Anæmi er en sygdom, der er kendetegnet ved et fald i mængden af sunde erythrocytter i kroppen af sunde erythrocytter, forekommer ofte hos patienter med kroniske nyresygdomme, der skal gennemgå rutinemæssig hæmodialyse. Følgelig indføres de erytrocyt-stimulerende midler (erythropoiesis-stimulerende midler, ESA) og jerntilskud, inden for rammerne af denne proces. Men samtidig kan der opstå komplikationer, hvis patienterne har ændret metabolismen af jern eller dårlig reaktion på narkotika. Derudover er lægemidler normalt dyre og sænkede en vanskelig økonomisk byrde for folkesundheden eller patienten selv. Under hensyntagen til, at antallet af sådanne patienter i øjeblikket vokser, er der således en stor efterspørgsel efter yderligere supportsystemer med "evner" til at træffe beslutninger. En mulighed er at bruge kunstig intelligens teknologi (kunstig intelligens, AI), som synes at være en lovende metode, men kræver en stor data array og er ikke praktisk på grund af forskellige patientsygehjælp.
I en nylig undersøgelse forsøgte resultaterne af, at forskere fra Japan ikke desto mindre forsøgte at løse problemet. De besluttede i stedet for at gøre AI til at studere patientens krops komplekse fysiologi, bruge forudsigelsesmodellen baseret på løsninger af erfarne læger. Lektor Toshiaki Ohara (Toshiaki Ohara) fra Okayam University forklarer:
Vi udvikler et system baseret på de principper, der bruges i udtyndingsprocessen af erfarne læger. I sidste ende beregner de ikke de detaljerede værdier for livsreaktionerne i patientens krop, når de træffer en beslutning om doseringen, hvilket betyder, at forudsigelsesmodeller baseret på biokemi ikke nødvendigvis er nødvendig.
Forskere har udarbejdet to datasæt, der er opnået på 2 hospitaler - en til at undervise deres model og den anden til testning og verifikation af sine prognoser. Samtidig registrerede de foreskrevne receptpligtige recept på to hospitaler og overvejede reaktionen på de to nævnte lægemidler, der blev nævnt ovenfor, der blev anvendt under hæmodialyse.
På deres grundlag blev en AI-model bygget, kaldet "kunstig intelligens anæmi" (kunstigt intelligens-understøttet anæmi-kontrolsystem, AISACS), som fik i alt fem inputkilder (fire punkter af blod og anamnese) og i kvaliteten Af udgangen valgte sandsynligheden for behovet for dosering for to lægemidler. For at øge effektiviteten af processen kompenseres de for en tidsforsinkelse mellem blodprøvning og beslutter sig for doseringen ved hjælp af "Datajustering" for at bringe datoen for beslutningstagningen i overensstemmelse med undersøgelsens datoer.
Som følge heraf viste AISAC'er høj præcision af prognosen med den korrekte klassifikation (løsninger svarende til konklusionerne fra læger) på 72% -87%. Men endnu mere interessant var, at AISAC'er i nogle tilfælde gav "klinisk korrekte" klassifikationer med endnu højere indikatorer (92% -97%). Disse var løsninger, der ikke faldt sammen med diagnosen af læger, men stadig anset for korrekt fra et medicinsk punkt.