Alzheimer diagnózis előrejelző rendszer

🧠 Alzheimer diagnózis előrejelzési rendszer 🩺

Egy orvosi intézet automatizált rendszert szeretne fejleszteni, amely segít az
Alzheimer kockázattal rendelkező betegek azonosításában, klinikai,
demográfiai és viselkedési adatok felhasználásával.

Kaptál egy klinikailag értékelt betegek adathalmazát, és a cél egy
bináris osztályozási modell építése, amely képes új betegek diagnózisát előre jelezni.

A következő fájlok állnak rendelkezésedre:

• train.csv – betegek történeti adatai, amelyek tartalmazzák a diagnózist
• test.csv – új betegek adatai, diagnózis nélkül

Fő cél: annak valószínűségének előrejelzése, hogy egy betegnél Alzheimer-kórt diagnosztizálnak
(érték 0 és 1 között, ahol 0 = egészséges beteg, 1 = Alzheimer-kóros beteg).

📊 Adathalmaz

Minden sor egy beteget képvisel és a következő attribútumokat tartalmazza:

🔑 Azonosítás

• PatientID – a beteg egyedi azonosítója

👤 Demográfiai adatok

• Age – a beteg életkora
• Gender – nem (0 = női, 1 = férfi)
• Ethnicity – a beteg etnikai hovatartozása (numerikusan kódolt értékek)
• EducationLevel – iskolázottsági szint (numerikusan kódolt)

🧬 Életmód és egészség

• BMI – testtömegindex
• Smoking – dohányzó (1) / nem dohányzó (0)
• AlcoholConsumption – alkoholfogyasztás
• PhysicalActivity – fizikai aktivitás szintje
• DietQuality – étrend minősége
• SleepQuality – alvás minősége

🏥 Kórtörténet

• FamilyHistoryAlzheimers – családi Alzheimer-kórtörténet
• CardiovascularDisease – szív- és érrendszeri betegségek
• Diabetes – cukorbetegség
• Depression – depresszió
• HeadInjury – fejsérülések
• Hypertension – magas vérnyomás
• SystolicBP, DiastolicBP – vérnyomás
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Kognitív és funkcionális értékelések

• MMSE – Mini-Mental State Examination pontszám
• FunctionalAssessment – funkcionális értékelés
• ADL – napi tevékenységek

⚠️ Kognitív és viselkedési tünetek

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

🎯 Célcímke

• Diagnosis – csak a train.csv-ben
  • 1 = Alzheimer diagnózis
  • 0 = nincs Alzheimer

Végső cél: Diagnosis előrejelzése a test.csv soraira.

📝 Feladatok

Az első két részfeladat az adatok feltáró elemzését ellenőrzi.
Az utolsó részfeladat az osztályozási modell teljesítményét értékeli.

1. részfeladat (10 pont)

Számítsd ki minden test.csv-beli beteg esetében, hogy hány beteg van a tanító halmazban (train.csv), akiknek ugyanaz az életkora, mint a teszthalmaz adott betegének.

Jelenítsd meg a beadási fájlban egy természetes számot (az alább bemutatott formátum szerint).

2. részfeladat (15 pont)

Minden test.csv-beli beteg esetében határozd meg a dohányzó betegek százalékát
(Smoking = 1) a tanító halmazból (train.csv), akiknek ugyanaz az életkora
mint az adott betegnek.

Számítási képlet egy v életkorú beteg esetében:

1(dohányzó betegek száma a train-ben Age = v-vel) /2(összes beteg száma a train-ben Age = v-vel) * 100

Jelenítsd meg a beadási fájlban egy 0 és 100 közötti valós számot,
maximum 2 tizedesjeggyel, minden beteg esetében.

Ha a tanító halmazban nincs beteg az adott életkorral,
a megjelenített érték 0 lesz.

3. részfeladat (75 pont)

Építs egy osztályozási modellt, amely előrejelzi az Alzheimer diagnózis valószínűségét
(p ∈ [0,1]) minden test.csv-beli beteg esetében.

Az értékelés ROC görbe és AUC (Area Under the ROC Curve) használatával történik.

🧮 Értékelés

• AUC ≥ 0.90 → 75 pont
• AUC ≤ 0.70 → 0 pont
• A kettő közötti intervallum: arányos pontszám

Az 1–2. részfeladatok pontos értékelése (összehasonlítással).

📄 Beadási fájl formátuma

A submission.csv fájlnak 3 sort kell tartalmaznia minden tesztbeteg esetében,
a 3 részfeladatnak megfelelően.

Struktúra:

1subtaskID, datapointID, answer

ahol:

• subtaskID – 1, 2 vagy 3
• datapointID – a PatientID értéke
• answer – részfeladattól függően:
  • 1. részfeladat: ugyanolyan életkorú betegek száma a tanító halmazban (természetes szám)
  • 2. részfeladat: ugyanolyan életkorú dohányzók százaléka (valós szám)
  • 3. részfeladat: Alzheimer valószínűsége (valós szám 0 és 1 között)

Példa PatientID = 4751 esetében:

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

📊 Értékelési metrika: ROC AUC 📈

A 3. részfeladat esetében az értékelés ROC AUC (Area Under the ROC Curve) használatával történik,
amely a bináris osztályozási problémák standard metrikája.

A pontszám értelmezése:

• ROC AUC = 1.0 🏆 → tökéletes modell
• ROC AUC = 0.5 🎲 → véletlenszerű osztályozás
• ROC AUC > 0.5 📈 → minél magasabb a pontszám, annál jobban különíti el a modell az osztályokat