Alzheimer-Diagnose-Vorhersagesystem

🧠 Alzheimer-Diagnose-Vorhersagesystem 🩺

Ein medizinisches Institut möchte ein automatisiertes System entwickeln, das bei der
Identifizierung von Patienten mit Alzheimer-Risiko hilft, unter Verwendung klinischer,
demografischer und verhaltensbezogener Daten.

Du hast einen Datensatz mit klinisch bewerteten Patienten erhalten, und das Ziel ist es, ein
binäres Klassifikationsmodell zu erstellen, das die Diagnose für neue Patienten vorhersagen kann.

Dir wurden folgende Dateien zur Verfügung gestellt:

• train.csv – historische Daten über Patienten, die die Diagnose enthalten
• test.csv – Daten über neue Patienten, ohne Diagnose

Hauptziel: Vorhersage der Wahrscheinlichkeit, dass ein Patient mit Alzheimer diagnostiziert wird
(Wert zwischen 0 und 1, wobei 0 = gesunder Patient, 1 = Patient mit Alzheimer).

📊 Der Datensatz

Jede Zeile repräsentiert einen Patienten und enthält folgende Attribute:

🔑 Identifikation

• PatientID – eindeutige Kennung des Patienten

👤 Demografische Daten

• Age – Alter des Patienten
• Gender – Geschlecht (0 = weiblich, 1 = männlich)
• Ethnicity – Ethnizität des Patienten (numerisch kodierte Werte)
• EducationLevel – Bildungsniveau (numerisch kodiert)

🧬 Lebensstil und Gesundheit

• BMI – Body-Mass-Index
• Smoking – Raucher (1) / Nichtraucher (0)
• AlcoholConsumption – Alkoholkonsum
• PhysicalActivity – Niveau der körperlichen Aktivität
• DietQuality – Qualität der Ernährung
• SleepQuality – Schlafqualität

🏥 Krankengeschichte

• FamilyHistoryAlzheimers – familiäre Alzheimer-Vorgeschichte
• CardiovascularDisease – Herz-Kreislauf-Erkrankungen
• Diabetes – Diabetes
• Depression – Depression
• HeadInjury – Kopfverletzungen
• Hypertension – Bluthochdruck
• SystolicBP, DiastolicBP – Blutdruck
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Kognitive und funktionale Bewertungen

• MMSE – Mini-Mental State Examination Score
• FunctionalAssessment – funktionale Bewertung
• ADL – Aktivitäten des täglichen Lebens

⚠️ Kognitive und verhaltensbezogene Symptome

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

🎯 Ziel-Label

• Diagnosis – nur in train.csv
  • 1 = Alzheimer-Diagnose
  • 0 = kein Alzheimer

Endziel: Vorhersage von Diagnosis für die Zeilen in test.csv.

📝 Aufgaben

Die ersten beiden Subtasks überprüfen die explorative Datenanalyse.
Der letzte Subtask bewertet die Leistung des Klassifikationsmodells.

Subtask 1 (10 Punkte)

Berechne für jeden Patienten in test.csv, wie viele Patienten im Trainingssatz (train.csv) das gleiche Alter haben wie der Patient im Testsatz.

Zeige in der Submissionsdatei eine natürliche Zahl an (entsprechend dem unten dargestellten Format).

Subtask 2 (15 Punkte)

Bestimme für jeden Patienten in test.csv den Prozentsatz der rauchenden Patienten
(Smoking = 1) aus dem Trainingssatz (train.csv) die das gleiche Alter haben
wie der jeweilige Patient.

Berechnungsformel für einen Patienten mit Alter v:

1(Anzahl rauchender Patienten in train mit Age = v) /2(Gesamtanzahl Patienten in train mit Age = v) * 100

Zeige in der Submissionsdatei eine reelle Zahl zwischen 0 und 100 an,
mit maximal 2 Dezimalstellen, für jeden Patienten.

Wenn im Trainingssatz kein Patient mit dem jeweiligen Alter existiert,
wird der angezeigte Wert 0 sein.

Subtask 3 (75 Punkte)

Erstelle ein Klassifikationsmodell, das die Wahrscheinlichkeit einer Alzheimer-Diagnose
(p ∈ [0,1]) für jeden Patienten in test.csv vorhersagt.

Die Bewertung erfolgt mit ROC Curve und AUC (Area Under the ROC Curve).

🧮 Bewertung

• AUC ≥ 0.90 → 75 Punkte
• AUC ≤ 0.70 → 0 Punkte
• Intervall dazwischen: proportionale Punktzahl

Subtasks 1–2 werden exakt bewertet (durch Vergleich).

📄 Format der Submissionsdatei

Die Datei submission.csv muss 3 Zeilen für jeden Patienten im Test enthalten,
entsprechend den 3 Subtasks.

Struktur:

1subtaskID, datapointID, answer

wobei:

• subtaskID – 1, 2 oder 3
• datapointID – der Wert PatientID
• answer – abhängig vom Subtask:
  • Subtask 1: Anzahl der Patienten mit gleichem Alter aus dem Trainingssatz (natürliche Zahl)
  • Subtask 2: Prozentsatz der Raucher mit gleichem Alter wie der Patient (reelle Zahl)
  • Subtask 3: Wahrscheinlichkeit für Alzheimer (reelle Zahl zwischen 0 und 1)

Beispiel für PatientID = 4751:

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

📊 Bewertungsmetrik: ROC AUC 📈

Für Subtask 3 erfolgt die Bewertung mit ROC AUC (Area Under the ROC Curve),
einer Standardmetrik für binäre Klassifikationsprobleme.

Interpretation des Scores:

• ROC AUC = 1.0 🏆 → perfektes Modell
• ROC AUC = 0.5 🎲 → zufällige Klassifikation
• ROC AUC > 0.5 📈 → je höher der Score, desto besser trennt das Modell die Klassen