Machine Learning-Based Prediction of Multiple Sclerosis Diagnosis and Progression

يُعد التصلب المتعدد (Multiple Sclerosis, MS) مرضًا مزمنًا من أمراض المناعة الذاتية التي تصيب الجهاز العصبي المركزي، حيث يؤدي إلى فقدان غمد الميالين، مما يسبب اضطرابًا في الوظائف العصبية. ولا يزال تشخيص التصلب المتعدد والتنبؤ بمساره المرضي يمثلان تحديًا بسبب تنوع مظاهره السريرية وعدم القدرة على التنبؤ بتطور المرض. تبحث هذه الدراسة في تطبيق خوارزميات التعلم الآلي للتنبؤ بتشخيص التصلب المتعدد وتطوره بالاعتماد على البيانات السريرية والديموغرافية. وقد تم استخدام مجموعة بيانات مُعالجة مسبقًا تتضمن معلومات طبية وبيانات متعلقة بنمط حياة مرضى التصلب المتعدد، ثم تدريب وتقييم عدد من نماذج التعلم الآلي، مثل الغابة العشوائية (Random Forest)، وآلة المتجهات الداعمة (Support Vector Machine, SVM)، وCatBoost، وXGBoost. أظهرت مقارنة الأداء أن نماذج التعزيز التدريجي، ولا سيما CatBoost وXGBoost، حققت دقة بلغت 99%، وتفوقت على الانحدار اللوجستي التقليدي وأساليب التعلم العميق المستخدمة في الدراسات السابقة. وتشير النتائج إلى أن النماذج المعتمدة على التعلم الآلي يمكن أن تسهم بشكل كبير في تحسين التنبؤ بالتصلب المتعدد، مما قد يساعد في التشخيص المبكر ووضع استراتيجيات علاجية فردية للمرضى. وستركز الدراسات المستقبلية على دمج المزيد من المؤشرات الحيوية (Biomarkers) ومعلومات المراقبة المستمرة للمرضى عبر الإنترنت، بهدف تعزيز قابلية تعميم النماذج وتحسين قدرتها على التنبؤ في بيئات سريرية متنوعة.