Sistema di predizione della diagnosi di Alzheimer

🧠 Sistema di predizione della diagnosi di Alzheimer 🩺

Un istituto medico desidera sviluppare un sistema automatizzato che aiuti nell'
identificazione dei pazienti a rischio di Alzheimer, utilizzando dati clinici,
demografici e comportamentali.

Hai ricevuto un set di dati con pazienti valutati clinicamente, e l'obiettivo è costruire
un modello di classificazione binaria che possa predire la diagnosi per nuovi pazienti.

Ti sono stati messi a disposizione i seguenti file:

• train.csv – dati storici sui pazienti, che contengono la diagnosi
• test.csv – dati sui nuovi pazienti, senza diagnosi

Obiettivo principale: predizione della probabilità che un paziente sia diagnosticato con Alzheimer
(valore tra 0 e 1, dove 0 = paziente sano, 1 = paziente con Alzheimer).

📊 Il set di dati

Ogni riga rappresenta un paziente e contiene i seguenti attributi:

🔑 Identificazione

• PatientID – identificatore unico del paziente

👤 Dati demografici

• Age – età del paziente
• Gender – sesso (0 = femminile, 1 = maschile)
• Ethnicity – etnia del paziente (valori codificati numericamente)
• EducationLevel – livello educativo (codificato numericamente)

🧬 Stile di vita e salute

• BMI – indice di massa corporea
• Smoking – fumatore (1) / non fumatore (0)
• AlcoholConsumption – consumo di alcol
• PhysicalActivity – livello di attività fisica
• DietQuality – qualità della dieta
• SleepQuality – qualità del sonno

🏥 Storia medica

• FamilyHistoryAlzheimers – storia familiare di Alzheimer
• CardiovascularDisease – malattie cardiovascolari
• Diabetes – diabete
• Depression – depressione
• HeadInjury – traumi cranici
• Hypertension – ipertensione
• SystolicBP, DiastolicBP – pressione arteriosa
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Valutazioni cognitive e funzionali

• MMSE – punteggio Mini-Mental State Examination
• FunctionalAssessment – valutazione funzionale
• ADL – attività quotidiane

⚠️ Sintomi cognitivi e comportamentali

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

🎯 Etichetta target

• Diagnosis – solo in train.csv
  • 1 = diagnosi Alzheimer
  • 0 = senza Alzheimer

Obiettivo finale: predire Diagnosis per le righe in test.csv.

📝 Task

I primi due subtask verificano l'analisi esplorativa dei dati.
L'ultimo subtask valuta le prestazioni del modello di classificazione.

Subtask 1 (10 punti)

Calcola per ogni paziente in test.csv quanti pazienti ci sono nel set di addestramento (train.csv) che hanno la stessa età del paziente nel set di test.

Visualizza nel file di submission un numero naturale (secondo il formato presentato di seguito).

Subtask 2 (15 punti)

Per ogni paziente in test.csv, determina la percentuale di pazienti fumatori
(Smoking = 1) dal set di addestramento (train.csv) che hanno la stessa età
del paziente rispettivo.

Formula di calcolo per un paziente con età v:

1(numero pazienti fumatori da train con Age = v) /2(numero totale pazienti da train con Age = v) * 100

Visualizza nel file di submission un numero reale tra 0 e 100,
con massimo 2 decimali, per ogni paziente.

Se nel set di addestramento non esiste nessun paziente con quell'età,
il valore visualizzato sarà 0.

Subtask 3 (75 punti)

Costruisci un modello di classificazione che predice la probabilità di diagnosi Alzheimer
(p ∈ [0,1]) per ogni paziente in test.csv.

La valutazione si fa usando ROC Curve e AUC (Area Under the ROC Curve).

🧮 Valutazione

• AUC ≥ 0.90 → 75 punti
• AUC ≤ 0.70 → 0 punti
• L'intervallo tra questi: punteggio proporzionale

I subtask 1–2 si valutano esattamente (per confronto).

📄 Formato del file di submission

Il file submission.csv deve contenere 3 righe per ogni paziente in test,
corrispondenti ai 3 subtask.

Struttura:

1subtaskID, datapointID, answer

dove:

• subtaskID – 1, 2 o 3
• datapointID – il valore PatientID
• answer – dipende dal subtask:
  • Subtask 1: il numero di pazienti con la stessa età dal set di addestramento (numero naturale)
  • Subtask 2: la percentuale di fumatori che hanno la stessa età del paziente (numero reale)
  • Subtask 3: la probabilità di Alzheimer (numero reale tra 0 e 1)

Esempio per PatientID = 4751:

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

📊 Metrica di valutazione: ROC AUC 📈

Per il Subtask 3, la valutazione si fa usando ROC AUC (Area Under the ROC Curve),
una metrica standard per problemi di classificazione binaria.

Interpretazione del punteggio:

• ROC AUC = 1.0 🏆 → modello perfetto
• ROC AUC = 0.5 🎲 → classificazione casuale
• ROC AUC > 0.5 📈 → più alto è il punteggio, meglio il modello separa le classi