Alzheimer diagnoseprediktionssystem

🧠 System til forudsigelse af Alzheimer-diagnose 🩺

Et medicinsk institut ønsker at udvikle et automatiseret system, der kan hjælpe med
identifikation af patienter med risiko for Alzheimer, ved brug af kliniske,
demografiske og adfærdsmæssige data.

Du har modtaget et datasæt med klinisk evaluerede patienter, og formålet er at bygge
en binær klassifikationsmodel, der kan forudsige diagnosen for nye patienter.

Du har fået følgende filer til rådighed:

• train.csv – historiske data om patienter, som indeholder diagnosen
• test.csv – data om nye patienter, uden diagnose

Hovedformål: forudsigelse af sandsynligheden for at en patient bliver diagnosticeret med Alzheimer
(værdi mellem 0 og 1, hvor 0 = rask patient, 1 = patient med Alzheimer).

📊 Datasættet

Hver række repræsenterer en patient og indeholder følgende attributter:

🔑 Identifikation

• PatientID – unik identifikator for patienten

👤 Demografiske data

• Age – patientens alder
• Gender – køn (0 = kvindelig, 1 = mandlig)
• Ethnicity – patientens etnicitet (numerisk kodede værdier)
• EducationLevel – uddannelsesniveau (numerisk kodet)

🧬 Livsstil og sundhed

• BMI – kropsmasseindeks
• Smoking – ryger (1) / ikke-ryger (0)
• AlcoholConsumption – alkoholforbrug
• PhysicalActivity – niveau af fysisk aktivitet
• DietQuality – diætens kvalitet
• SleepQuality – søvnkvalitet

🏥 Medicinsk historie

• FamilyHistoryAlzheimers – familiehistorie med Alzheimer
• CardiovascularDisease – kardiovaskulære sygdomme
• Diabetes – diabetes
• Depression – depression
• HeadInjury – hovedtraumer
• Hypertension – hypertension
• SystolicBP, DiastolicBP – blodtryk
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Kognitive og funktionelle evalueringer

• MMSE – Mini-Mental State Examination score
• FunctionalAssessment – funktionel evaluering
• ADL – daglige aktiviteter

⚠️ Kognitive og adfærdsmæssige symptomer

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

🎯 Måletiket

• Diagnosis – kun i train.csv
  • 1 = Alzheimer-diagnose
  • 0 = ingen Alzheimer

Endeligt mål: forudsig Diagnosis for rækkerne i test.csv.

📝 Opgaver

De første to subtasks verificerer eksplorativ dataanalyse.
Den sidste subtask evaluerer klassifikationsmodellens ydeevne.

Subtask 1 (10 point)

Beregn for hver patient i test.csv hvor mange patienter der er i træningssættet (train.csv), som har samme alder som patienten i testsættet.

Vis i indsendelsesfilen et naturligt tal (i henhold til formatet præsenteret nedenfor).

Subtask 2 (15 point)

For hver patient i test.csv, bestem procentdelen af rygerpatienter
(Smoking = 1) fra træningssættet (train.csv) som har samme alder
som den pågældende patient.

Beregningsformel for en patient med alder v:

1(antal rygerpatienter fra train med Age = v) /2(samlet antal patienter fra train med Age = v) * 100

Vis i indsendelsesfilen et reelt tal mellem 0 og 100,
med maksimalt 2 decimaler, for hver patient.

Hvis der ikke findes nogen patient med den pågældende alder i træningssættet,
vil den viste værdi være 0.

Subtask 3 (75 point)

Byg en klassifikationsmodel, der forudsiger sandsynligheden for Alzheimer-diagnose
(p ∈ [0,1]) for hver patient i test.csv.

Evalueringen foretages ved brug af ROC Curve og AUC (Area Under the ROC Curve).

🧮 Evaluering

• AUC ≥ 0.90 → 75 point
• AUC ≤ 0.70 → 0 point
• Intervallet mellem dem: proportional pointgivning

Subtasks 1–2 evalueres nøjagtigt (ved sammenligning).

📄 Format for indsendelsesfil

Filen submission.csv skal indeholde 3 linjer for hver patient i test,
svarende til de 3 subtasks.

Struktur:

1subtaskID, datapointID, answer

hvor:

• subtaskID – 1, 2 eller 3
• datapointID – værdien PatientID
• answer – afhænger af subtask:
  • Subtask 1: antallet af patienter med samme alder fra træningssættet (naturligt tal)
  • Subtask 2: procentdelen af rygere, der har samme alder som patienten (reelt tal)
  • Subtask 3: sandsynligheden for Alzheimer (reelt tal mellem 0 og 1)

Eksempel for PatientID = 4751:

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

📊 Evalueringsmetrik: ROC AUC 📈

For Subtask 3 foretages evalueringen ved brug af ROC AUC (Area Under the ROC Curve),
en standardmetrik for binære klassifikationsproblemer.

Fortolkning af score:

• ROC AUC = 1.0 🏆 → perfekt model
• ROC AUC = 0.5 🎲 → tilfældig klassifikation
• ROC AUC > 0.5 📈 → jo højere score, desto bedre adskiller modellen klasserne