Η σκλήρυνση κατά πλάκας (ΣΚΠ) αποτελεί μια απομυελινωτική νόσο του κεντρικού νευρικού συστήματος. Συχνά προηγείται ένα αρχικό νευρολογικό επεισόδιο που υποδηλώνει απομυελίνωση, το οποίο διαρκεί τουλάχιστον 24 ώρες, απουσία πυρετού ή λοίμωξης, γνωστό ως κλινικά απομονωμένο σύνδρομο (ΚΑΣ), το οποίο μπορεί να αποτελέσει πρόδρομο της ΣΚΠ. Περίπου το 70% των ασθενών με ΚΑΣ εξελίσσονται σε ΣΚΠ. Η ετερογένεια των συμπτωμάτων του ΚΑΣ και η πολύπλοκη φύση της εξέλιξης της ΣΚΠ απαιτούν μοντέλα που μπορούν να αποτυπώσουν μη γραμμικές σχέσεις και αλληλεπιδράσεις μεταξύ ενός ευρέος φάσματος μεταβλητών, ώστε να υπάρχει έγκαιρη διάγνωση και εξατομικευμένο σχεδιασμό θεραπείας για ασθενείς με ΚΑΣ.

Στα πλαίσια αυτής της διπλωματικής εργασίας, διερευνήθηκαν και έγινε συστηματική σύγκριση μιας σειράς προηγμένων τεχνικών μηχανικής μάθησης για να προσδιοριστεί ποιο μοντέλο ή συνδυασμός μοντέλων προσφέρει τη μεγαλύτερη ακρίβεια, αξιοπιστία και κλινική χρησιμότητα στην πρόβλεψη της εξέλιξης του κλινικά απομονωμένου συνδρόμου σε σκλήρυνση κατά πλάκας. Χρησιμοποιήθηκαν τεχνικές προεπεξεργασίας δεδομένων, επιλογής χαρακτηριστικών, αντιμετώπισης ακραίων τιμών, διαχείρισης της ασυμμετρίας των κλάσεων και ποικιλία ταξινομητών. Έγινε αξιολόγηση της απόδοσης κάθε μοντέλου χρησιμοποιώντας ένα ολοκληρωμένο σύστημα μετρικών.

Αφού προκρίθηκε το μοντέλο με τις καλύτερες επιδόσεις, δημιουργήθηκε ένα γραφικό περιβάλλον διεπαφής, ενσωμάτωσης του μοντέλου στις κλινικές ροές εργασίας, αξιολογώντας τον τρόπο με τον οποίο το μοντέλο αυτό θα μπορούσε να υποστηρίξει τη λήψη κλινικών αποφάσεων και τον εξατομικευμένο σχεδιασμό θεραπείας για ασθενείς με ΚΑΣ.

Multiple Sclerosis (MS) is a demyelinating disease of the central nervous system. Often, an initial neurological episode indicating demyelination, lasting at least 24 hours and occurring in the absence of fever or infection, known as Clinically Isolated Syndrome (CIS), precedes it. This episode can be a precursor to MS. About 70% of patients with CIS progress to MS. The heterogeneity of CIS symptoms and the complex nature of MS progression require models that can map non-linear relationships and interactions among a wide range of variables, to ensure timely diagnosis and personalized treatment planning for patients with CIS.

In this thesis, a systematic comparison of advanced machine learning techniques was conducted to determine which model or combination of models offers the greatest accuracy, reliability, and clinical utility in predicting the progression of Clinically Isolated Syndrome to Multiple Sclerosis. Data preprocessing techniques, feature selection, outlier handling, class imbalance management, and a variety of classifiers were employed. The performance of each model was evaluated using a comprehensive system of metrics.

Upon identifying the best-performing model, a graphical user interface (GUI) was developed to integrate the model into clinical workflows, assessing how this model could support clinical decision-making and personalized treatment planning for CIS patients.