Система за предсказване на диагнозата на Алцхаймер

🧠 Система за предсказване на диагноза Алцхаймер 🩺

Медицински институт желае да разработи автоматизирана система, която да помогне за
идентифициране на пациенти с риск от Алцхаймер, използвайки клинични,
демографски и поведенчески данни.

Получил си набор от данни с клинично оценени пациенти, а целта е да построиш
модел за бинарна класификация, който да може да предскаже диагнозата за нови пациенти.

На твое разположение са поставени следните файлове:

• train.csv – исторически данни за пациенти, които съдържат диагнозата
• test.csv – данни за нови пациенти, без диагноза

Основна цел: предсказване на вероятността пациент да бъде диагностициран с Алцхаймер
(стойност между 0 и 1, където 0 = здрав пациент, 1 = пациент с Алцхаймер).

📊 Набор от данни

Всеки ред представлява пациент и съдържа следните атрибути:

🔑 Идентификация

• PatientID – уникален идентификатор на пациента

👤 Демографски данни

• Age – възраст на пациента
• Gender – пол (0 = женски, 1 = мъжки)
• Ethnicity – етническа принадлежност на пациента (стойности кодирани числено)
• EducationLevel – образователно ниво (кодирано числено)

🧬 Начин на живот и здраве

• BMI – индекс на телесна маса
• Smoking – пушач (1) / непушач (0)
• AlcoholConsumption – консумация на алкохол
• PhysicalActivity – ниво на физическа активност
• DietQuality – качество на диетата
• SleepQuality – качество на съня

🏥 Медицинска история

• FamilyHistoryAlzheimers – семейна история с Алцхаймер
• CardiovascularDisease – сърдечно-съдови заболявания
• Diabetes – диабет
• Depression – депресия
• HeadInjury – черепно-мозъчни травми
• Hypertension – хипертония
• SystolicBP, DiastolicBP – артериално налягане
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Когнитивни и функционални оценки

• MMSE – резултат от Mini-Mental State Examination
• FunctionalAssessment – функционална оценка
• ADL – ежедневни дейности

⚠️ Когнитивни и поведенчески симптоми

• MemoryComplaints
• BehavioralProblems
• Confusion
• Disorientation
• PersonalityChanges
• DifficultyCompletingTasks
• Forgetfulness

🎯 Целева етикета

• Diagnosis – само в train.csv
  • 1 = диагноза Алцхаймер
  • 0 = без Алцхаймер

Крайна цел: предскажи Diagnosis за редовете от test.csv.

📝 Задачи

Първите две подзадачи проверяват експлораторния анализ на данните.
Последната подзадача оценява производителността на модела за класификация.

Подзадача 1 (10 точки)

Изчисли за всеки пациент от test.csv колко пациенти има в обучителния набор (train.csv), които имат същата възраст като тази на пациента от тестовия набор.

Покажи в файла за предаване едно естествено число (според формата, представен по-долу).

Подзадача 2 (15 точки)

За всеки пациент от test.csv, определи процента на пациентите пушачи
(Smoking = 1) от обучителния набор (train.csv) които имат същата възраст
като съответния пациент.

Формула за изчисление за пациент с възраст v:

1(брой пациенти пушачи от train с Age = v) /2(общ брой пациенти от train с Age = v) * 100

Покажи в файла за предаване реално число между 0 и 100,
с максимум 2 десетични знака, за всеки пациент.

Ако в обучителния набор няма нито един пациент със съответната възраст,
показаната стойност ще бъде 0.

Подзадача 3 (75 точки)

Построй модел за класификация, който предсказва вероятността за диагноза Алцхаймер
(p ∈ [0,1]) за всеки пациент от test.csv.

Оценката се прави използвайки ROC Curve и AUC (Area Under the ROC Curve).

🧮 Оценяване

• AUC ≥ 0.90 → 75 точки
• AUC ≤ 0.70 → 0 точки
• Интервалът между тях: пропорционален резултат

Подзадачи 1–2 се оценяват точно (чрез сравнение).

📄 Формат на файла за предаване

Файлът submission.csv трябва да съдържа 3 реда за всеки пациент от test,
съответстващи на 3-те подзадачи.

Структура:

1subtaskID, datapointID, answer

където:

• subtaskID – 1, 2 или 3
• datapointID – стойността PatientID
• answer – зависи от подзадачата:
  • Подзадача 1: броят пациенти със същата възраст от обучителния набор (естествено число)
  • Подзадача 2: процентът пушачи, които имат същата възраст като пациента (реално число)
  • Подзадача 3: вероятността за Алцхаймер (реално число между 0 и 1)

Пример за PatientID = 4751:

1subtaskID,datapointID,answer21,4751,2332,4751,31.843,4751,0.873

📊 Метрика за оценяване: ROC AUC 📈

За Подзадача 3, оценяването се прави използвайки ROC AUC (Area Under the ROC Curve),
стандартна метрика за проблеми с бинарна класификация.

Интерпретация на резултата:

• ROC AUC = 1.0 🏆 → перфектен модел
• ROC AUC = 0.5 🎲 → случайна класификация
• ROC AUC > 0.5 📈 → колкото по-висок е резултатът, толкова по-добре моделът разделя класовете