Η παρούσα εργασία διερευνά τη Διαταραχή Ελλειμματικής Προσοχής και Υπερκινητικότητας (ΔΕΠΥ) χρησιμοποιώντας σύγχρονες μεθοδολογίες μηχανικής μάθησης και ανάλυσης δεδομένων. Στόχος είναι η ανάπτυξη υπολογιστικών εργαλείων για την ανίχνευση προτύπων που διαφοροποιούν τα άτομα με ΔΕΠΥ από τις ομάδες ελέγχου, αξιοποιώντας δεδομένα ηλεκτροφυσιολογίας (EEG), καταγραφές κίνησης (actigraphy) και συμπεριφορικούς δείκτες. Η μεθοδολογία περιλαμβάνει συστηματική προεπεξεργασία και εφαρμογή αλγορίθμων, όπως Random Forest και SVM, καθώς και ανάλυση συστάδων (clustering) για τον εντοπισμό υποομάδων εντός της διαταραχής. Τα αποτελέσματα υπήρξαν ιδιαίτερα ενθαρρυντικά, με την ακρίβεια ταξινόμησης να ξεπερνά το 95% σε ορισμένα μοντέλα. Η έρευνα αναδεικνύει ότι η ΔΕΠΥ δεν είναι μια ενιαία οντότητα αλλά ένα φάσμα με ετερογενείς εκφάνσεις. Η συνδυαστική χρήση πολλαπλών πηγών δεδομένων επιτρέπει όχι μόνο την ακριβή διάγνωση, αλλά και τη βαθύτερη κατανόηση των νευροβιολογικών μηχανισμών. Συνολικά, η εργασία υπογραμμίζει τη δυναμική της Τεχνητής Νοημοσύνης στη δημιουργία αντικειμενικών, μη επεμβατικών διαγνωστικών εργαλείων που μπορούν να υποστηρίξουν το κλινικό έργο στο μέλλον.