🩺 Clasificarea bolilor pe baza simptomelor

În domeniul sănătății, analiza automată a simptomelor poate accelera trierea pacienților și sprijină luarea deciziilor medicale. Ai la dispoziție un set de date complet sintetic, creat astfel încât să imite tipare reale de simptome și diagnostice, fără a utiliza informații reale despre pacienți.

Scopul tău este să construiești un sistem automat care poate prezice boala unui pacient pornind de la simptomele sale și de la câteva informații demografice.

🧬 Lista bolilor posibile

Modelul tău trebuie să poată identifica una dintre următoarele 10 de boli:

• Common Cold 🤧
• Influenza 🤒
• COVID-19 🦠
• Pneumonia 🫁
• Diabetes 🍬
• Hypertension 🩺
• Migraine 🤯
• Allergy 🌼
• Asthma 😤
• Heart Disease 💔

📁 Setul de date

Ai acces la două fișiere CSV:

• train.csv – conține înregistrări de pacienți și diagnosticele lor
• test.csv – conține pacienți pentru care trebuie prezis diagnosticul

Fiecare rând din train.csv are următoarele coloane:

• Patient_ID – identificator unic al pacientului
• Age – vârsta pacientului (1–90)
• Gender – sexul pacientului (Male, Female, Other)
• Symptoms – listă cu 3–7 simptome separate prin virgule
• Symptom_Count – numărul de simptome
• Disease – diagnosticul (una dintre cele 10 de boli posibile)

Exemplu:

Patient_ID,Age,Gender,Symptoms,Symptom_Count,Disease
P001,45,Female,"fever, cough, fatigue",3,Influenza
P002,67,Male,"chest pain, shortness of breath, dizziness",3,Heart Disease
P003,23,Female,"rash, itching, swelling",3,Allergy

Fiecare rând din test.csv are aceleași coloane, mai puțin diagnosticul:

Patient_ID,Age,Gender,Symptoms,Symptom_Count
T5001,34,Male,"fever, headache, sore throat",3
T5002,72,Female,"fatigue, weight loss, frequent urination",3

🧠 Task (100 puncte)

Construiește un model de clasificare care poate prezice boala pentru fiecare înregistrare din test.csv.

Predicțiile trebuie salvate într-un fișier submission.csv cu formatul:

Patient_ID,Disease
T5001,Common Cold
T5002,Diabetes
T5003,Migraine

unde:

• Patient_ID – identificatorul unic al pacientului
• Disease – boala prezisă, care trebuie să fie una dintre cele 10 listate mai sus

📊 Evaluare

Predicțiile tale vor fi comparate cu diagnosticele reale. Se va calcula acuratețea modelului:

accuracy = numar_predicții_corecte / numar_total_predicții

Punctajul final este acordat după schema:

• accuracy ≥ 0.95 → 100 puncte
• accuracy ≤ 0.80 → 0 puncte
• Pentru valorile intermediare se acordă punctaj proporțional între 0 și 100.

🔐 Notă

Setul de date este 100% sintetic.