Système de prédiction du diagnostic d'Alzheimer

🧠 Système de prédiction du diagnostic d'Alzheimer 🩺

Un institut médical souhaite développer un système automatisé qui aide à
identifier les patients à risque d'Alzheimer, en utilisant des données cliniques,
démographiques et comportementales.

Vous avez reçu un ensemble de données avec des patients évalués cliniquement, et l'objectif est de construire
un modèle de classification binaire qui puisse prédire le diagnostic pour de nouveaux patients.

Les fichiers suivants ont été mis à votre disposition :

• train.csv – données historiques sur les patients, qui contiennent le diagnostic
• test.csv – données sur de nouveaux patients, sans diagnostic

Objectif principal : prédiction de la probabilité qu'un patient soit diagnostiqué avec Alzheimer
(valeur entre 0 et 1, où 0 = patient sain, 1 = patient avec Alzheimer).

📊 L'ensemble de données

Chaque ligne représente un patient et contient les attributs suivants :

🔑 Identification

• PatientID – identifiant unique du patient

👤 Données démographiques

• Age – âge du patient
• Gender – sexe (0 = féminin, 1 = masculin)
• Ethnicity – ethnie du patient (valeurs codées numériquement)
• EducationLevel – niveau d'éducation (codé numériquement)

🧬 Mode de vie et santé

• BMI – indice de masse corporelle
• Smoking – fumeur (1) / non-fumeur (0)
• AlcoholConsumption – consommation d'alcool
• PhysicalActivity – niveau d'activité physique
• DietQuality – qualité du régime alimentaire
• SleepQuality – qualité du sommeil

🏥 Historique médical

• FamilyHistoryAlzheimers – antécédents familiaux d'Alzheimer
• CardiovascularDisease – maladies cardiovasculaires
• Diabetes – diabète
• Depression – dépression
• HeadInjury – traumatismes crâniens
• Hypertension – hypertension
• SystolicBP, DiastolicBP – tension artérielle
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Évaluations cognitives et fonctionnelles

• MMSE – score Mini-Mental State Examination
• FunctionalAssessment – évaluation fonctionnelle
• ADL – activités quotidiennes

⚠️ Symptômes cognitifs et comportementaux

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

🎯 Étiquette cible

• Diagnosis – uniquement dans train.csv
  • 1 = diagnostic Alzheimer
  • 0 = sans Alzheimer

Objectif final : prédire Diagnosis pour les lignes de test.csv.

📝 Tâches

Les deux premières sous-tâches vérifient l'analyse exploratoire des données.
La dernière sous-tâche évalue la performance du modèle de classification.

Sous-tâche 1 (10 points)

Calculez pour chaque patient de test.csv combien de patients sont dans l'ensemble d'entraînement (train.csv) qui ont le même âge que celui du patient de l'ensemble de test.

Affichez dans le fichier de soumission un nombre naturel (selon le format présenté ci-dessous).

Sous-tâche 2 (15 points)

Pour chaque patient de test.csv, déterminez le pourcentage de patients fumeurs
(Smoking = 1) de l'ensemble d'entraînement (train.csv) qui ont le même âge
que le patient respectif.

Formule de calcul pour un patient d'âge v :

1(nombre de patients fumeurs de train avec Age = v) /2(nombre total de patients de train avec Age = v) * 100

Affichez dans le fichier de soumission un nombre réel entre 0 et 100,
avec au maximum 2 décimales, pour chaque patient.

Si dans l'ensemble d'entraînement il n'existe aucun patient avec l'âge respectif,
la valeur affichée sera 0.

Sous-tâche 3 (75 points)

Construisez un modèle de classification qui prédit la probabilité de diagnostic d'Alzheimer
(p ∈ [0,1]) pour chaque patient de test.csv.

L'évaluation se fait en utilisant ROC Curve et AUC (Area Under the ROC Curve).

🧮 Évaluation

• AUC ≥ 0.90 → 75 points
• AUC ≤ 0.70 → 0 point
• L'intervalle entre eux : score proportionnel

Les sous-tâches 1–2 sont évaluées exactement (par comparaison).

📄 Format du fichier de soumission

Le fichier submission.csv doit contenir 3 lignes pour chaque patient de test,
correspondant aux 3 sous-tâches.

Structure :

1subtaskID, datapointID, answer

où :

• subtaskID – 1, 2 ou 3
• datapointID – la valeur PatientID
• answer – dépend de la sous-tâche :
  • Sous-tâche 1 : le nombre de patients avec le même âge de l'ensemble d'entraînement (nombre naturel)
  • Sous-tâche 2 : le pourcentage de fumeurs qui ont le même âge que le patient (nombre réel)
  • Sous-tâche 3 : la probabilité d'Alzheimer (nombre réel entre 0 et 1)

Exemple pour PatientID = 4751 :

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

📊 Métrique d'évaluation : ROC AUC 📈

Pour Sous-tâche 3, l'évaluation se fait en utilisant ROC AUC (Area Under the ROC Curve),
une métrique standard pour les problèmes de classification binaire.

Interprétation du score :

• ROC AUC = 1.0 🏆 → modèle parfait
• ROC AUC = 0.5 🎲 → classification aléatoire
• ROC AUC > 0.5 📈 → plus le score est élevé, mieux le modèle sépare les classes