التنبؤ بفشل القلب باستخدام نماذج التعلم الآلي مع نظام تتبع التجارب MLflow

يتناول المشروع تطوير نموذج ذكي للتنبؤ بإمكانية إصابة المرضى بفشل القلب اعتمادًا على البيانات الطبية السريرية. تم تنفيذ العمل على مراحل منظمة تبدأ من جمع البيانات حتى تحليل النتائج وتوثيق النماذج باستخدام MLflow. جمع ومعالجة البيانات: استخدام مجموعة بيانات تحتوي على متغيرات صحية مهمة مثل العمر، الجنس، ضغط الدم، معدل نبض القلب، مستوى الكوليسترول، وسكر الدم. تنظيف البيانات والتعامل مع القيم المفقودة والشاذة لضمان جودة النتائج. التحليل الاستكشافي (EDA): تحليل التوزيعات الإحصائية والمتغيرات لمعرفة أكثر العوامل تأثيرًا على الإصابة بفشل القلب. استخدام الرسوم البيانية لفهم العلاقة بين العوامل المختلفة ومخرجات التنبؤ. بناء النماذج: تجربة عدة خوارزميات تعلم آلي مثل Logistic Regression، Random Forest، XGBoost، وSVM. مقارنة أداء النماذج بناءً على دقة التصنيف وROC-AUC لتحديد النموذج الأكثر فعالية. تحسين الأداء: استخدام تقنيات ضبط المعاملات (Hyperparameter Tuning) لتحسين أداء النموذج. تطبيق مبدأ تجزئة البيانات إلى تدريب واختبار للتحقق من جودة التعميم (Generalization). تتبع التجارب باستخدام MLflow: تسجيل جميع التجارب، النماذج، والنتائج لتسهيل المقارنة وإعادة التنفيذ. تنظيم workflow متكامل يوضح مراحل المشروع من البداية للنهاية. التقييم والتطبيق: تقييم أداء النموذج النهائي باستخدام مؤشرات دقيقة مثل Accuracy، Precision، Recall، وF1-Score. تحليل النتائج لتوضيح مدى إمكانية استخدام النموذج في دعم القرارات الطبية. النتائج: النموذج أظهر قدرة عالية على التنبؤ المبكر بفشل القلب مما يساعد الأطباء على اتخاذ قرارات علاجية استباقية. تم توثيق جميع الخطوات باستخدام MLflow لتسهيل تطوير النماذج مستقبلاً وتحسينها.