Systém predikcie diagnózy Alzheimerovej choroby

🧠 Systém predikcie diagnózy Alzheimerovej choroby 🩺

Lekársky inštitút si želá vyvinúť automatizovaný systém, ktorý by pomohol pri
identifikácii pacientov s rizikom Alzheimerovej choroby, používajúc klinické,
demografické a behaviorálne údaje.

Dostal si súbor údajov s klinicky vyhodnotenými pacientmi a cieľom je vybudovať
model binárnej klasifikácie, ktorý dokáže predpovedať diagnózu pre nových pacientov.

Boli ti poskytnuté nasledujúce súbory:

• train.csv – historické údaje o pacientoch, ktoré obsahujú diagnózu
• test.csv – údaje o nových pacientoch, bez diagnózy

Hlavný cieľ: predikcia pravdepodobnosti, že u pacienta bude diagnostikovaná Alzheimerova choroba
(hodnota medzi 0 a 1, kde 0 = zdravý pacient, 1 = pacient s Alzheimerovou chorobou).

📊 Súbor údajov

Každý riadok predstavuje pacienta a obsahuje nasledujúce atribúty:

🔑 Identifikácia

• PatientID – jedinečný identifikátor pacienta

👤 Demografické údaje

• Age – vek pacienta
• Gender – pohlavie (0 = ženské, 1 = mužské)
• Ethnicity – etnicita pacienta (numericky kódované hodnoty)
• EducationLevel – úroveň vzdelania (numericky kódovaná)

🧬 Životný štýl a zdravie

• BMI – index telesnej hmotnosti
• Smoking – fajčiar (1) / nefajčiar (0)
• AlcoholConsumption – konzumácia alkoholu
• PhysicalActivity – úroveň fyzickej aktivity
• DietQuality – kvalita stravy
• SleepQuality – kvalita spánku

🏥 Zdravotná anamnéza

• FamilyHistoryAlzheimers – rodinná anamnéza Alzheimerovej choroby
• CardiovascularDisease – kardiovaskulárne ochorenia
• Diabetes – cukrovka
• Depression – depresia
• HeadInjury – úrazy hlavy
• Hypertension – hypertenzia
• SystolicBP, DiastolicBP – krvný tlak
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Kognitívne a funkčné hodnotenia

• MMSE – skóre Mini-Mental State Examination
• FunctionalAssessment – funkčné hodnotenie
• ADL – denné aktivity

⚠️ Kognitívne a behaviorálne symptómy

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

🎯 Cieľová etiketa

• Diagnosis – len v train.csv
  • 1 = diagnóza Alzheimerovej choroby
  • 0 = bez Alzheimerovej choroby

Konečný cieľ: predpovedať Diagnosis pre riadky v test.csv.

📝 Úlohy

Prvé dva subtasky overujú exploračnú analýzu údajov.
Posledný subtask hodnotí výkonnosť klasifikačného modelu.

Subtask 1 (10 bodov)

Vypočítaj pre každého pacienta z test.csv koľko pacientov je v trénovacej množine (train.csv), ktorí mají rovnaký vek ako pacient z testovacej množiny.

Zobraz v súbore na odovzdanie prirodzené číslo (podľa formátu uvedeného nižšie).

Subtask 2 (15 bodov)

Pre každého pacienta z test.csv urči percentuálny podiel fajčiarov
(Smoking = 1) z trénovacej množiny (train.csv) ktorí majú rovnaký vek
ako príslušný pacient.

Vzorec na výpočet pre pacienta s vekom v:

1(počet fajčiarov z train s Age = v) /2(celkový počet pacientov z train s Age = v) * 100

Zobraz v súbore na odovzdanie reálne číslo medzi 0 a 100,
s maximálne 2 desatinnými miestami, pre každého pacienta.

Ak v trénovacej množine neexistuje žiadny pacient s príslušným vekom,
zobrazená hodnota bude 0.

Subtask 3 (75 bodov)

Vybuduj klasifikačný model, ktorý predpovedá pravdepodobnosť diagnózy Alzheimerovej choroby
(p ∈ [0,1]) pre každého pacienta z test.csv.

Hodnotenie sa vykonáva pomocou ROC Curve a AUC (Area Under the ROC Curve).

🧮 Hodnotenie

• AUC ≥ 0.90 → 75 bodov
• AUC ≤ 0.70 → 0 bodov
• Interval medzi nimi: proporcionálne bodovanie

Subtasky 1–2 sa hodnotia presne (porovnaním).

📄 Formát súboru na odovzdanie

Súbor submission.csv musí obsahovať 3 riadky pre každého pacienta z testu,
zodpovedajúce 3 subtaskom.

Štruktúra:

1subtaskID, datapointID, answer

kde:

• subtaskID – 1, 2 alebo 3
• datapointID – hodnota PatientID
• answer – závisí od subtasku:
  • Subtask 1: počet pacientov s rovnakým vekom z trénovacej množiny (prirodzené číslo)
  • Subtask 2: percentuálny podiel fajčiarov, ktorí majú rovnaký vek ako pacient (reálne číslo)
  • Subtask 3: pravdepodobnosť Alzheimerovej choroby (reálne číslo medzi 0 a 1)

Príklad pre PatientID = 4751:

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

📊 Metrika hodnotenia: ROC AUC 📈

Pre Subtask 3 sa hodnotenie vykonáva pomocou ROC AUC (Area Under the ROC Curve),
štandardnej metriky pre problémy binárnej klasifikácie.

Interpretácia skóre:

• ROC AUC = 1.0 🏆 → perfektný model
• ROC AUC = 0.5 🎲 → náhodná klasifikácia
• ROC AUC > 0.5 📈 → čím vyššie skóre, tým lepšie model oddeľuje triedy