Sustav za predviđanje dijagnoze Alzheimerove bolesti

🧠 Sustav za predviđanje dijagnoze Alzheimerove bolesti 🩺

Medicinski institut želi razviti automatizirani sustav koji će pomoći u
identificiranju pacijenata s rizikom od Alzheimerove bolesti, koristeći kliničke,
demografske i bihevioralne podatke.

Dobio si skup podataka s klinički evaluiranim pacijentima, a cilj je da izgradiš
model binarne klasifikacije koji može predvidjeti dijagnozu za nove pacijente.

Stavljene su ti na raspolaganje sljedeće datoteke:

• train.csv – povijesni podaci o pacijentima koji sadrže dijagnozu
• test.csv – podaci o novim pacijentima, bez dijagnoze

Glavni cilj: predviđanje vjerojatnosti da će pacijent biti dijagnosticiran s Alzheimerovom bolešću
(vrijednost između 0 i 1, gdje 0 = zdrav pacijent, 1 = pacijent s Alzheimerovom bolešću).

📊 Skup podataka

Svaki red predstavlja pacijenta i sadrži sljedeće atribute:

🔑 Identifikacija

• PatientID – jedinstveni identifikator pacijenta

👤 Demografski podaci

• Age – dob pacijenta
• Gender – spol (0 = ženski, 1 = muški)
• Ethnicity – etnicitet pacijenta (numerički kodirane vrijednosti)
• EducationLevel – razina obrazovanja (numerički kodirana)

🧬 Životni stil i zdravlje

• BMI – indeks tjelesne mase
• Smoking – pušač (1) / nepušač (0)
• AlcoholConsumption – konzumacija alkohola
• PhysicalActivity – razina fizičke aktivnosti
• DietQuality – kvaliteta prehrane
• SleepQuality – kvaliteta sna

🏥 Medicinska povijest

• FamilyHistoryAlzheimers – obiteljska povijest Alzheimerove bolesti
• CardiovascularDisease – kardiovaskularne bolesti
• Diabetes – dijabetes
• Depression – depresija
• HeadInjury – ozljede glave
• Hypertension – hipertenzija
• SystolicBP, DiastolicBP – krvni tlak
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Kognitivne i funkcionalne procjene

• MMSE – rezultat Mini-Mental State Examination
• FunctionalAssessment – funkcionalna procjena
• ADL – svakodnevne aktivnosti

⚠️ Kognitivni i bihevioralni simptomi

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

🎯 Ciljna oznaka

• Diagnosis – samo u train.csv
  • 1 = dijagnoza Alzheimerove bolesti
  • 0 = bez Alzheimerove bolesti

Konačni cilj: predvidjeti Diagnosis za redove u test.csv.

📝 Zadaci

Prva dva podzadatka provjeravaju eksplorativnu analizu podataka.
Zadnji podzadatak evaluira performanse modela klasifikacije.

Podzadatak 1 (10 bodova)

Izračunaj za svakog pacijenta iz test.csv koliko pacijenata je u skupu za treniranje (train.csv) koji imaju istu dob kao pacijent iz skupa za testiranje.

Prikaži u datoteci za predaju prirodan broj (prema formatu prikazanom niže).

Podzadatak 2 (15 bodova)

Za svakog pacijenta iz test.csv, odredi postotak pacijenata pušača
(Smoking = 1) iz skupa za treniranje (train.csv) koji imaju istu dob
kao taj pacijent.

Formula za izračun za pacijenta s dobi v:

1(broj pacijenata pušača iz train s Age = v) /2(ukupan broj pacijenata iz train s Age = v) * 100

Prikaži u datoteci za predaju realan broj između 0 i 100,
s maksimalno 2 decimale, za svakog pacijenta.

Ako u skupu za treniranje ne postoji niti jedan pacijent s tom dobi,
prikazana vrijednost će biti 0.

Podzadatak 3 (75 bodova)

Izgradi model klasifikacije koji predviđa vjerojatnost dijagnoze Alzheimerove bolesti
(p ∈ [0,1]) za svakog pacijenta iz test.csv.

Evaluacija se vrši koristeći ROC krivulju i AUC (Area Under the ROC Curve).

🧮 Evaluacija

• AUC ≥ 0.90 → 75 bodova
• AUC ≤ 0.70 → 0 bodova
• Interval između njih: proporcionalni bodovi

Podzadaci 1–2 se evaluiraju točno (usporedbom).

📄 Format datoteke za predaju

Datoteka submission.csv mora sadržavati 3 linije za svakog pacijenta iz test skupa,
koje odgovaraju 3 podzadatka.

Struktura:

1subtaskID, datapointID, answer

gdje:

• subtaskID – 1, 2 ili 3
• datapointID – vrijednost PatientID
• answer – ovisi o podzadatku:
  • Podzadatak 1: broj pacijenata s istom dobi iz skupa za treniranje (prirodan broj)
  • Podzadatak 2: postotak pušača koji imaju istu dob kao pacijent (realan broj)
  • Podzadatak 3: vjerojatnost Alzheimerove bolesti (realan broj između 0 i 1)

Primjer za PatientID = 4751:

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

📊 Metrika evaluacije: ROC AUC 📈

Za Podzadatak 3, evaluacija se vrši koristeći ROC AUC (Area Under the ROC Curve),
standardnu metriku za probleme binarne klasifikacije.

Interpretacija rezultata:

• ROC AUC = 1.0 🏆 → savršen model
• ROC AUC = 0.5 🎲 → slučajna klasifikacija
• ROC AUC > 0.5 📈 → što je rezultat veći, to model bolje razlikuje klase