Predicción del estado del paciente - Simulación OJIA 2 (v1)

🏥 Problema: Análisis y predicción del estado del paciente

Para este problema debe implementar un modelo de aprendizaje automático para predecir el valor del campo Status utilizando un conjunto de datos disponible, que contiene información sobre pacientes. El conjunto de datos está organizado en un archivo CSV que incluye diversas características (features), y la evaluación del modelo se realizará en base a la precisión para la clase Dead.

📊 El conjunto de datos

El conjunto de datos contiene los siguientes campos:

• Age: Edad del paciente.
• Race: Raza del paciente (ej: White, Other).
• Marital Status: Estado civil del paciente.
• T Stage: Estadio del tumor (T1, T2, T3, T4).
• N Stage: Grado de afectación de los ganglios linfáticos.
• 6th Stage: Estadio del cáncer según la clasificación TNM de la sexta edición.
• differentiate: Grado de diferenciación tumoral.
• Grade: Grado histológico del tumor (1, 2, 3 etc.).
• A Stage: Clasificación del estadio de la enfermedad.
• Tumor Size: Tamaño del tumor.
• BMI: Índice de masa corporal.
• Heart Rate: Ritmo cardíaco.
• Serum Creatinine: Nivel sérico de creatinina.
• Uric Acid: Nivel de ácido úrico.
• Hemoglobin: Concentración de hemoglobina.
• GFR (Glomerular Filtration Rate): Tasa de filtración glomerular.
• Serum Sodium: Concentración de sodio sérico.
• Serum Potassium: Concentración de potasio sérico.
• Serum Albumin: Nivel de albúmina sérica.
• Lactate: Concentración de lactato.
• Status: Estado del paciente („Dead" o „Alive") – campo objetivo.

📝 Tareas

Para las primeras subtareas, deberá cargar el conjunto de datos y realizar análisis estadísticos en test.csv.

Subtarea 1 (10 puntos)

Clasifique la función renal para cada paciente del conjunto de prueba basándose en el valor GFR:

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

Subtarea 2 (10 puntos)

Calcule los cuartiles de los valores de la columna Serum Creatinine (Q1, Q2, Q3) para el conjunto de datos de entrenamiento y clasifique los pacientes del conjunto de datos de prueba según lo siguiente:

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

Subtarea 3 (10 puntos)

Determinación del valor BMI así:

1. Calculamos el valor para la mediana de esta columna para los datos del conjunto de entrenamiento.
2. Para los pacientes del conjunto de prueba, consideramos que tenemos:

• 1 si BMI > mediana del train
• 0 si BMI <= mediana

Subtarea 4 (10 puntos)

Número de pacientes del train que se encuentran en el mismo T Stage que el paciente del test.

Subtarea 5 (60 puntos)

Construya un modelo de ML para predecir Status (Dead o Alive) en función de las características. La evaluación se hace en base a la precisión para la clase Dead.

🧮 Evaluación

La métrica de evaluación es la precisión para la clase Dead:

La puntuación se otorga en función del valor de precision (weighted) obtenido por el modelo:

donde:

• TP = número de pacientes correctamente predichos Dead
• FP = número de pacientes predichos Dead incorrectamente

📌 Notas

• El campo objetivo es Status.
• Algunos campos pueden contener valores faltantes (NaN) y deben ser tratados.
• Se recomienda el análisis de correlación entre variables y la variable objetivo.
• Detecte y elimine valores extremos si afectan el rendimiento del modelo.
• El envío de un sample_output para prueba local otorga 5 puntos.

📄 Formato del archivo de envío

El archivo submission.csv debe contener los resultados de todas las 5 subtareas para cada fila del conjunto test.
Cada fila del test genera 5 líneas en el archivo, una para cada subtarea.

Estructura del archivo:

1subtaskID, datapointID, answer

Significado de las columnas:

• subtaskID - número de la subtarea (1–5).
• datapointID - ID del paciente del test (si el archivo test no tiene ID, se usa el índice de la fila).
• answer - resultado requerido por la subtarea:
  • Subtarea 1: Normal / Mildly Decreased / Decreased
  • Subtarea 2: Very Low / Low / High / Very High
  • Subtarea 3: 0 o 1
  • Subtarea 4: número entero (count)
  • Subtarea 5: 1 si el modelo predice Dead , 0 si predice Alive

Ejemplo para un solo paciente con ID 3220:

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

🗂️ Recursos útiles

• Starter Kit completo – contiene un esqueleto desde el cual puede comenzar la resolución del problema