Prediksjon av pasientstatus - OJIA 2 Simulering

🏥 Problem: Analyse og prediksjon av pasientens tilstand

For dette problemet må du implementere en maskinlæringsmodell for å predikere verdien av feltet Status ved å bruke et tilgjengelig datasett som inneholder informasjon om pasienter. Datasettet er organisert i en CSV-fil som inkluderer diverse egenskaper (features), og evalueringen av modellen vil bli gjort basert på presisjon for klassen Dead.

📊 Datasettet

Datasettet inneholder følgende felter:

• Age: Pasientens alder.
• Race: Pasientens rase (f.eks: White, Other).
• Marital Status: Pasientens sivilstatus.
• T Stage: Tumorstadium (T1, T2, T3, T4).
• N Stage: Grad av påvirkning av lymfeknuter.
• 6th Stage: Kreftstadie i henhold til TNM-klassifiseringen fra 6. utgave.
• differentiate: Grad av tumordifferensiering.
• Grade: Histologisk grad av tumor (1, 2, 3 osv.).
• A Stage: Klassifisering av sykdomsstadium.
• Tumor Size: Tumorstørrelse.
• BMI: Kroppsmasseindeks.
• Heart Rate: Hjerterytme.
• Serum Creatinine: Serumnivå av kreatinin.
• Uric Acid: Nivå av urinsyre.
• Hemoglobin: Hemoglobinkonsentrasjon.
• GFR (Glomerular Filtration Rate): Glomerulær filtrasjonsrate.
• Serum Sodium: Konsentrasjon av serum natrium.
• Serum Potassium: Konsentrasjon av serum kalium.
• Serum Albumin: Nivå av serum albumin.
• Lactate: Laktatkonsentrasjon.
• Status: Pasientens tilstand („Dead" eller „Alive") – målfeltet.

📝 Oppgaver

For de første subtasks må du laste inn datasettet og utføre statistiske analyser på train.csv.

Subtask 1 (10 poeng)

Klassifiser nyrefunksjonen for hver pasient basert på GFR-verdien:

• Normal hvis GFR >= 90
• Mildly Decreased hvis 60 <= GFR < 90

Subtask 2 (10 poeng)

Beregn kvartilene for verdiene i kolonnen Serum Creatinine (Q1, Q2, Q3) og klassifiser pasientene i test:

• Very Low hvis Serum Creatinine <= Q1
• Low hvis Q1 < Serum Creatinine <= Q2
• High hvis Q2 < Serum Creatinine <= Q3
• Very High hvis Serum Creatinine > Q3

Subtask 3 (10 poeng)

Bestemmelse av BMI-verdi:

• 1 hvis BMI > median fra train
• 0 hvis BMI <= median

Subtask 4 (10 poeng)

Antall pasienter fra train som befinner seg i samme T Stage som pasienten fra test.

Subtask 5 (60 poeng)

Bygg en ML-modell for å predikere Status (Dead eller Alive) basert på egenskaper. Evalueringen gjøres basert på presisjon for klassen Dead.

🧮 Evaluering

Evalueringsmetrikken er presisjon for klassen Dead:

hvor:

• TP = antall pasienter korrekt predikert Dead
• FP = antall pasienter predikert Dead feilaktig

Format for innleveringsfil

Innleveringsfilen må være i CSV-format (Comma-Separated Values), med følgende kolonner:

• subtaskID - indeks for oppgaven vi gir svar på
• datapointID - unik identifikator for pasienten fra datasettet
• answer - svaret assosiert med pasienten fra datasettet for den angitte oppgaven

Eksempel:

1subtaskID,datapointID,answer21,3220,Normal32,3220,Very High43,3220,054,3220,128165,3220,1

📌 Merknader

• Målfeltet er Status.
• Noen felter kan inneholde manglende verdier (NaN) og må behandles.
• Det anbefales å analysere korrelasjonen mellom variabler og målvariabelen.
• Oppdag og fjern ekstremverdier hvis de påvirker modellens ytelse.
• Innsending av en sample_output for lokal testing gir 5 poeng.

🗂️ Nyttige ressurser

• Komplett Starter Kit – inneholder et skjelett du kan starte problemløsningen fra