Anämie ist eine Krankheit, die durch einen Abnahme der Menge gesunder Erythrozyten im Körper gesunder Erythrozyten gekennzeichnet ist, häufig bei Patienten mit chronischen Nierenerkrankungen auf, die sich um eine Routine-Hämodialyse zu unterziehen müssen. Dementsprechend werden die Erythrozytestimulationsmittel (Erythropoiesis-stimulierende Mittel, ESA) und Eisenergänzungen im Rahmen dieses Prozesses eingeführt. Gleichzeitig können jedoch Komplikationen auftreten, wenn die Patienten den Metabolismus von Eisen oder schlechter Reaktion auf Drogenänderungen verändert haben. Darüber hinaus sind Medikamente in der Regel teuer und senkte eine schwierige finanzielle Belastung der öffentlichen Gesundheit oder des Patienten selbst. Unter Berücksichtigung der Tatsache, dass die Zahl solcher Patienten derzeit wächst, besteht somit eine große Nachfrage nach zusätzlichen Unterstützungssystemen mit "Fähigkeiten", um Entscheidungen zu treffen. Eine Option ist die Verwendung der künstlichen Intelligenz-Technologie (künstliche Intelligenz, AI), die eine vielversprechende Methode zu sein scheint, aber ein großes Datenanschluss erfordert und aufgrund verschiedener Patientengesundheit nicht praktikabel ist.
In einer jüngsten Studie, deren Ergebnisse im internationalen Journal of Medical Sciences veröffentlicht wurden, versuchten Wissenschaftler aus Japan dennoch, das Problem zu lösen. Sie entschieden sich, anstatt AI zu machen, um die komplexe Physiologie des Körpers des Patienten zu studieren, nutze das Vorhersagemodell auf der Grundlage von Lösungen erfahrener Ärzte. Associate Professor Toshiaki Ohara (Toshiaki Ohara) von Okayam University erklärt:
Wir entwickeln ein System, das auf den Grundsätzen basiert, die im Ausdünnungsprozess erfahrener Ärzte verwendet werden. Am Ende berechnen sie nicht die detaillierten Werte der Lebensreaktionen im Körper des Patienten, wenn Sie eine Entscheidung über die Dosierung treffen, was bedeutet, dass Vorhersagemodelle, die auf der Biochemie basieren, nicht unbedingt erforderlich sind.
Wissenschaftler haben zwei Datensätze vorbereitet, die in 2 Krankenhäusern erhalten wurden - eins, um ihr Modell zu lehren, und den anderen zum Testen und Überprüfen seiner Prognosen. Gleichzeitig erfure sie vorgeschriebene verschreibungspflichtige Rezepte in zwei Krankenhäusern und betrachteten die Reaktion auf die zwei genannten Drogen während der Hämodialyse.
Auf ihrer Basis wurde ein AI-Modell gebaut, der als "künstliche Intelligenz-Anämie" (künstliches Intelligenz-unterstütztes Anämie-Kontrollsystem, AISACs) bezeichnet wurde, das insgesamt fünf Eingangsquellen (Blut und Anamnese) und in der Qualität erhielt der Ausgabe wählte die Wahrscheinlichkeit der Notwendigkeit einer Dosierung für zwei Medikamente. Um die Effizienz des Prozesses zu erhöhen, kompensierten sie zusätzlich eine Zeitverzögerung zwischen den Blutuntersuchungen und der Entscheidung über die Dosierung unter Verwendung der "Datenanpassung", um den Datum der Entscheidungsfindung in Übereinstimmung mit den Datumsangaben der Umfrage zu bringen.
Infolgedessen zeigten AISACs eine hohe Genauigkeit der Prognose mit der richtigen Klassifizierung (Lösungen, die den Schlussfolgerungen der Ärzte entsprechen) mit 72% bis 87%. Noch interessanter war, dass in einigen Fällen AISACs "klinisch korrekte" Klassifizierungen mit noch höheren Indikatoren (92% -97%) bereitgestellt wurden. Dies waren Lösungen, die nicht mit der Diagnose von Ärzten übereinstimmen, aber trotzdem von einem medizinischen Punkt korrekt angesehen wurden.