Система прогнозування діагнозу хвороби Альцгеймера

🧠 Система прогнозування діагнозу хвороби Альцгеймера 🩺

Медичний інститут бажає розробити автоматизовану систему, яка допомагатиме в
ідентифікації пацієнтів з ризиком хвороби Альцгеймера, використовуючи клінічні,
демографічні та поведінкові дані.

Ви отримали набір даних з пацієнтами, які пройшли клінічну оцінку, а мета полягає в тому, щоб побудувати
модель бінарної класифікації, яка зможе передбачити діагноз для нових пацієнтів.

Вам надано наступні файли:

• train.csv – історичні дані про пацієнтів, які містять діагноз
• test.csv – дані про нових пацієнтів, без діагнозу

Основна мета: прогнозування ймовірності того, що пацієнту буде діагностовано хворобу Альцгеймера
(значення між 0 та 1, де 0 = здоровий пацієнт, 1 = пацієнт з хворобою Альцгеймера).

📊 Набір даних

Кожен рядок представляє пацієнта і містить наступні атрибути:

🔑 Ідентифікація

• PatientID – унікальний ідентифікатор пацієнта

👤 Демографічні дані

• Age – вік пацієнта
• Gender – стать (0 = жіноча, 1 = чоловіча)
• Ethnicity – етнічна приналежність пацієнта (числові кодовані значення)
• EducationLevel – рівень освіти (числово кодований)

🧬 Спосіб життя та здоров'я

• BMI – індекс маси тіла
• Smoking – курець (1) / некурець (0)
• AlcoholConsumption – споживання алкоголю
• PhysicalActivity – рівень фізичної активності
• DietQuality – якість дієти
• SleepQuality – якість сну

🏥 Медична історія

• FamilyHistoryAlzheimers – сімейна історія хвороби Альцгеймера
• CardiovascularDisease – серцево-судинні захворювання
• Diabetes – діабет
• Depression – депресія
• HeadInjury – черепно-мозкові травми
• Hypertension – гіпертонія
• SystolicBP, DiastolicBP – артеріальний тиск
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 Когнітивні та функціональні оцінки

• MMSE – оцінка Mini-Mental State Examination
• FunctionalAssessment – функціональна оцінка
• ADL – повсякденна діяльність

⚠️ Когнітивні та поведінкові симптоми

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

🎯 Цільова мітка

• Diagnosis – тільки в train.csv
  • 1 = діагноз хвороби Альцгеймера
  • 0 = без хвороби Альцгеймера

Кінцева мета: передбачити Diagnosis для рядків з test.csv.

📝 Завдання

Перші два підзавдання перевіряють дослідницький аналіз даних.
Останнє підзавдання оцінює продуктивність моделі класифікації.

Підзавдання 1 (10 балів)

Обчисліть для кожного пацієнта з test.csv скільки пацієнтів є в наборі для навчання (train.csv), які мають той самий вік, що і пацієнт з тестового набору.

Виведіть у файл подання натуральне число (згідно з форматом, представленим нижче).

Підзавдання 2 (15 балів)

Для кожного пацієнта з test.csv визначте відсоток пацієнтів-курців
(Smoking = 1) з навчального набору (train.csv) які мають той самий вік
з відповідним пацієнтом.

Формула обчислення для пацієнта з віком v:

1(кількість пацієнтів-курців з train з Age = v) /2(загальна кількість пацієнтів з train з Age = v) * 100

Виведіть у файл подання дійсне число між 0 та 100,
з максимум 2 десятковими знаками, для кожного пацієнта.

Якщо в навчальному наборі немає жодного пацієнта з відповідним віком,
виведене значення буде 0.

Підзавдання 3 (75 балів)

Побудуйте модель класифікації, яка передбачає ймовірність діагнозу хвороби Альцгеймера
(p ∈ [0,1]) для кожного пацієнта з test.csv.

Оцінювання проводиться за допомогою ROC Curve та AUC (Area Under the ROC Curve).

🧮 Оцінювання

• AUC ≥ 0.90 → 75 балів
• AUC ≤ 0.70 → 0 балів
• Інтервал між ними: пропорційний бал

Підзавдання 1–2 оцінюються точно (через порівняння).

📄 Формат файлу подання

Файл submission.csv повинен містити 3 рядки для кожного пацієнта з test,
що відповідають 3 підзавданням.

Структура:

1subtaskID, datapointID, answer

де:

• subtaskID – 1, 2 або 3
• datapointID – значення PatientID
• answer – залежить від підзавдання:
  • Підзавдання 1: кількість пацієнтів з тим самим віком з навчального набору (натуральне число)
  • Підзавдання 2: відсоток курців, які мають той самий вік з пацієнтом (дійсне число)
  • Підзавдання 3: ймовірність хвороби Альцгеймера (дійсне число між 0 та 1)

Приклад для PatientID = 4751:

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

📊 Метрика оцінювання: ROC AUC 📈

Для Підзавдання 3 оцінювання проводиться за допомогою ROC AUC (Area Under the ROC Curve),
стандартної метрики для задач бінарної класифікації.

Інтерпретація оцінки:

• ROC AUC = 1.0 🏆 → ідеальна модель
• ROC AUC = 0.5 🎲 → випадкова класифікація
• ROC AUC > 0.5 📈 → чим вищий бал, тим краще модель розділяє класи