Η αναιμία είναι μια ασθένεια που χαρακτηρίζεται από μείωση της ποσότητας των υγιεινών ερυθροκυττάρων στο σώμα των υγιεινών ερυθροκυττάρων, συχνά συμβαίνει σε ασθενείς με χρόνιες νεφρικές ασθένειες που πρέπει να υποβληθούν σε ρουτίνα αιμοκάθαρση. Συνεπώς, οι παράγοντες διέγερσης των ερυθροκυττάρων (παράγοντες διέγερσης ερυθροποϊών, ESA) και συμπληρώματα σιδήρου, εισάγονται στο πλαίσιο αυτής της διαδικασίας. Αλλά ταυτόχρονα μπορεί να προκύψουν επιπλοκές εάν οι ασθενείς έχουν αλλάξει το μεταβολισμό του σιδήρου ή της κακής αντίδρασης στα φάρμακα. Επιπλέον, τα φάρμακα είναι συνήθως ακριβά και μείωσαν μια δύσκολη οικονομική επιβάρυνση για τη δημόσια υγεία ή τον ίδιο τον ασθενή. Έτσι, λαμβάνοντας υπόψη το γεγονός ότι ο αριθμός αυτών των ασθενών αυξάνεται επί του παρόντος, υπάρχει μεγάλη ζήτηση για πρόσθετα συστήματα υποστήριξης με "ικανότητες" για τη λήψη αποφάσεων. Μια επιλογή είναι η χρήση τεχνολογίας τεχνητής νοημοσύνης (τεχνητή νοημοσύνη, AI), η οποία φαίνεται να είναι μια ελπιδοφόρα μέθοδος, αλλά απαιτεί μια μεγάλη συστοιχία δεδομένων και δεν είναι πρακτική λόγω διαφόρων καταστάσεων υγείας των ασθενών.
Σε μια πρόσφατη μελέτη, τα αποτελέσματα των οποίων δημοσιεύθηκαν στο Διεθνές Περιοδικό Ιατρικών Επιστημών, οι επιστήμονες από την Ιαπωνία προσπάθησαν να λύσουν το πρόβλημα. Αποφάσισαν αντί να κάνουν την AI να μελετήσουν τη σύνθετη φυσιολογία του σώματος του ασθενούς, χρησιμοποιήστε το μοντέλο πρόβλεψης που βασίζεται σε λύσεις έμπειρων ιατρών. Αναπληρωτής Καθηγητής Toshiaki Ohara (Toshiaki Ohara) από το Okayam University εξηγεί:
Αναπτύσσουμε ένα σύστημα βασισμένο στις αρχές που χρησιμοποιούνται στη διαδικασία αραίωσης των έμπειρων ιατρών. Στο τέλος, δεν υπολογίζουν τις λεπτομερείς τιμές των αντιδράσεων ζωής στο σώμα του ασθενούς κατά τη λήψη απόφασης σχετικά με τη δοσολογία, πράγμα που σημαίνει ότι τα μοντέλα πρόβλεψης που βασίζονται στη βιοχημεία δεν απαιτούνται απαραίτητα.
Οι επιστήμονες έχουν προετοιμάσει δύο σύνολα δεδομένων που λαμβάνονται σε 2 νοσοκομεία - ένα για να διδάξουν το μοντέλο τους και το άλλο για τη δοκιμή και την επαλήθευση των προβλέψεών του. Ταυτόχρονα, κατέγραψαν συνταγογραφούμενες συνταγογραφούμενες συνταγές σε δύο νοσοκομεία και θεωρούσαν την αντίδραση στα δύο φάρμακα που αναφέρθηκαν παραπάνω που εφαρμόστηκαν κατά τη διάρκεια της αιμοκάθαρσης.
Στη βάση τους, χτίστηκε ένα μοντέλο AI, που ονομάζεται "τεχνητή νοημοσύνη αναιμία" (σύστημα ελέγχου αναιμίας τεχνητού-πληροφοριών, AISACS), η οποία έλαβε συνολικά πέντε πηγές εισόδου (τέσσερα σημεία αίματος και anamnesis) και στην ποιότητα της παραγωγής επέλεξε την πιθανότητα της ανάγκης για δοσολογία για δύο φάρμακα. Επιπλέον, για να αυξηθεί η αποτελεσματικότητα της διαδικασίας, αντισταθμίστηκαν για μια χρονική καθυστέρηση μεταξύ των εξετάσεων αίματος και τη λήψη αποφάσεων στη δοσολογία χρησιμοποιώντας "προσαρμογή δεδομένων" για την ημερομηνία λήψης αποφάσεων σύμφωνα με τις ημερομηνίες της έρευνας.
Ως αποτέλεσμα, η AISACS έδειξε μεγάλη ακρίβεια της πρόβλεψης με τη σωστή ταξινόμηση (λύσεις που αντιστοιχούν στα συμπεράσματα των ιατρών) σε 72% -87%. Αλλά ακόμη πιο ενδιαφέρον ήταν ότι σε ορισμένες περιπτώσεις, οι AISACs παρείχαν ταξινομήσεις κλινικά σωστών "με ακόμη υψηλότερους δείκτες (92% -97%). Αυτές ήταν λύσεις που δεν συμπίπτουν με τη διάγνωση των γιατρών, αλλά εξακολουθούσαν να θεωρούνται σωστές από ένα ιατρικό σημείο.