System przewidywania diagnozy choroby Alzheimera

🧠 System predykcji diagnozy Alzheimera 🩺

Instytut medyczny chce opracować zautomatyzowany system, który pomoże w
identyfikacji pacjentów z ryzykiem Alzheimera, wykorzystując dane kliniczne,
demograficzne i behawioralne.

Otrzymałeś zestaw danych z pacjentami ocenionymi klinicznie, a celem jest zbudowanie
modelu klasyfikacji binarnej, który będzie mógł przewidzieć diagnozę dla nowych pacjentów.

Do dyspozycji otrzymałeś następujące pliki:

• train.csv – dane historyczne o pacjentach, które zawierają diagnozę
• test.csv – dane o nowych pacjentach, bez diagnozy

Główny cel: predykcja prawdopodobieństwa, że pacjent zostanie zdiagnozowany z Alzheimerem
(wartość między 0 a 1, gdzie 0 = pacjent zdrowy, 1 = pacjent z Alzheimerem).

📊 Zestaw danych

Każdy wiersz reprezentuje pacjenta i zawiera następujące atrybuty:

🔑 Identyfikacja

• PatientID – unikalny identyfikator pacjenta

👤 Dane demograficzne

• Age – wiek pacjenta
• Gender – płeć (0 = żeńska, 1 = męska)
• Ethnicity – pochodzenie etniczne pacjenta (wartości zakodowane numerycznie)
• EducationLevel – poziom wykształcenia (zakodowany numerycznie)

🧬 Styl życia i zdrowie

• BMI – wskaźnik masy ciała
• Smoking – palacz (1) / niepalacz (0)
• AlcoholConsumption – spożycie alkoholu
• PhysicalActivity – poziom aktywności fizycznej
• DietQuality – jakość diety
• SleepQuality – jakość snu

🏥 Historia medyczna

• FamilyHistoryAlzheimers – historia rodzinna Alzheimera
• CardiovascularDisease – choroby sercowo-naczyniowe
• Diabetes – cukrzyca
• Depression – depresja
• HeadInjury – urazy głowy
• Hypertension – nadciśnienie
• SystolicBP, DiastolicBP – ciśnienie tętnicze
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Oceny poznawcze i funkcjonalne

• MMSE – wynik Mini-Mental State Examination
• FunctionalAssessment – ocena funkcjonalna
• ADL – czynności codzienne

⚠️ Objawy poznawcze i behawioralne

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

🎯 Etykieta docelowa

• Diagnosis – tylko w train.csv
  • 1 = diagnoza Alzheimera
  • 0 = bez Alzheimera

Cel końcowy: przewidzieć Diagnosis dla wierszy z test.csv.

📝 Zadania

Pierwsze dwa podzadania sprawdzają eksploracyjną analizę danych.
Ostatnie podzadanie ocenia wydajność modelu klasyfikacji.

Podzadanie 1 (10 punktów)

Oblicz dla każdego pacjenta z test.csv ilu pacjentów jest w zbiorze treningowym (train.csv), którzy mają taki sam wiek jak pacjent ze zbioru testowego.

Wyświetl w pliku submisji liczbę naturalną (zgodnie z formatem przedstawionym poniżej).

Podzadanie 2 (15 punktów)

Dla każdego pacjenta z test.csv, określ procent pacjentów palących
(Smoking = 1) ze zbioru treningowego (train.csv) którzy mają taki sam wiek
jak dany pacjent.

Formuła obliczeniowa dla pacjenta w wieku v:

1(liczba pacjentów palących z train z Age = v) /2(całkowita liczba pacjentów z train z Age = v) * 100

Wyświetl w pliku submisji liczbę rzeczywistą między 0 a 100,
z maksymalnie 2 miejscami po przecinku, dla każdego pacjenta.

Jeśli w zbiorze treningowym nie ma żadnego pacjenta w danym wieku,
wyświetlana wartość będzie 0.

Podzadanie 3 (75 punktów)

Zbuduj model klasyfikacji, który przewiduje prawdopodobieństwo diagnozy Alzheimera
(p ∈ [0,1]) dla każdego pacjenta z test.csv.

Ocena odbywa się przy użyciu ROC Curve i AUC (Area Under the ROC Curve).

🧮 Ocena

• AUC ≥ 0.90 → 75 punktów
• AUC ≤ 0.70 → 0 punktów
• Przedział między nimi: punktacja proporcjonalna

Podzadania 1–2 są oceniane dokładnie (przez porównanie).

📄 Format pliku submisji

Plik submission.csv musi zawierać 3 linie dla każdego pacjenta z testu,
odpowiadające 3 podzadaniom.

Struktura:

1subtaskID, datapointID, answer

gdzie:

• subtaskID – 1, 2 lub 3
• datapointID – wartość PatientID
• answer – zależy od podzadania:
  • Podzadanie 1: liczba pacjentów w tym samym wieku ze zbioru treningowego (liczba naturalna)
  • Podzadanie 2: procent palaczy w tym samym wieku co pacjent (liczba rzeczywista)
  • Podzadanie 3: prawdopodobieństwo Alzheimera (liczba rzeczywista między 0 a 1)

Przykład dla PatientID = 4751:

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

📊 Metryka oceny: ROC AUC 📈

Dla Podzadania 3, ocena odbywa się przy użyciu ROC AUC (Area Under the ROC Curve),
standardowej metryki dla problemów klasyfikacji binarnej.

Interpretacja wyniku:

• ROC AUC = 1.0 🏆 → model doskonały
• ROC AUC = 0.5 🎲 → klasyfikacja losowa
• ROC AUC > 0.5 📈 → im wyższy wynik, tym lepiej model rozdziela klasy