Авторы работы, учёные из Университета Сапиенца (Италия), решили оценить, какими методами можно наиболее оптимально предсказать исход болезни. Выбор данных для оценки достаточно разнообразен, однако авторы остановились на двигательной функции, оцениваемой с помощью специальных силовых функциональных платформ. Всего было два основных типа данных: полученные от 50 здоровых людей и полученные от 50 людей с диагностированным рассеянным склерозом на трёх разных стадиях (первичный прогрессирующий рассеянный склероз, стадия ремиссии и вторичный прогрессирующий рассеянный склероз).

Данные получались в виде сигнала, поэтому их подвергали процедуре шумоподавления, затем определяли необходимое окно данных - условно, сколько дескрипторов, данных или иных параметров данных попадает в систему. Если окно было слишком маленьким, то корреляцию установить не удастся, слишком большое же окно может привести к переобучению и серьёзно замедлить процесс обучения модели. Определив эти данные, авторы также столкнулись с необходимостью снизить мерность обрабатываемого сигнала. Так среди его характеристик были частота, средняя частота, мощность сигнала и прочие. Чтобы сократить время расчёта и повысить интепретируемость результатов, авторы применили методы сокращения мерности. Наконец, обработанные данные разделили на два набора: обучающий и тестовый, каждый из которых состоял из 4-х классов: нормальные образцы и три различные стадии РС. Данные перемешали для достижения наибольшей объективности, затем авторы попытались выстроить и улучшить корреляции с помощью метода опорных векторов, древа принятия решений, адаптивной нечёткой оптимизации и прочих.

В результате работы, авторы показали лучшую специфичность для метода опорных векторов, где им удалось достичь специфичности до 83%, похожие результаты дал метод адаптивной нечёткой оптимизации - 82%. Эти результаты показывают, какие методы построения моделей предпочтительнее для обработки данных, полученных от пациентов с РС, и могут быть использованы в дальнейшем для построения более чётких и точных моделей.