Anémie je onemocnění charakterizované poklesem množství zdravých erytrocytů v těle zdravých erytrocytů, často se vyskytuje u pacientů s chronickými onemocněním ledvin, kteří potřebují podstoupit rutinní hemodialýzu. V souladu s tím jsou v rámci tohoto procesu zavedena činidla stimulující erytrocyty (erytropoiesis-stimulující činidla, ESA) a doplňky železa, jsou zavedeny v rámci tohoto procesu. Ale zároveň mohou být komplikace vzniknout, pokud pacienti změnili metabolismus železa nebo špatnou reakci na léky. Léky jsou navíc obvykle drahé a snížené obtížné finanční zátěže veřejného zdraví nebo samotného pacienta. S ohledem na skutečnost, že počet těchto pacientů v současné době roste, existuje velká poptávka po dodatečných podpůrných systémech s "schopnostmi" k rozhodování. Jednou z možností je použít techniku umělé inteligence (umělá inteligence, AI), která se zdá být slibnou metodou, ale vyžaduje velké datové pole a není praktický v důsledku různých zdravotních stavů pacientů.
V nedávné studii, jejichž výsledky byly publikovány v mezinárodním časopisu lékařských věd, vědci z Japonska, nicméně se snažil problém vyřešit. Rozhodli se namísto toho, aby vytvořili AI studovat komplexní fyziologii těla pacienta, použijte predikční model založený na řešeních zkušených lékařů. Dowder Professor Toshiaki Ohara (Toshiaki Ohara) Z Univerzitě Okayam vysvětluje:
Vyvíjíme systém založený na principech, které se používají v procesu ředění zkušených lékařů. Nakonec nevypočítávají podrobné hodnoty životních reakcí v těle pacienta při rozhodování o dávkování, což znamená, že predikční modely založené na biochemii nejsou nutně nutné.
Vědci připravili dva sady dat získaných ve 2 nemocnicích - jeden na výuku jejich modelu a další pro testování a ověřování jeho prognóz. Zároveň zaznamenali předepsané předpisy předpisů na předpis ve dvou nemocnicích a považovány za reakci na dvě výše uvedené léky aplikované během hemodialýzy.
Na jejich základě byl postaven model AI, nazvaný "umělou inteligenční anémií" (umělá inteligence podporovaná anémie kontrolní systém, AISACS), který obdržel celkem pěti vstupních zdrojů (čtyři body krve a anamnézy) a v kvalitě výstupu zvolil pravděpodobnost potřebu dávkování pro dvě léky. Kromě toho, aby se zvýšila účinnost procesu, kompenzovali časové zpoždění mezi testováním krve a rozhodování o dávkování pomocí "Úprava údajů", aby uvedli datum rozhodování v souladu s daty průzkumu.
V důsledku toho, AISACs vykázal vysokou přesnost prognózy se správnou klasifikací (řešení odpovídající závěrům lékařů) na 72% -87%. Ale ještě zajímavější bylo, že v některých případech, AISACs poskytli "klinicky správné" klasifikace s ještě vyššími ukazateli (92% -97%). Jedná se o řešení, která se shodovala s diagnózou lékařů, ale stále považovala za správné od lékařského bodu.