Анемія - захворювання, що характеризується зниженням в організмі кількості здорових еритроцитів, часто зустрічається у пацієнтів з хронічними захворюваннями нирок, яким необхідно пройти рутинний гемодіаліз. Відповідно, в рамках цього процесу вводяться еритроцит-стимулюючі агенти (erythropoiesis-stimulating agents, ESA) і добавки заліза (iron supplements, IS). Але при цьому можуть виникнути ускладнення, якщо у пацієнтів змінився метаболізм заліза або погана реакція на ліки. Крім того, ліки, як правило, є дорогими і лягають важким фінансовим тягарем на практику охорони здоров'я або на самого пацієнта. Таким чином, з урахуванням того, що число таких пацієнтів в даний час зростає, існує великий попит на додаткові системи підтримки, що володіють "здібностями" до прийняття рішень. Один з варіантів полягає у використанні технології штучного інтелекту (artificial intelligence, AI), яка представляється перспективним методом, але вимагає великого масиву даних і не є практичним через різних станів здоров'я пацієнтів.
У недавньому дослідженні, результати якого були опубліковані в International Journal of Medical Sciences, вчені з Японії проте спробували вирішити проблему. Вони вирішили замість того, щоб змусити AI вивчати складну фізіологію тіла пацієнта, використовувати модель прогнозування, засновану на рішеннях досвідчених лікарів. Доцент Тошіакі Охара (Toshiaki Ohara) з університету Окаяма пояснює:
Ми розробляємо систему, засновану на принципах, які використовуються при розумовому процесі досвідчених лікарів. Зрештою, вони не обчислюють детальні значення життєвих реакцій в організмі пацієнта при ухваленні рішення про дозування, а це значить, що моделі прогнозування, засновані на біохімії, не обов'язково потрібні.
Вчені підготували два набори даних, отримані в 2-х лікарнях - один для навчання своєї моделі, а інший для тестування і перевірки своїх прогнозів. Одночасно вони записали виписані лікарями приписи щодо дозування в двох лікарнях і розглянули реакцію на два згадані вище препарату, що застосовуються під час гемодіалізу.
На їх основі була побудована AI-модель, яка називається "системою контролю анемії зі штучним інтелектом" (artificial-intelligence-supported anemia control system, AISACS), яка отримала в цілому п'ять джерел вхідних даних (чотири пункти аналізу крові та анамнезу) і в як вихідних даних вибрала ймовірність необхідності дозування для двох лікарських засобів. Крім того, для підвищення ефективності процесу, вони компенсували тимчасову затримку між аналізом крові і прийняттям рішення про дозування, використовуючи "коригування даних" для приведення дат прийняття рішення у відповідність з датами обстеження.
В результаті AISACS показав високу точність прогнозу з правильної класифікації (рішення, відповідні висновками лікарів) на рівні 72% -87%. Але ще більш цікавим було те, що в деяких випадках AISACS забезпечив "клінічно правильні" класифікації з ще більш високими показниками (92% -97%). Це були рішення, які не збігалися з діагнозом лікарів, але все ж вважалися правильними з медичної точки зору.