Vorhersage des Patientenstatus - OJIA 2 Simulation

🏥 Problem: Patientenanalyse und Zustandsvorhersage

Für dieses Problem müssen Sie ein maschinelles Lernmodell implementieren, um den Wert des Feldes Status mithilfe eines verfügbaren Datensatzes vorherzusagen, der Informationen über Patienten enthält. Der Datensatz ist in einer CSV-Datei organisiert, die verschiedene Merkmale (Features) enthält, und die Bewertung des Modells erfolgt basierend auf der Präzision für die Klasse Dead.

📊 Der Datensatz

Der Datensatz enthält die folgenden Felder:

• Age: Alter des Patienten.
• Race: Rasse des Patienten (z.B.: White, Other).
• Marital Status: Familienstand des Patienten.
• T Stage: Tumorstadium (T1, T2, T3, T4).
• N Stage: Grad der Lymphknotenbetroffenheit.
• 6th Stage: Krebsstadium nach TNM-Klassifikation der 6. Auflage.
• differentiate: Grad der Tumordifferenzierung.
• Grade: Histologischer Grad des Tumors (1, 2, 3 etc.).
• A Stage: Klassifikation des Krankheitsstadiums.
• Tumor Size: Tumorgröße.
• BMI: Body-Mass-Index.
• Heart Rate: Herzfrequenz.
• Serum Creatinine: Serumkreatininspiegel.
• Uric Acid: Harnsäurespiegel.
• Hemoglobin: Hämoglobinkonzentration.
• GFR (Glomerular Filtration Rate): Glomeruläre Filtrationsrate.
• Serum Sodium: Serumnatriumkonzentration.
• Serum Potassium: Serumkaliumkonzentration.
• Serum Albumin: Serumalbuminspiegel.
• Lactate: Laktatkonzentration.
• Status: Patientenzustand („Dead" oder „Alive") – Zielfeld.

📝 Aufgaben

Für die ersten Subtasks müssen Sie den Datensatz laden und statistische Analysen auf train.csv durchführen.

Subtask 1 (10 Punkte)

Klassifizieren Sie die Nierenfunktion für jeden Patienten basierend auf dem GFR-Wert:

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

Subtask 2 (10 Punkte)

Berechnen Sie die Quartile der Werte aus der Spalte Serum Creatinine (Q1, Q2, Q3) und klassifizieren Sie die Patienten im Test:

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

Subtask 3 (10 Punkte)

Bestimmung des BMI-Wertes:

• 1 wenn BMI > Median aus train
• 0 wenn BMI <= Median

Subtask 4 (10 Punkte)

Anzahl der Patienten aus train, die sich im gleichen T Stage befinden wie der Patient aus test.

Subtask 5 (60 Punkte)

Erstellen Sie ein ML-Modell zur Vorhersage von Status (Dead oder Alive) basierend auf den Merkmalen. Die Bewertung erfolgt basierend auf der Präzision für die Klasse Dead.

🧮 Bewertung

Die Bewertungsmetrik ist die Präzision für die Klasse Dead:

wobei:

• TP = Anzahl der korrekt als Dead vorhergesagten Patienten
• FP = Anzahl der fälschlicherweise als Dead vorhergesagten Patienten

Format der Einreichungsdatei

Die Einreichungsdatei muss im CSV-Format (Comma-Separated Values) vorliegen, mit den folgenden Spalten:

• subtaskID - Index der Aufgabe, für die wir die Antwort liefern
• datapointID - eindeutige Kennung des Patienten aus dem Datensatz
• answer - Antwort für den Patienten aus dem Datensatz für die angegebene Aufgabe

Beispiel:

1subtaskID,datapointID,answer21,3220,Normal32,3220,Very High43,3220,054,3220,128165,3220,1

📌 Hinweise

• Das Zielfeld ist Status.
• Einige Felder können fehlende Werte (NaN) enthalten und müssen behandelt werden.
• Es wird empfohlen, die Korrelation zwischen Variablen und der Zielvariable zu analysieren.
• Erkennen und eliminieren Sie Extremwerte, wenn sie die Modellleistung beeinträchtigen.
• Das Einreichen eines sample_output für lokale Tests gibt 5 Punkte.

🗂️ Nützliche Ressourcen

• Vollständiges Starter Kit – enthält ein Grundgerüst, von dem Sie bei der Problemlösung ausgehen können