Sistema de predição do diagnóstico de Alzheimer

🧠 Sistema de predição de diagnóstico de Alzheimer 🩺

Um instituto médico deseja desenvolver um sistema automatizado que ajude na
identificação de pacientes com risco de Alzheimer, usando dados clínicos,
demográficos e comportamentais.

Você recebeu um conjunto de dados com pacientes avaliados clinicamente, e o objetivo é construir
um modelo de classificação binária que possa predizer o diagnóstico para novos pacientes.

Foram disponibilizados os seguintes arquivos:

• train.csv – dados históricos sobre pacientes, que contêm o diagnóstico
• test.csv – dados sobre novos pacientes, sem diagnóstico

Objetivo principal: predição da probabilidade de um paciente ser diagnosticado com Alzheimer
(valor entre 0 e 1, onde 0 = paciente saudável, 1 = paciente com Alzheimer).

📊 Conjunto de dados

Cada linha representa um paciente e contém os seguintes atributos:

🔑 Identificação

• PatientID – identificador único do paciente

👤 Dados demográficos

• Age – idade do paciente
• Gender – sexo (0 = feminino, 1 = masculino)
• Ethnicity – etnia do paciente (valores codificados numericamente)
• EducationLevel – nível educacional (codificado numericamente)

🧬 Estilo de vida e saúde

• BMI – índice de massa corporal
• Smoking – fumante (1) / não fumante (0)
• AlcoholConsumption – consumo de álcool
• PhysicalActivity – nível de atividade física
• DietQuality – qualidade da dieta
• SleepQuality – qualidade do sono

🏥 Histórico médico

• FamilyHistoryAlzheimers – histórico familiar de Alzheimer
• CardiovascularDisease – doenças cardiovasculares
• Diabetes – diabetes
• Depression – depressão
• HeadInjury – traumatismos cranianos
• Hypertension – hipertensão
• SystolicBP, DiastolicBP – pressão arterial
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Avaliações cognitivas e funcionais

• MMSE – pontuação Mini-Mental State Examination
• FunctionalAssessment – avaliação funcional
• ADL – atividades diárias

⚠️ Sintomas cognitivos e comportamentais

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

🎯 Rótulo alvo

• Diagnosis – apenas em train.csv
  • 1 = diagnóstico de Alzheimer
  • 0 = sem Alzheimer

Objetivo final: predizer Diagnosis para as linhas em test.csv.

📝 Tarefas

As duas primeiras subtarefas verificam a análise exploratória dos dados.
A última subtarefa avalia o desempenho do modelo de classificação.

Subtarefa 1 (10 pontos)

Calcule para cada paciente em test.csv quantos pacientes estão no conjunto de treinamento (train.csv) que têm a mesma idade do paciente no conjunto de teste.

Exiba no arquivo de submissão um número natural (conforme o formato apresentado abaixo).

Subtarefa 2 (15 pontos)

Para cada paciente em test.csv, determine a porcentagem de pacientes fumantes
(Smoking = 1) do conjunto de treinamento (train.csv) que têm a mesma idade
do paciente respectivo.

Fórmula de cálculo para um paciente com idade v:

1(número de pacientes fumantes em train com Age = v) /2(número total de pacientes em train com Age = v) * 100

Exiba no arquivo de submissão um número real entre 0 e 100,
com no máximo 2 casas decimais, para cada paciente.

Se no conjunto de treinamento não existir nenhum paciente com a idade respectiva,
o valor exibido será 0.

Subtarefa 3 (75 pontos)

Construa um modelo de classificação que prediga a probabilidade de diagnóstico de Alzheimer
(p ∈ [0,1]) para cada paciente em test.csv.

A avaliação é feita usando ROC Curve e AUC (Area Under the ROC Curve).

🧮 Avaliação

• AUC ≥ 0.90 → 75 pontos
• AUC ≤ 0.70 → 0 pontos
• Intervalo entre eles: pontuação proporcional

As subtarefas 1–2 são avaliadas exatamente (por comparação).

📄 Formato do arquivo de submissão

O arquivo submission.csv deve conter 3 linhas para cada paciente em test,
correspondentes às 3 subtarefas.

Estrutura:

1subtaskID, datapointID, answer

onde:

• subtaskID – 1, 2 ou 3
• datapointID – o valor PatientID
• answer – depende da subtarefa:
  • Subtarefa 1: número de pacientes com a mesma idade do conjunto de treinamento (número natural)
  • Subtarefa 2: porcentagem de fumantes que têm a mesma idade do paciente (número real)
  • Subtarefa 3: probabilidade de Alzheimer (número real entre 0 e 1)

Exemplo para PatientID = 4751:

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

📊 Métrica de avaliação: ROC AUC 📈

Para a Subtarefa 3, a avaliação é feita usando ROC AUC (Area Under the ROC Curve),
uma métrica padrão para problemas de classificação binária.

Interpretação da pontuação:

• ROC AUC = 1.0 🏆 → modelo perfeito
• ROC AUC = 0.5 🎲 → classificação aleatória
• ROC AUC > 0.5 📈 → quanto maior a pontuação, melhor o modelo separa as classes