Vorhersage des Patientenstatus - OJIA 2 Simulation (v1)

🏥 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 folgende 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 Lymphknotenbefall.
• 6th Stage: Krebsstadium nach der 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 test.csv durchführen.

Subtask 1 (10 Punkte)

Klassifizieren Sie die Nierenfunktion für jeden Patienten aus dem Test-Datensatz 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) für den Trainingsdatensatz und klassifizieren Sie die Patienten aus dem Testdatensatz entsprechend folgendermaßen:

• 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-Werts wie folgt:

1. Wir berechnen den Medianwert für diese Spalte für die Daten aus dem Trainingsdatensatz.
2. Für die Patienten aus dem Testdatensatz betrachten wir:

• 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 wie der Patient aus test befinden.

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:

Die Punktzahl wird entsprechend dem vom Modell erreichten precision (weighted) Wert vergeben:

wobei:

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

📌 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.
• Die Einreichung eines sample_output für lokale Tests gibt 5 Punkte.

📄 Format der Einreichungsdatei

Die Datei submission.csv muss die Ergebnisse aller 5 Subtasks für jede Zeile aus dem Test-Datensatz enthalten.
Jede Zeile aus test generiert 5 Zeilen in der Datei, eine für jeden Subtask.

Struktur der Datei:

1subtaskID, datapointID, answer

Bedeutung der Spalten:

• subtaskID - Nummer des Subtasks (1–5).
• datapointID - ID des Patienten aus test (falls die Testdatei keine ID hat, wird der Zeilenindex verwendet).
• answer - vom Subtask gefordertes Ergebnis:
  • Subtask 1: Normal / Mildly Decreased / Decreased
  • Subtask 2: Very Low / Low / High / Very High
  • Subtask 3: 0 oder 1
  • Subtask 4: ganze Zahl (count)
  • Subtask 5: 1 wenn das Modell Dead vorhersagt, 0 wenn es Alive vorhersagt

Beispiel für einen einzelnen Patienten mit ID 3220:

1subtaskID    datapointID    answer21            3220           Normal32            3220           Low43            3220           054            3220           565            3220           1

🗂️ Nützliche Ressourcen

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