System för prediktion av Alzheimer-diagnos

🧠 Prediktionssystem för Alzheimer-diagnos 🩺

Ett medicinskt institut vill utveckla ett automatiserat system som hjälper till med
identifiering av patienter med risk för Alzheimer, genom att använda kliniska,
demografiska och beteendemässiga data.

Du har fått en dataset med kliniskt utvärderade patienter, och målet är att bygga
en binär klassificeringsmodell som kan förutsäga diagnosen för nya patienter.

Du har fått tillgång till följande filer:

• train.csv – historiska data om patienter, som innehåller diagnosen
• test.csv – data om nya patienter, utan diagnos

Huvudmål: förutsägelse av sannolikheten att en patient diagnostiseras med Alzheimer
(värde mellan 0 och 1, där 0 = frisk patient, 1 = patient med Alzheimer).

📊 Datasetet

Varje rad representerar en patient och innehåller följande attribut:

🔑 Identifiering

• PatientID – unik identifierare för patienten

👤 Demografiska data

• Age – patientens ålder
• Gender – kön (0 = kvinnligt, 1 = manligt)
• Ethnicity – patientens etnicitet (numeriskt kodade värden)
• EducationLevel – utbildningsnivå (numeriskt kodad)

🧬 Livsstil och hälsa

• BMI – kroppsmasseindex
• Smoking – rökare (1) / icke-rökare (0)
• AlcoholConsumption – alkoholkonsumtion
• PhysicalActivity – nivå av fysisk aktivitet
• DietQuality – dietkvalitet
• SleepQuality – sömnkvalitet

🏥 Medicinsk historia

• FamilyHistoryAlzheimers – familjehistoria av Alzheimer
• CardiovascularDisease – kardiovaskulära sjukdomar
• Diabetes – diabetes
• Depression – depression
• HeadInjury – huvudtrauma
• Hypertension – hypertension
• SystolicBP, DiastolicBP – blodtryck
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Kognitiva och funktionella utvärderingar

• MMSE – Mini-Mental State Examination poäng
• FunctionalAssessment – funktionell utvärdering
• ADL – dagliga aktiviteter

⚠️ Kognitiva och beteendemässiga symtom

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

🎯 Måletikett

• Diagnosis – endast i train.csv
  • 1 = Alzheimer-diagnos
  • 0 = utan Alzheimer

Slutmål: förutsäg Diagnosis för raderna i test.csv.

📝 Uppgifter

De första två deluppgifterna kontrollerar explorativ dataanalys.
Den sista deluppgiften utvärderar klassificeringsmodellens prestanda.

Deluppgift 1 (10 poäng)

Beräkna för varje patient i test.csv hur många patienter som finns i träningssetet (train.csv) som har samma ålder som patienten i testsetet.

Visa i inlämningsfilen ett naturligt tal (enligt formatet som presenteras nedan).

Deluppgift 2 (15 poäng)

För varje patient i test.csv, bestäm procentandelen rökande patienter
(Smoking = 1) från träningssetet (train.csv) som har samma ålder
som respektive patient.

Beräkningsformel för en patient med ålder v:

1(antal rökande patienter från train med Age = v) /2(totalt antal patienter från train med Age = v) * 100

Visa i inlämningsfilen ett reellt tal mellan 0 och 100,
med högst 2 decimaler, för varje patient.

Om det inte finns någon patient med respektive ålder i träningssetet,
ska det visade värdet vara 0.

Deluppgift 3 (75 poäng)

Bygg en klassificeringsmodell som förutsäger sannolikheten för Alzheimer-diagnos
(p ∈ [0,1]) för varje patient i test.csv.

Utvärderingen görs med ROC Curve och AUC (Area Under the ROC Curve).

🧮 Utvärdering

• AUC ≥ 0.90 → 75 poäng
• AUC ≤ 0.70 → 0 poäng
• Intervallet däremellan: proportionell poäng

Deluppgifterna 1–2 utvärderas exakt (genom jämförelse).

📄 Format för inlämningsfilen

Filen submission.csv ska innehålla 3 rader för varje patient i test,
motsvarande de 3 deluppgifterna.

Struktur:

1subtaskID, datapointID, answer

där:

• subtaskID – 1, 2 eller 3
• datapointID – värdet PatientID
• answer – beror på deluppgift:
  • Deluppgift 1: antalet patienter med samma ålder från träningssetet (naturligt tal)
  • Deluppgift 2: procentandelen rökare som har samma ålder som patienten (reellt tal)
  • Deluppgift 3: sannolikheten för Alzheimer (reellt tal mellan 0 och 1)

Exempel för PatientID = 4751:

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

📊 Utvärderingsmått: ROC AUC 📈

För Deluppgift 3 görs utvärderingen med ROC AUC (Area Under the ROC Curve),
ett standardmått för binära klassificeringsproblem.

Tolkning av poängen:

• ROC AUC = 1.0 🏆 → perfekt modell
• ROC AUC = 0.5 🎲 → slumpmässig klassificering
• ROC AUC > 0.5 📈 → ju högre poäng, desto bättre separerar modellen klasserna