Alzheimerin taudin diagnoosin ennustusjärjestelmä

🧠 Alzheimerin diagnoosin ennustejärjestelmä 🩺

Lääketieteellinen instituutti haluaa kehittää automatisoidun järjestelmän, joka auttaa
Alzheimer-riskin omaavien potilaiden tunnistamisessa käyttäen kliinisiä,
demografisia ja käyttäytymiseen liittyviä tietoja.

Olet saanut potilastietojoukon, jossa potilaat on arvioitu kliinisesti, ja tavoitteena on rakentaa
binäärinen luokittelumalli, joka voi ennustaa diagnoosin uusille potilaille.

Käytettävissäsi on seuraavat tiedostot:

• train.csv – historialliset potilastiedot, jotka sisältävät diagnoosin
• test.csv – uusien potilaiden tiedot ilman diagnoosia

Päätavoite: todennäköisyyden ennustaminen sille, että potilaalla diagnosoidaan Alzheimer
(arvo välillä 0 ja 1, missä 0 = terve potilas, 1 = Alzheimer-potilas).

📊 Tietojoukko

Jokainen rivi edustaa potilasta ja sisältää seuraavat attribuutit:

🔑 Tunnistaminen

• PatientID – potilaan yksilöllinen tunniste

👤 Demografiset tiedot

• Age – potilaan ikä
• Gender – sukupuoli (0 = nainen, 1 = mies)
• Ethnicity – etnisyys (numeerisesti koodatut arvot)
• EducationLevel – koulutustaso (numeerisesti koodattu)

🧬 Elämäntapa ja terveys

• BMI – painoindeksi
• Smoking – tupakoitsija (1) / ei-tupakoitsija (0)
• AlcoholConsumption – alkoholinkulutus
• PhysicalActivity – fyysisen aktiivisuuden taso
• DietQuality – ruokavalion laatu
• SleepQuality – unen laatu

🏥 Sairaushistoria

• FamilyHistoryAlzheimers – Alzheimerin sukuhistoria
• CardiovascularDisease – sydän- ja verisuonisairaudet
• Diabetes – diabetes
• Depression – masennus
• HeadInjury – päävammat
• Hypertension – korkea verenpaine
• SystolicBP, DiastolicBP – verenpaine
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Kognitiiviset ja toiminnalliset arvioinnit

• MMSE – Mini-Mental State Examination -pisteet
• FunctionalAssessment – toiminnallinen arviointi
• ADL – päivittäiset toiminnot

⚠️ Kognitiiviset ja käyttäytymiseen liittyvät oireet

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

🎯 Kohdemerkintä

• Diagnosis – vain train.csv:ssä
  • 1 = Alzheimer-diagnoosi
  • 0 = ei Alzheimeria

Lopullinen tavoite: ennusta Diagnosis test.csv:n riveille.

📝 Tehtävät

Kaksi ensimmäistä alitehtävää tarkistavat datan tutkivan analyysin.
Viimeinen alitehtävä arvioi luokittelumallin suorituskykyä.

Alitehtävä 1 (10 pistettä)

Laske jokaiselle test.csv:n potilaalle, kuinka monta potilasta harjoitusjoukossa (train.csv) on, joilla on sama ikä kuin testijoukossa olevalla potilaalla.

Näytä palautustiedostossa luonnollinen luku (alla esitetyn muodon mukaisesti).

Alitehtävä 2 (15 pistettä)

Määritä jokaiselle test.csv:n potilaalle tupakoitsijoiden prosenttiosuus
(Smoking = 1) harjoitusjoukosta (train.csv) joilla on sama ikä
kuin kyseisellä potilaalla.

Laskukaava potilaalle, jonka ikä on v:

1(tupakoitsijoiden määrä train:ssa, joilla Age = v) /2(potilaiden kokonaismäärä train:ssa, joilla Age = v) * 100

Näytä palautustiedostossa reaaliluku välillä 0 ja 100,
korkeintaan 2 desimaalin tarkkuudella, jokaiselle potilaalle.

Jos harjoitusjoukossa ei ole yhtään potilasta kyseisellä iällä,
näytetty arvo on 0.

Alitehtävä 3 (75 pistettä)

Rakenna luokittelumalli, joka ennustaa Alzheimer-diagnoosin todennäköisyyden
(p ∈ [0,1]) jokaiselle test.csv:n potilaalle.

Arviointi tehdään käyttäen ROC-käyrää ja AUC:ta (Area Under the ROC Curve).

🧮 Arviointi

• AUC ≥ 0.90 → 75 pistettä
• AUC ≤ 0.70 → 0 pistettä
• Niiden välinen alue: suhteellinen pisteytys

Alitehtävät 1–2 arvioidaan tarkasti (vertailulla).

📄 Palautustiedoston muoto

Tiedoston submission.csv tulee sisältää 3 riviä jokaiselle testin potilaalle,
vastaten 3 alitehtävää.

Rakenne:

1subtaskID, datapointID, answer

missä:

• subtaskID – 1, 2 tai 3
• datapointID – PatientID-arvo
• answer – riippuu alitehtävästä:
  • Alitehtävä 1: saman ikäisten potilaiden määrä harjoitusjoukossa (luonnollinen luku)
  • Alitehtävä 2: tupakoitsijoiden prosenttiosuus, joilla on sama ikä kuin potilaalla (reaaliluku)
  • Alitehtävä 3: Alzheimerin todennäköisyys (reaaliluku välillä 0 ja 1)

Esimerkki PatientID = 4751:lle:

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

📊 Arviointimetriikka: ROC AUC 📈

Alitehtävälle 3 arviointi tehdään käyttäen ROC AUC:ta (Area Under the ROC Curve),
joka on vakiometriikka binäärisille luokitteluongelmille.

Pistemäärän tulkinta:

• ROC AUC = 1.0 🏆 → täydellinen malli
• ROC AUC = 0.5 🎲 → satunnainen luokittelu
• ROC AUC > 0.5 📈 → mitä korkeampi pistemäärä, sitä paremmin malli erottaa luokat