تُعتبر متلازمة تكيس المبايض (PCOS) من أكثر الاضطرابات الهرمونية انتشارًا بين النساء في مراحل الإنجاب، حيث تؤثر على أكثر من 10% منهن. تعاني النساء المصابات بهذه المتلازمة من اضطرابات في الإباضة وارتفاع مستويات الأندروجينات، الى جانب ظهور العديد من الكيسات الصغيرة على المبايض. تشمل العلامات والأعراض الشائعة لمتلازمة تكيس المبايض انقطاع أو عدم انتظام الدورة الشهرية، وزيادة نمو الشعر، وحب الشباب، والعقم، وزيادة الوزن.

تُعد تقنيات التعلم الآلي (Machine Learning) الآن من أبرز الحلول لتشخيص هذه الحالة بشكل مبكر وفعال. فبالرغم من أن الأساليب التقليدية لتشخيص PCOS تشمل التقييم السريري والتاريخ الطبي والفحوصات المخبرية، إلا أنها تتطلب موارد جيدة وتستغرق وقتًا طويلاً. على العكس، توفر الأساليب المستندة إلى البيانات تقدمًا ملحوظًا في التنبؤ بالأمراض في المجال الطبي، وذلك من خلال تحليل كميات كبيرة من البيانات الطبية المتاحة.

قدم الباحثون نهجًا قائمًا على البيانات لتشخيص PCOS، من خلال دمج تقنيات معالجة البيانات واختيارات الميزات (Feature Engineering) وتقنيات التعلم الآلي المختلفة. تمّ توفير مجموعة من خوارزميات اختيار الميزات، بما في ذلك CatBoost وExtreme Gradient Boosting (XGBoost) وLight Gradient Boosting Machine (LGBM) وAdaBoost، بالإضافة إلى Random Forest (RF).

أظهرت النتائج أن خوارزمية AdaBoost، باستخدام عشرة ميزات تم اختيارها بواسطة خوارزمية RF بناءً على الأهمية والارتباط الأعلى، حققت أعلى دقة اختبار. تُبرز هذه النتائج الإمكانيات الكبيرة لـ Machine Learning في تحسين تشخيص PCOS ودعم الأطباء في اتخاذ قرارات علاجية مستندة إلى البيانات.

ما رأيكم في استخدام تقنيات الذكاء الاصطناعي في تحسين الرعاية الصحية؟ شاركونا آراءكم في التعليقات.