System for prediksjon av Alzheimer-diagnose

🧠 System for prediksjon av Alzheimer-diagnose 🩺

Et medisinsk institutt ønsker å utvikle et automatisert system som skal hjelpe til med
identifisering av pasienter med risiko for Alzheimer, ved bruk av kliniske,
demografiske og atferdsmessige data.

Du har fått et datasett med klinisk evaluerte pasienter, og målet er å bygge
en binær klassifikasjonsmodell som kan predikere diagnosen for nye pasienter.

Du har fått tilgang til følgende filer:

• train.csv – historiske data om pasienter, som inneholder diagnosen
• test.csv – data om nye pasienter, uten diagnose

Hovedmål: prediksjon av sannsynligheten for at en pasient blir diagnostisert med Alzheimer
(verdi mellom 0 og 1, hvor 0 = frisk pasient, 1 = pasient med Alzheimer).

📊 Datasettet

Hver rad representerer en pasient og inneholder følgende attributter:

🔑 Identifikasjon

• PatientID – unik identifikator for pasienten

👤 Demografiske data

• Age – pasientens alder
• Gender – kjønn (0 = kvinnelig, 1 = mannlig)
• Ethnicity – pasientens etnisitet (numerisk kodede verdier)
• EducationLevel – utdanningsnivå (numerisk kodet)

🧬 Livsstil og helse

• BMI – kroppsmasseindeks
• Smoking – røyker (1) / ikke-røyker (0)
• AlcoholConsumption – alkoholforbruk
• PhysicalActivity – nivå av fysisk aktivitet
• DietQuality – kvalitet på kosthold
• SleepQuality – søvnkvalitet

🏥 Medisinsk historie

• FamilyHistoryAlzheimers – familiehistorie med Alzheimer
• CardiovascularDisease – hjerte-kar-sykdommer
• Diabetes – diabetes
• Depression – depresjon
• HeadInjury – hodeskader
• Hypertension – hypertensjon
• SystolicBP, DiastolicBP – blodtrykk
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Kognitive og funksjonelle evalueringer

• MMSE – Mini-Mental State Examination-skår
• FunctionalAssessment – funksjonell evaluering
• ADL – daglige aktiviteter

⚠️ Kognitive og atferdsmessige symptomer

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

🎯 Måletikett

• Diagnosis – kun i train.csv
  • 1 = Alzheimer-diagnose
  • 0 = uten Alzheimer

Endelig mål: prediker Diagnosis for radene i test.csv.

📝 Oppgaver

De første to deloppgavene verifiserer utforskende dataanalyse.
Den siste deloppgaven evaluerer ytelsen til klassifikasjonsmodellen.

Deloppgave 1 (10 poeng)

Beregn for hver pasient i test.csv hvor mange pasienter som finnes i treningssettet (train.csv) som har samme alder som pasienten i testsettet.

Vis i innleveringsfilen et naturlig tall (i henhold til formatet presentert nedenfor).

Deloppgave 2 (15 poeng)

For hver pasient i test.csv, bestem prosentandelen av røykende pasienter
(Smoking = 1) fra treningssettet (train.csv) som har samme alder
som den respektive pasienten.

Beregningsformel for en pasient med alder v:

1(antall røykende pasienter fra train med Age = v) /2(totalt antall pasienter fra train med Age = v) * 100

Vis i innleveringsfilen et reelt tall mellom 0 og 100,
med maksimalt 2 desimaler, for hver pasient.

Hvis det ikke finnes noen pasient med den respektive alderen i treningssettet,
vil den viste verdien være 0.

Deloppgave 3 (75 poeng)

Bygg en klassifikasjonsmodell som predikerer sannsynligheten for Alzheimer-diagnose
(p ∈ [0,1]) for hver pasient i test.csv.

Evalueringen gjøres ved bruk av ROC Curve og AUC (Area Under the ROC Curve).

🧮 Evaluering

• AUC ≥ 0.90 → 75 poeng
• AUC ≤ 0.70 → 0 poeng
• Intervallet mellom dem: proporsjonalt poeng

Deloppgavene 1–2 evalueres nøyaktig (ved sammenligning).

📄 Format for innleveringsfilen

Filen submission.csv må inneholde 3 linjer for hver pasient i test,
tilsvarende de 3 deloppgavene.

Struktur:

1subtaskID, datapointID, answer

hvor:

• subtaskID – 1, 2 eller 3
• datapointID – verdien PatientID
• answer – avhenger av deloppgave:
  • Deloppgave 1: antall pasienter med samme alder fra treningssettet (naturlig tall)
  • Deloppgave 2: prosentandelen av røykere som har samme alder som pasienten (reelt tall)
  • Deloppgave 3: sannsynligheten for Alzheimer (reelt tall mellom 0 og 1)

Eksempel for PatientID = 4751:

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

📊 Evalueringsmetrikk: ROC AUC 📈

For Deloppgave 3 gjøres evalueringen ved bruk av ROC AUC (Area Under the ROC Curve),
en standard metrikk for binære klassifikasjonsproblemer.

Tolkning av skåren:

• ROC AUC = 1.0 🏆 → perfekt modell
• ROC AUC = 0.5 🎲 → tilfeldig klassifikasjon
• ROC AUC > 0.5 📈 → jo høyere skåren er, desto bedre skiller modellen klassene