Η παρούσα εργασία παρουσιάζει ένα μοντέλο πρόβλεψης κινδύνου βασισμένο στη μηχανική μάθηση για τη νόσο Αλτσχάιμερ και τις συναφείς άνοιες, αξιοποιώντας κλινικά δεδομένα ηλεκτρονικών ιατρικών φακέλων (EHR) από πραγματικές συνθήκες, από το σύστημα Epic του Συστήματος Υγείας Johns Hopkins (JH). Παρότι έχει διεξαχθεί σημαντική έρευνα σχετικά με την πρόβλεψη κινδύνου άνοιας, οι περισσότερες μελέτες βασίζονται σε ερευνητικές κοόρτες εθελοντών και όχι σε κλινικά δεδομένα πραγματικού κόσμου. Η χρήση ακατέργαστων δεδομένων EHR παρέχει πιο ρεαλιστικές πληροφορίες, αλλά παρουσιάζει προκλήσεις λόγω της εκτεταμένης προσπάθειας που απαιτείται για τη μετατροπή των κλινικών δεδομένων πραγματικού κόσμου σε σύστημα υποστήριξης αποφάσεων για καθημερινή κλινική χρήση. Στη μελέτη, αξιοποιούνται πολυτροπικά δεδομένα EHR του JH για την ανάπτυξη ενός μοντέλου σε επίπεδο ασθενούς με στόχο την πρόβλεψη της εμφάνισης άνοιας σε χρονικό ορίζοντα πενταετίας. Το παραγόμενο ερμηνεύσιμο μοντέλο δυαδικής ταξινόμησης εντόπισε με επιτυχία προγνωστικά σύνολα κανόνων κλινικών χαρακτηριστικών για την άνοια, επιτυγχάνοντας μέση Ακρίβεια Ελέγχου. Αναγνωρίζοντας ότι τα νευροεκφυλιστικά νοσήματα συχνά οφείλονται σε πολλαπλούς συνεισφέροντες παράγοντες, εντοπίζονται οδοί κινδύνου αξιοποιώντας πολυτροπικά δεδομένα και μοντελοποιώντας τα συνδυαστικά τους αποτελέσματα, οδηγώντας σε ακριβέστερες προβλέψεις άνοιας και βελτιωμένη κλινική διαλειτουργικότητα.