Alzheimerio diagnozės prognozavimo sistema

🧠 Alzheimerio diagnostikos prognozavimo sistema 🩺

Medicinos institutas nori sukurti automatizuotą sistemą, kuri padėtų
identifikuoti pacientus, turinčius Alzheimerio riziką, naudojant klinikinius,
demografinius ir elgsenos duomenis.

Gavai duomenų rinkinį su kliniškai įvertintais pacientais, o tikslas yra sukurti
binarinės klasifikacijos modelį, kuris galėtų prognozuoti diagnozę naujiems pacientams.

Tau buvo pateikti šie failai:

• train.csv – istoriniai duomenys apie pacientus, kuriuose yra diagnozė
• test.csv – duomenys apie naujus pacientus, be diagnozės

Pagrindinis tikslas: tikimybės, kad pacientui bus diagnozuotas Alzheimeris, prognozavimas
(reikšmė tarp 0 ir 1, kur 0 = sveikas pacientas, 1 = pacientas su Alzheimeriu).

📊 Duomenų rinkinys

Kiekviena eilutė atstovauja pacientą ir turi šiuos atributus:

🔑 Identifikacija

• PatientID – unikalus paciento identifikatorius

👤 Demografiniai duomenys

• Age – paciento amžius
• Gender – lytis (0 = moteriškas, 1 = vyriškas)
• Ethnicity – paciento etninė priklausomybė (skaitiškai koduotos reikšmės)
• EducationLevel – išsilavinimo lygis (skaitiškai koduotas)

🧬 Gyvenimo būdas ir sveikata

• BMI – kūno masės indeksas
• Smoking – rūkorius (1) / nerūkorius (0)
• AlcoholConsumption – alkoholio vartojimas
• PhysicalActivity – fizinio aktyvumo lygis
• DietQuality – dietos kokybė
• SleepQuality – miego kokybė

🏥 Medicinos istorija

• FamilyHistoryAlzheimers – šeimos Alzheimerio istorija
• CardiovascularDisease – širdies ir kraujagyslių ligos
• Diabetes – diabetas
• Depression – depresija
• HeadInjury – galvos traumos
• Hypertension – hipertenzija
• SystolicBP, DiastolicBP – arterinis spaudimas
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Pažintiniai ir funkciniai vertinimai

• MMSE – Mini-Mental State Examination balas
• FunctionalAssessment – funkcinis vertinimas
• ADL – kasdienė veikla

⚠️ Pažintiniai ir elgesio simptomai

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

🎯 Tikslinė etiketė

• Diagnosis – tik train.csv
  • 1 = Alzheimerio diagnozė
  • 0 = be Alzheimerio

Galutinis tikslas: prognozuoti Diagnosis eilutėms iš test.csv.

📝 Užduotys

Pirmosios dvi užduotys tikrina tyrinėjamąją duomenų analizę.
Paskutinė užduotis vertina klasifikacijos modelio našumą.

1 užduotis (10 taškų)

Apskaičiuok kiekvienam pacientui iš test.csv, kiek pacientų yra treniravimo rinkinyje (train.csv), kurie turi tokį patį amžių kaip testuojamojo rinkinio pacientas.

Pateikimo faile parodyk natūralųjį skaičių (pagal žemiau pateiktą formatą).

2 užduotis (15 taškų)

Kiekvienam pacientui iš test.csv nustatyk rūkančių pacientų procentą
(Smoking = 1) iš treniravimo rinkinio (train.csv) kurie turi tokį patį amžių
kaip atitinkamas pacientas.

Skaičiavimo formulė pacientui su amžiumi v:

1(rūkančių pacientų skaičius iš train su Age = v) /2(bendras pacientų skaičius iš train su Age = v) * 100

Pateikimo faile parodyk realųjį skaičių tarp 0 ir 100,
su daugiausiai 2 skaitmenimis po kablelio, kiekvienam pacientui.

Jei treniravimo rinkinyje nėra nė vieno paciento su atitinkamu amžiumi,
parodoma reikšmė bus 0.

3 užduotis (75 taškai)

Sukurk klasifikacijos modelį, kuris prognozuoja Alzheimerio diagnozės tikimybę
(p ∈ [0,1]) kiekvienam pacientui iš test.csv.

Vertinimas atliekamas naudojant ROC kreivę ir AUC (plotą po ROC kreive).

🧮 Vertinimas

• AUC ≥ 0.90 → 75 taškai
• AUC ≤ 0.70 → 0 taškų
• Intervalas tarp jų: proporcinis taškas

1–2 užduotys vertinamos tiksliai (palyginant).

📄 Pateikimo failo formatas

Failas submission.csv turi turėti 3 eilutes kiekvienam pacientui iš test,
atitinkančias 3 užduotis.

Struktūra:

1subtaskID, datapointID, answer

kur:

• subtaskID – 1, 2 arba 3
• datapointID – PatientID reikšmė
• answer – priklauso nuo užduoties:
  • 1 užduotis: pacientų su tokiu pačiu amžiumi skaičius iš treniravimo rinkinio (natūralusis skaičius)
  • 2 užduotis: rūkančių, turinčių tokį patį amžių kaip pacientas, procentas (realusis skaičius)
  • 3 užduotis: Alzheimerio tikimybė (realusis skaičius tarp 0 ir 1)

Pavyzdys PatientID = 4751:

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

📊 Vertinimo metrika: ROC AUC 📈

3 užduočiai vertinimas atliekamas naudojant ROC AUC (plotą po ROC kreive),
standartinę metriką binarinės klasifikacijos problemoms.

Balo interpretacija:

• ROC AUC = 1.0 🏆 → tobulas modelis
• ROC AUC = 0.5 🎲 → atsitiktinė klasifikacija
• ROC AUC > 0.5 📈 → kuo didesnis balas, tuo geriau modelis atskiria klases