في عالم يتطور باستمرار بفضل التكنولوجيا، يأتي مرض باركنسون (Parkinson's Disease) كواحد من التحديات الكبيرة التي تواجه المجتمع الطبي. يُعتبر هذا المرض التقدمي اضطراباً عصبياً يؤثر سلباً على الأداء الحركي، مما يؤدي إلى ظهور أعراض مثل الرعاش (tremors) وصلابة العضلات (rigidity) وعدم الاستقرار الجسدي (postural instability).

وفي ضوء هذه التحديات، اقترحت دراسة جديدة استخدام تقنيات متقدمة للكشف عن شدة مرض باركنسون، وذلك من خلال دمج حساسات الحركة ثلاثية المحاور (Triaxial IMU Sensors) مع أساليب تعلم الآلة (Machine Learning).

تستند هذه الطريقة إلى تحليل البيانات المستخرجة من أجهزة القياس بالقصور الذاتي، التي تجمع بيانات الحركة من خلال حساسات التسارع (acceleration) و الحساسات الدورانية (gyroscope) لقياس الحركات في ثلاثة اتجاهات هي X و Y و Z. تعتمد نتيجة هذا التحليل على تفسير المعلومات عن الأعراض الدقيقة المرتبطة بمرض باركنسون.

تستخدم الدراسة عدة نماذج تصنيف مثل دعم آلة الناقل (Support Vector Machine) والانحدار اللوجستي (Logistic Regression) وكائنات الجوار القريبة (K-Nearest Neighbors) وشجرة القرار (Decision Tree) وغيرها. ومن بين النتائج، كان أداء نموذج الانحدار اللوجستي حوالي 75%، بينما سجل نموذج كائنات الجوار القريبة حوالي 90%. إلا أن نموذج دعم آلة الناقل حقق أداءً قارب 94%، بينما قاربت فعالية نماذج مثل شجرة القرار وXGBoost حوالي 96%.

لكن النموذج الذي برز كالأفضل بين جميع النماذج المعتمدة هو نموذج Light Gradient Boosting Machine (LightGBM)، الذي حقق دقة وأداء متكامل بنسبة تقارب 97% في جميع المقاييس، بما في ذلك الدقة (Accuracy) والدقة الإيجابية (Precision) والاستدعاء (Recall) وF1-score.

تُظهر هذه النتائج أن الاقتراب المعتمد على تعلم الآلة يمكن أن يقدم قدرة تنبؤية دقيقة وفعالة في تصنيف شدة مرض باركنسون، مما يفتح آفاقاً جديدة في الكشف المبكر وإدارة المرض وتحسين جودة حياة المرضى.