Systém predikce diagnózy Alzheimerovy choroby

🧠 Systém predikce diagnózy Alzheimerovy choroby 🩺

Lékařský institut si přeje vyvinout automatizovaný systém, který by pomáhal při
identifikaci pacientů s rizikem Alzheimerovy choroby, pomocí klinických,
demografických a behaviorálních dat.

Obdržel jsi dataset s klinicky vyhodnocenými pacienty a cílem je vybudovat
model binární klasifikace, který by dokázal predikovat diagnózu pro nové pacienty.

K dispozici máš následující soubory:

• train.csv – historická data o pacientech, která obsahují diagnózu
• test.csv – data o nových pacientech, bez diagnózy

Hlavní cíl: predikce pravděpodobnosti, že bude u pacienta diagnostikována Alzheimerova choroba
(hodnota mezi 0 a 1, kde 0 = zdravý pacient, 1 = pacient s Alzheimerovou chorobou).

📊 Dataset

Každý řádek představuje pacienta a obsahuje následující atributy:

🔑 Identifikace

• PatientID – jedinečný identifikátor pacienta

👤 Demografická data

• Age – věk pacienta
• Gender – pohlaví (0 = ženské, 1 = mužské)
• Ethnicity – etnicita pacienta (numericky kódované hodnoty)
• EducationLevel – úroveň vzdělání (numericky kódováno)

🧬 Životní styl a zdraví

• BMI – index tělesné hmotnosti
• Smoking – kuřák (1) / nekuřák (0)
• AlcoholConsumption – konzumace alkoholu
• PhysicalActivity – úroveň fyzické aktivity
• DietQuality – kvalita stravy
• SleepQuality – kvalita spánku

🏥 Lékařská anamnéza

• FamilyHistoryAlzheimers – rodinná anamnéza Alzheimerovy choroby
• CardiovascularDisease – kardiovaskulární onemocnění
• Diabetes – diabetes
• Depression – deprese
• HeadInjury – poranění hlavy
• Hypertension – hypertenze
• SystolicBP, DiastolicBP – krevní tlak
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Kognitivní a funkční hodnocení

• MMSE – skóre Mini-Mental State Examination
• FunctionalAssessment – funkční hodnocení
• ADL – aktivity denního života

⚠️ Kognitivní a behaviorální symptomy

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

🎯 Cílový štítek

• Diagnosis – pouze v train.csv
  • 1 = diagnóza Alzheimerovy choroby
  • 0 = bez Alzheimerovy choroby

Konečný cíl: predikuj Diagnosis pro řádky v test.csv.

📝 Úkoly

První dva podúkoly ověřují explorativní analýzu dat.
Poslední podúkol hodnotí výkon klasifikačního modelu.

Podúkol 1 (10 bodů)

Vypočítej pro každého pacienta z test.csv, kolik pacientů je v trénovací množině (train.csv), kteří mají stejný věk jako pacient z testovací množiny.

Zobraz v souboru pro odevzdání přirozené číslo (podle formátu uvedeného níže).

Podúkol 2 (15 bodů)

Pro každého pacienta z test.csv urči procento kuřáků
(Smoking = 1) z trénovací množiny (train.csv) kteří mají stejný věk
jako příslušný pacient.

Vzorec pro výpočet pro pacienta s věkem v:

1(počet kuřáků z train s Age = v) /2(celkový počet pacientů z train s Age = v) * 100

Zobraz v souboru pro odevzdání reálné číslo mezi 0 a 100,
s maximálně 2 desetinnými místy, pro každého pacienta.

Pokud v trénovací množině neexistuje žádný pacient s příslušným věkem,
zobrazená hodnota bude 0.

Podúkol 3 (75 bodů)

Vybuduj klasifikační model, který predikuje pravděpodobnost diagnózy Alzheimerovy choroby
(p ∈ [0,1]) pro každého pacienta z test.csv.

Hodnocení se provádí pomocí ROC Curve a AUC (Area Under the ROC Curve).

🧮 Hodnocení

• AUC ≥ 0.90 → 75 bodů
• AUC ≤ 0.70 → 0 bodů
• Interval mezi nimi: proporcionální bodování

Podúkoly 1–2 se hodnotí přesně (porovnáním).

📄 Formát souboru pro odevzdání

Soubor submission.csv musí obsahovat 3 řádky pro každého pacienta z testu,
odpovídající 3 podúkolům.

Struktura:

1subtaskID, datapointID, answer

kde:

• subtaskID – 1, 2 nebo 3
• datapointID – hodnota PatientID
• answer – závisí na podúkolu:
  • Podúkol 1: počet pacientů se stejným věkem z trénovací množiny (přirozené číslo)
  • Podúkol 2: procento kuřáků, kteří mají stejný věk jako pacient (reálné číslo)
  • Podúkol 3: pravděpodobnost Alzheimerovy choroby (reálné číslo mezi 0 a 1)

Příklad pro PatientID = 4751:

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

📊 Metrika hodnocení: ROC AUC 📈

Pro Podúkol 3 se hodnocení provádí pomocí ROC AUC (Area Under the ROC Curve),
standardní metriky pro problémy binární klasifikace.

Interpretace skóre:

• ROC AUC = 1.0 🏆 → perfektní model
• ROC AUC = 0.5 🎲 → náhodná klasifikace
• ROC AUC > 0.5 📈 → čím vyšší skóre, tím lépe model odděluje třídy