تُعد الكلى عضواً حيوياً في جسم الإنسان، وتؤدي إصابتها بخلل إلى عواقب خطيرة. يُشكل مرض الكلى المزمن (CKD) مرضاً تدريجياً، وبسبب عدم وضوح الأعراض المبكرة، يصبح التشخيص المبكر تحدياً سريرياً. وفقاً للإحصاءات، يعاني حوالي 850 مليون شخص حول العالم من أمراض الكلى، ويصل عدد الذين يعتمدون على الغسيل الكلوي أو زراعة الكلى إلى 10 ملايين شخص، مما يبرز أهمية التشخيص المبكر لمرض الكلى المزمن.

لمواجهة هذا التحدي، يستكشف الباحثون استخدام تقنيات الذكاء الاصطناعي والتعلم الآلي (ML) لتطوير أدوات آلية تهدف إلى تحسين كفاءة ودقة الكشف عن مرض الكلى المزمن. دفع بحث في كلية الهندسة وعلوم الحاسوب بـ Florida Atlantic University هذا المجال إلى الأمام، حيث استكشف كيف يمكن للحوسبة الكمومية تعزيز أداء أنظمة تشخيص مرض الكلى المزمن القائمة على التعلم الآلي. قام الدكتور Arslan Munir، المؤلف الرئيسي، وفريقه بتطوير ومقارنة نظامين آليين للتشخيص: آلة المتجهات الداعمة الكلاسيكية (CSVM) وآلة المتجهات الداعمة الكمومية (QSVM).

قام فريق البحث أولاً بمعالجة مسبقة لمجموعة بيانات مرض الكلى المزمن لضمان موثوقية النتائج. ثم استخدموا طريقتي تحليل المكونات الرئيسية (PCA) وتحليل القيم المنفردة (SVD) لتحسين البيانات، مما يقلل الضوضاء ويحسن الكفاءة الحسابية. من خلال مقارنة أداء CSVM وQSVM على مجموعات البيانات المحسنة، كشفت الدراسة عن فروق ملحوظة: عند الجمع مع PCA، بلغت دقة CSVM 98.75%، بينما كانت دقة QSVM 87.5% فقط؛ أما مع SVD، فكانت دقة CSVM 96.25%، وانخفضت دقة QSVM إلى 60%. كما تفوقت CSVM في السرعة بشكل كبير على QSVM، حيث كانت أسرع بـ42 مرة في بعض الحالات. ومع ذلك، أكد مونير أن قيود أداء QSVM ترجع بشكل أساسي إلى القدرات الحسابية الحالية، وليس إلى نقص في إمكانات الخوارزمية الكمومية. قد تكون الأنظمة الهجينة الكمومية-الكلاسيكية حلاً قريب المدى، تجمع مزايا الاثنين لتحسين دقة التشخيص.