Potilaan tilan ennustaminen - OJIA 2 simulaatio

🏥 Ongelma: Potilaan tilan analyysi ja ennustaminen

Tässä ongelmassa sinun tulee toteuttaa koneoppimismalli ennustamaan Status-kentän arvoa käyttämällä saatavilla olevaa tietojoukkoa, joka sisältää tietoja potilaista. Tietojoukko on järjestetty CSV-tiedostoon, joka sisältää erilaisia ominaisuuksia (features), ja mallin arviointi tehdään Dead-luokan tarkkuuden perusteella.

📊 Tietojoukko

Tietojoukko sisältää seuraavat kentät:

• Age: Potilaan ikä.
• Race: Potilaan rotu (esim: White, Other).
• Marital Status: Potilaan siviilisääty.
• T Stage: Kasvaimen vaihe (T1, T2, T3, T4).
• N Stage: Imusolmukkeiden vaurioitumisaste.
• 6th Stage: Syövän vaihe TNM-luokituksen 6. painoksen mukaan.
• differentiate: Kasvaimen erilaistumisaste.
• Grade: Kasvaimen histologinen aste (1, 2, 3 jne.).
• A Stage: Taudin vaiheen luokittelu.
• Tumor Size: Kasvaimen koko.
• BMI: Painoindeksi.
• Heart Rate: Syke.
• Serum Creatinine: Seerumin kreatiniinipitoisuus.
• Uric Acid: Virtsahapon taso.
• Hemoglobin: Hemoglobiinipitoisuus.
• GFR (Glomerular Filtration Rate): Glomerulusten suodatusnopeus.
• Serum Sodium: Seerumin natriumpitoisuus.
• Serum Potassium: Seerumin kaliumpitoisuus.
• Serum Albumin: Seerumin albumiinitaso.
• Lactate: Laktaattipitoisuus.
• Status: Potilaan tila („Dead" tai „Alive") – kohdekenttä.

📝 Tehtävät

Ensimmäisissä alitehtävissä sinun tulee ladata tietojoukko ja suorittaa tilastollisia analyysejä train.csv-tiedostosta.

Alitehtävä 1 (10 pistettä)

Luokittele munuaistoiminta jokaiselle potilaalle GFR-arvon perusteella:

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

Alitehtävä 2 (10 pistettä)

Laske Serum Creatinine -sarakkeen arvojen kvartilit (Q1, Q2, Q3) ja luokittele testipotilaat:

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

Alitehtävä 3 (10 pistettä)

BMI-arvon määrittäminen:

• 1 jos BMI > mediaani trainista
• 0 jos BMI <= mediaani

Alitehtävä 4 (10 pistettä)

Trainissa olevien potilaiden lukumäärä, jotka ovat samassa T Stage-vaiheessa kuin testipotilas.

Alitehtävä 5 (60 pistettä)

Rakenna ML-malli ennustamaan Status (Dead tai Alive) ominaisuuksien perusteella. Arviointi tehdään Dead-luokan tarkkuuden perusteella.

🧮 Arviointi

Arviointimetriikka on tarkkuus Dead-luokalle:

missä:

• TP = oikein Dead-luokaksi ennustettujen potilaiden määrä
• FP = väärin Dead-luokaksi ennustettujen potilaiden määrä

Palautustiedoston muoto

Palautustiedoston tulee olla CSV-muodossa (Comma-Separated Values), seuraavilla sarakkeilla:

• subtaskID - tehtävän indeksi, jolle annamme vastauksen
• datapointID - potilaan yksilöllinen tunniste tietojoukossa
• answer - potilaaseen liittyvä vastaus tietojoukossa ilmoitetulle tehtävälle

Esimerkki:

1subtaskID,datapointID,answer21,3220,Normal32,3220,Very High43,3220,054,3220,128165,3220,1

📌 Huomautukset

• Kohdekenttä on Status.
• Jotkin kentät voivat sisältää puuttuvia arvoja (NaN) ja ne tulee käsitellä.
• Suositellaan muuttujien ja kohdemuuttujan välisen korrelaation analysointia.
• Tunnista ja poista äärimmäiset arvot, jos ne vaikuttavat mallin suorituskykyyn.
• sample_output-tiedoston lähettäminen paikallista testausta varten antaa 5 pistettä.

🗂️ Hyödylliset resurssit

• Täydellinen Starter Kit – sisältää rungon, josta voit aloittaa ongelman ratkaisemisen