Alzheimer diagnose voorspellingssysteem

🧠 Alzheimer diagnose voorspellingssysteem 🩺

Een medisch instituut wil een geautomatiseerd systeem ontwikkelen dat helpt bij
identificatie van patiënten met Alzheimer-risico, gebruikmakend van klinische,
demografische en gedragsgegevens.

Je hebt een dataset ontvangen met klinisch geëvalueerde patiënten, en het doel is om
een binair classificatiemodel te bouwen dat de diagnose voor nieuwe patiënten kan voorspellen.

De volgende bestanden zijn ter beschikking gesteld:

• train.csv – historische gegevens over patiënten, die de diagnose bevatten
• test.csv – gegevens over nieuwe patiënten, zonder diagnose

Hoofddoel: voorspelling van de waarschijnlijkheid dat een patiënt wordt gediagnosticeerd met Alzheimer
(waarde tussen 0 en 1, waarbij 0 = gezonde patiënt, 1 = patiënt met Alzheimer).

📊 De dataset

Elke rij vertegenwoordigt een patiënt en bevat de volgende attributen:

🔑 Identificatie

• PatientID – unieke identificator van de patiënt

👤 Demografische gegevens

• Age – leeftijd van de patiënt
• Gender – geslacht (0 = vrouwelijk, 1 = mannelijk)
• Ethnicity – etniciteit van de patiënt (numeriek gecodeerde waarden)
• EducationLevel – opleidingsniveau (numeriek gecodeerd)

🧬 Levensstijl en gezondheid

• BMI – body mass index
• Smoking – roker (1) / niet-roker (0)
• AlcoholConsumption – alcoholconsumptie
• PhysicalActivity – niveau van fysieke activiteit
• DietQuality – kwaliteit van het dieet
• SleepQuality – slaapkwaliteit

🏥 Medische geschiedenis

• FamilyHistoryAlzheimers – familiegeschiedenis Alzheimer
• CardiovascularDisease – cardiovasculaire ziekten
• Diabetes – diabetes
• Depression – depressie
• HeadInjury – hoofdtrauma's
• Hypertension – hypertensie
• SystolicBP, DiastolicBP – bloeddruk
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Cognitieve en functionele evaluaties

• MMSE – Mini-Mental State Examination score
• FunctionalAssessment – functionele evaluatie
• ADL – dagelijkse activiteiten

⚠️ Cognitieve en gedragssymptomen

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

🎯 Doellabel

• Diagnosis – alleen in train.csv
  • 1 = Alzheimer diagnose
  • 0 = geen Alzheimer

Einddoel: voorspel Diagnosis voor de rijen in test.csv.

📝 Taken

De eerste twee subtaken controleren de exploratieve data-analyse.
De laatste subtaak evalueert de prestatie van het classificatiemodel.

Subtaak 1 (10 punten)

Bereken voor elke patiënt in test.csv hoeveel patiënten er in de trainingsset (train.csv) zijn die dezelfde leeftijd hebben als de patiënt in de testset.

Toon in het inzendingsbestand een natuurlijk getal (volgens het hieronder gepresenteerde formaat).

Subtaak 2 (15 punten)

Voor elke patiënt in test.csv, bepaal het percentage rokende patiënten
(Smoking = 1) uit de trainingsset (train.csv) die dezelfde leeftijd hebben
als de betreffende patiënt.

Berekeningsformule voor een patiënt met leeftijd v:

1(aantal rokende patiënten uit train met Age = v) /2(totaal aantal patiënten uit train met Age = v) * 100

Toon in het inzendingsbestand een reëel getal tussen 0 en 100,
met maximaal 2 decimalen, voor elke patiënt.

Als er in de trainingsset geen enkele patiënt bestaat met die leeftijd,
zal de getoonde waarde 0 zijn.

Subtaak 3 (75 punten)

Bouw een classificatiemodel dat de waarschijnlijkheid van Alzheimer diagnose
(p ∈ [0,1]) voorspelt voor elke patiënt in test.csv.

De evaluatie wordt gedaan met behulp van ROC Curve en AUC (Area Under the ROC Curve).

🧮 Evaluatie

• AUC ≥ 0.90 → 75 punten
• AUC ≤ 0.70 → 0 punten
• Het interval daartussen: proportionele score

Subtaken 1–2 worden exact geëvalueerd (door vergelijking).

📄 Formaat van het inzendingsbestand

Het bestand submission.csv moet 3 regels bevatten voor elke patiënt in test,
overeenkomend met de 3 subtaken.

Structuur:

1subtaskID, datapointID, answer

waarbij:

• subtaskID – 1, 2 of 3
• datapointID – de waarde PatientID
• answer – afhankelijk van subtaak:
  • Subtaak 1: het aantal patiënten met dezelfde leeftijd uit de trainingsset (natuurlijk getal)
  • Subtaak 2: het percentage rokers die dezelfde leeftijd hebben als de patiënt (reëel getal)
  • Subtaak 3: de waarschijnlijkheid van Alzheimer (reëel getal tussen 0 en 1)

Voorbeeld voor PatientID = 4751:

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

📊 Evaluatiemetriek: ROC AUC 📈

Voor Subtaak 3 wordt de evaluatie gedaan met behulp van ROC AUC (Area Under the ROC Curve),
een standaardmetriek voor binaire classificatieproblemen.

Interpretatie van de score:

• ROC AUC = 1.0 🏆 → perfect model
• ROC AUC = 0.5 🎲 → willekeurige classificatie
• ROC AUC > 0.5 📈 → hoe hoger de score, hoe beter het model de klassen scheidt