții din setul de testare, considerăm că avem:

• 1 dacă BMI > mediana din train
• 0 dacă BMI <= mediana

Subtask 4 (10 puncte)

Numărul de pacienți din train care se află în același T Stage ca pacientul din test.

Subtask 5 (60 puncte)

Construiți un model de ML pentru a prezice Status (Dead sau Alive) în funcție de trăsături. Evaluarea se face pe baza preciziei pentru clasa Dead.

🧮 Evaluare

Metrica de evaluare este precizia pentru clasa Dead:

Scorul este acordat în funcție de valoarea precision (weighted) obținută de model:

unde:

• TP = numărul de pacienți corect prezis Dead
• FP = numărul de pacienți prezis Dead incorect

📌 Note

• Câmpul țintă este Status.
• Unele câmpuri pot conține valori lipsă (NaN) și trebuie tratate.
• Se recomandă analiza corelației dintre variabile și variabila țintă.
• Detectați și eliminați valori extreme dacă afectează performanța modelului.
• Trimiterea unui sample_output pentru testare locală oferă 5 puncte.

📄 Formatul fișierului de submisie

Fișierul submission.csv trebuie să conțină rezultatele tuturor celor 5 subtasks pentru fiecare rând din setul test.
Fiecare rând din test generează 5 linii în fișier, câte una pentru fiecare subtask.

Structura fișierului:

subtaskID, datapointID, answer

Semnificația coloanelor:

• subtaskID - numărul subtask-ului (1–5).
• datapointID - ID-ul pacientului din test (dacă fișierul test nu are ID, se folosește indexul rândului).
• answer - rezultatul cerut de subtask:
  • Subtask 1: Normal / Mildly Decreased / Decreased
  • Subtask 2: Very Low / Low / High / Very High
  • Subtask 3: 0 sau 1
  • Subtask 4: număr întreg (count)
  • Subtask 5: 1 dacă modelul prezice Dead , 0 dacă prezice Alive

Exemplu pentru un singur pacient cu ID 3220:

subtaskID    datapointID    answer
1            3220           Normal
2            3220           Low
3            3220           0
4            3220           5
5            3220           1

🗂️ Resurse utile

• Starter Kit complet – conține un schelet de la care puteți porni rezolvarea problemei