Sistema de predicción del diagnóstico de Alzheimer

🧠 Sistema de predicción de diagnóstico de Alzheimer 🩺

Un instituto médico desea desarrollar un sistema automatizado que ayude a
identificar pacientes con riesgo de Alzheimer, utilizando datos clínicos,
demográficos y comportamentales.

Has recibido un conjunto de datos con pacientes evaluados clínicamente, y el objetivo es construir
un modelo de clasificación binaria que pueda predecir el diagnóstico para pacientes nuevos.

Se han puesto a tu disposición los siguientes archivos:

• train.csv – datos históricos sobre pacientes, que contienen el diagnóstico
• test.csv – datos sobre pacientes nuevos, sin diagnóstico

Objetivo principal: predicción de la probabilidad de que un paciente sea diagnosticado con Alzheimer
(valor entre 0 y 1, donde 0 = paciente sano, 1 = paciente con Alzheimer).

📊 Conjunto de datos

Cada fila representa un paciente y contiene los siguientes atributos:

🔑 Identificación

• PatientID – identificador único del paciente

👤 Datos demográficos

• Age – edad del paciente
• Gender – sexo (0 = femenino, 1 = masculino)
• Ethnicity – etnia del paciente (valores codificados numéricamente)
• EducationLevel – nivel educativo (codificado numéricamente)

🧬 Estilo de vida y salud

• BMI – índice de masa corporal
• Smoking – fumador (1) / no fumador (0)
• AlcoholConsumption – consumo de alcohol
• PhysicalActivity – nivel de actividad física
• DietQuality – calidad de la dieta
• SleepQuality – calidad del sueño

🏥 Historial médico

• FamilyHistoryAlzheimers – historial familiar de Alzheimer
• CardiovascularDisease – enfermedades cardiovasculares
• Diabetes – diabetes
• Depression – depresión
• HeadInjury – traumatismos craneales
• Hypertension – hipertensión
• SystolicBP, DiastolicBP – presión arterial
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Evaluaciones cognitivas y funcionales

• MMSE – puntuación Mini-Mental State Examination
• FunctionalAssessment – evaluación funcional
• ADL – actividades diarias

⚠️ Síntomas cognitivos y comportamentales

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

🎯 Etiqueta objetivo

• Diagnosis – solo en train.csv
  • 1 = diagnóstico Alzheimer
  • 0 = sin Alzheimer

Objetivo final: predecir Diagnosis para las filas de test.csv.

📝 Tareas

Las primeras dos subtareas verifican el análisis exploratorio de datos.
La última subtarea evalúa el rendimiento del modelo de clasificación.

Subtarea 1 (10 puntos)

Calcula para cada paciente de test.csv cuántos pacientes hay en el conjunto de entrenamiento (train.csv) que tienen la misma edad que la del paciente del conjunto de prueba.

Muestra en el archivo de submisión un número natural (conforme al formato presentado más abajo).

Subtarea 2 (15 puntos)

Para cada paciente de test.csv, determina el porcentaje de pacientes fumadores
(Smoking = 1) del conjunto de entrenamiento (train.csv) que tienen la misma edad
que el paciente respectivo.

Fórmula de cálculo para un paciente con edad v:

1(número pacientes fumadores de train con Age = v) /2(número total pacientes de train con Age = v) * 100

Muestra en el archivo de submisión un número real entre 0 y 100,
con máximo 2 decimales, para cada paciente.

Si en el conjunto de entrenamiento no existe ningún paciente con la edad respectiva,
el valor mostrado será 0.

Subtarea 3 (75 puntos)

Construye un modelo de clasificación que prediga la probabilidad de diagnóstico de Alzheimer
(p ∈ [0,1]) para cada paciente de test.csv.

La evaluación se realiza usando ROC Curve y AUC (Area Under the ROC Curve).

🧮 Evaluación

• AUC ≥ 0.90 → 75 puntos
• AUC ≤ 0.70 → 0 puntos
• El intervalo entre ellos: puntaje proporcional

Las subtareas 1–2 se evalúan exactamente (por comparación).

📄 Formato del archivo de submisión

El archivo submission.csv debe contener 3 líneas para cada paciente de test,
correspondientes a las 3 subtareas.

Estructura:

1subtaskID, datapointID, answer

donde:

• subtaskID – 1, 2 o 3
• datapointID – el valor PatientID
• answer – depende de la subtarea:
  • Subtarea 1: el número de pacientes con la misma edad del conjunto de entrenamiento (número natural)
  • Subtarea 2: el porcentaje de fumadores que tienen la misma edad que el paciente (número real)
  • Subtarea 3: la probabilidad de Alzheimer (número real entre 0 y 1)

Ejemplo para PatientID = 4751:

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

📊 Métrica de evaluación: ROC AUC 📈

Para la Subtarea 3, la evaluación se realiza usando ROC AUC (Area Under the ROC Curve),
una métrica estándar para problemas de clasificación binaria.

Interpretación del puntaje:

• ROC AUC = 1.0 🏆 → modelo perfecto
• ROC AUC = 0.5 🎲 → clasificación aleatoria
• ROC AUC > 0.5 📈 → cuanto mayor sea el puntaje, mejor separa el modelo las clases