Aneemia on haigus, mida iseloomustab tervete erütrotsüütide koguse vähenemine tervete erütrotsüütide kehas, esineb sageli krooniliste neeruhaigustega patsientidel, kes peavad läbima rutiinse hemodialüüsi. Seega tutvustatakse selle protsessi raames erütrotsüütide stimuleerivaid aineid (erütropoeesi stimuleerivaid aineid (erütropoeesi stimuleerivaid aineid, ESA) ja raualisandeid. Kuid samal ajal võivad tekkida tüsistused, kui patsiendid on muutnud raua või halva reaktsiooni metabolismi ravimitele. Lisaks on ravimid tavaliselt kallid ja vähendanud rasket rahalist koormust rahvatervisele või patsiendile ise. Seega võttes arvesse asjaolu, et selliste patsientide arv kasvab praegu, on suur nõudlus täiendavate toetussüsteemide järele otsuste tegemiseks "võimeid". Üks võimalus on kasutada kunstliku luuretehnoloogiat (tehisintellekti, AI), mis näib olevat paljutõotav meetod, kuid nõuab suurte andmete massiivi ja ei ole praktiline erinevate patsientide tervishoiuteenuste tõttu.
Hiljutises uuringus, mille tulemused avaldati Rahvusvahelise Media Journal of Medical Sciences, teadlased Jaapanist püüdnud siiski probleemi lahendada. Nad otsustasid selle asemel, et AI uuriks patsiendi keha kompleksi füsioloogiat, kasutage kogenud arstide lahendustel põhinevat ennustusmudelit. Assotsieerunud professor Toshiaki Ohara (Toshiaki Ohara) seletab Okayami ülikoolist:
Me arendame süsteemi, mis põhineb kogenud arstide hõrenemisprotsessis kasutatavad põhimõtetel. Lõpuks ei arvuta nad patsiendi keha elureaktsioonide üksikasjalikke väärtusi annuse kohta, mis tähendab, et biokeemial põhinevad ennustusmudelid ei ole tingimata vajalikud.
Teadlased on koostanud kaks andmekogumit, mis saadi 2 haiglas - üks õpetada nende mudeli ja teine katsetamiseks ja kontrollimiseks oma prognoose. Samal ajal registreerisid nad ettekirjutatud retseptiretseptid kahes haiglas ja leidis reaktsiooni ülaltoodud kahele ravimile, mida rakendati hemodialüüsi ajal.
Nende põhjal ehitati AI mudel, mida nimetatakse "kunstliku luure aneemia" (kunstliku luuretoidetud aneemia juhtimissüsteem, AISACS), mis sai kokku viis sisendliku allika (neli verd ja anamneesis) ja kvaliteediga Väljund valis tõenäosuse vajadust annuse kaks ravimit. Lisaks, et suurendada protsessi tõhusust, kompenseerisid nad vere testimise vahelise aja viivituse ja annuse üle otsustamist "andmete korrigeerimise", et tuua otsuste tegemise kuupäeva vastavalt uuringu kuupäevadele.
Selle tulemusena näitasid aisacs prognoosi suure täpsusega õige klassifikatsiooniga (arstide järeldustele vastavad lahendused) 72% -87%. Kuid veelgi huvitavam oli see, et mõnel juhul andsid AISACS "kliiniliselt korrektsed" klassifikatsioonid veelgi kõrgemate näitajatega (92% -97%). Need olid lahendused, mis ei langenud kokku arstide diagnoosimisega, vaid peeti meditsiinilisest punktist õigesti õige.