Система прогнозирования диагноза болезни Альцгеймера

🧠 Система прогнозирования диагноза болезни Альцгеймера 🩺

Медицинский институт хочет разработать автоматизированную систему, которая поможет в
выявлении пациентов с риском болезни Альцгеймера, используя клинические,
демографические и поведенческие данные.

Вы получили набор данных с клинически обследованными пациентами, и цель состоит в том, чтобы построить
модель бинарной классификации, которая сможет предсказать диагноз для новых пациентов.

Вам предоставлены следующие файлы:

• train.csv – исторические данные о пациентах, содержащие диагноз
• test.csv – данные о новых пациентах без диагноза

Основная цель: предсказание вероятности того, что у пациента будет диагностирована болезнь Альцгеймера
(значение между 0 и 1, где 0 = здоровый пациент, 1 = пациент с болезнью Альцгеймера).

📊 Набор данных

Каждая строка представляет пациента и содержит следующие атрибуты:

🔑 Идентификация

• PatientID – уникальный идентификатор пациента

👤 Демографические данные

• Age – возраст пациента
• Gender – пол (0 = женский, 1 = мужской)
• Ethnicity – этническая принадлежность пациента (числовые закодированные значения)
• EducationLevel – уровень образования (числовое кодирование)

🧬 Образ жизни и здоровье

• BMI – индекс массы тела
• Smoking – курящий (1) / некурящий (0)
• AlcoholConsumption – потребление алкоголя
• PhysicalActivity – уровень физической активности
• DietQuality – качество диеты
• SleepQuality – качество сна

🏥 Медицинская история

• FamilyHistoryAlzheimers – семейная история болезни Альцгеймера
• CardiovascularDisease – сердечно-сосудистые заболевания
• Diabetes – диабет
• Depression – депрессия
• HeadInjury – черепно-мозговые травмы
• Hypertension – гипертония
• SystolicBP, DiastolicBP – артериальное давление
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Когнитивные и функциональные оценки

• MMSE – балл Mini-Mental State Examination
• FunctionalAssessment – функциональная оценка
• ADL – повседневная деятельность

⚠️ Когнитивные и поведенческие симптомы

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

🎯 Целевая метка

• Diagnosis – только в train.csv
  • 1 = диагноз болезни Альцгеймера
  • 0 = без болезни Альцгеймера

Конечная цель: предсказать Diagnosis для строк из test.csv.

📝 Задачи

Первые две подзадачи проверяют исследовательский анализ данных.
Последняя подзадача оценивает производительность модели классификации.

Подзадача 1 (10 баллов)

Вычислите для каждого пациента из test.csv, сколько пациентов в тренировочном наборе (train.csv) имеют тот же возраст, что и пациент из тестового набора.

Выведите в файл подачи натуральное число (согласно формату, представленному ниже).

Подзадача 2 (15 баллов)

Для каждого пациента из test.csv определите процент курящих пациентов
(Smoking = 1) из тренировочного набора (train.csv) которые имеют тот же возраст
что и соответствующий пациент.

Формула расчета для пациента с возрастом v:

1(количество курящих пациентов из train с Age = v) /2(общее количество пациентов из train с Age = v) * 100

Выведите в файл подачи вещественное число между 0 и 100,
с максимум 2 десятичными знаками, для каждого пациента.

Если в тренировочном наборе нет ни одного пациента с соответствующим возрастом,
выводимое значение будет 0.

Подзадача 3 (75 баллов)

Постройте модель классификации, которая предсказывает вероятность диагноза болезни Альцгеймера
(p ∈ [0,1]) для каждого пациента из test.csv.

Оценка проводится с использованием ROC Curve и AUC (Area Under the ROC Curve).

🧮 Оценивание

• AUC ≥ 0.90 → 75 баллов
• AUC ≤ 0.70 → 0 баллов
• Интервал между ними: пропорциональный балл

Подзадачи 1–2 оцениваются точно (путем сравнения).

📄 Формат файла подачи

Файл submission.csv должен содержать 3 строки для каждого пациента из test,
соответствующие 3 подзадачам.

Структура:

1subtaskID, datapointID, answer

где:

• subtaskID – 1, 2 или 3
• datapointID – значение PatientID
• answer – зависит от подзадачи:
  • Подзадача 1: количество пациентов с тем же возрастом из тренировочного набора (натуральное число)
  • Подзадача 2: процент курящих, которые имеют тот же возраст, что и пациент (вещественное число)
  • Подзадача 3: вероятность болезни Альцгеймера (вещественное число между 0 и 1)

Пример для PatientID = 4751:

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

📊 Метрика оценки: ROC AUC 📈

Для Подзадачи 3 оценка проводится с использованием ROC AUC (Area Under the ROC Curve),
стандартной метрики для задач бинарной классификации.

Интерпретация балла:

• ROC AUC = 1.0 🏆 → идеальная модель
• ROC AUC = 0.5 🎲 → случайная классификация
• ROC AUC > 0.5 📈 → чем выше балл, тем лучше модель разделяет классы