Prediksjon av pasientstatus - OJIA 2 Simulering (v1)

🏥 Problem: Pasientanalyse og tilstandsprediksjon

For dette problemet må du implementere en maskinlæringsmodell for å predikere verdien til 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 sivilstand.
• T Stage: Tumorstadium (T1, T2, T3, T4).
• N Stage: Grad av påvirkning av lymfeknuter.
• 6th Stage: Kreftstadie i henhold til TNM-klassifikasjonen 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: Urinsyrenivå.
• Hemoglobin: Hemoglobinkonsentrasjon.
• GFR (Glomerular Filtration Rate): Glomerulær filtrasjonsrate.
• Serum Sodium: Serumkonsentrasjon av natrium.
• Serum Potassium: Serumkonsentrasjon av kalium.
• Serum Albumin: Serumalbumin-nivå.
• Lactate: Laktatkonsentrasjon.
• Status: Pasientens tilstand („Dead" eller „Alive") – målfelt.

📝 Oppgaver

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

Subtask 1 (10 poeng)

Klassifiser nyrefunksjonen for hver pasient fra test-settet 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) for treningsdatasettet og klassifiser pasientene fra testdatasettet i henhold til følgende:

• 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-verdien slik:

1. Vi beregner verdien for medianen av denne kolonnen for dataene fra treningssettet.
2. For pasientene fra testsettet anser vi at vi har:

• 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:

Poengsummen tildeles basert på precision (weighted) verdien oppnådd av modellen:

hvor:

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

📌 Notater

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

📄 Format for innleveringsfil

Filen submission.csv må inneholde resultatene av alle 5 subtasks for hver rad i test-settet.
Hver rad fra test genererer 5 linjer i filen, én for hver subtask.

Filstruktur:

1subtaskID, datapointID, answer

Betydning av kolonnene:

• subtaskID - subtask-nummer (1–5).
• datapointID - pasient-ID fra test (hvis testfilen ikke har ID, brukes radindeksen).
• answer - resultatet som kreves av subtask:
  • Subtask 1: Normal / Mildly Decreased / Decreased
  • Subtask 2: Very Low / Low / High / Very High
  • Subtask 3: 0 eller 1
  • Subtask 4: heltall (count)
  • Subtask 5: 1 hvis modellen predikerer Dead, 0 hvis den predikerer Alive

Eksempel for en enkelt pasient med ID 3220:

1subtaskID    datapointID    answer21            3220           Normal32            3220           Low43            3220           054            3220           565            3220           1

🗂️ Nyttige ressurser

• Komplett Starter Kit – inneholder et skjelett du kan starte løsningen av problemet fra