کم خونی یک بیماری است که با کاهش میزان اریتروسیت های سالم در بدن اریتروسیت های سالم مشخص می شود، اغلب در بیماران مبتلا به بیماری های مزمن کلیوی که نیاز به همودیالیز معمولی دارند، رخ می دهد. بر این اساس، عوامل تحریک کننده اریتروسیت (عوامل تحریک کننده Erythropoiesis، ESA) و مکمل های آهن، در چارچوب این روند معرفی شده اند. اما در عین حال، عوارض ممکن است بوجود آید اگر بیماران متابولیسم آهن یا واکنش ضعیف به مواد مخدر را تغییر دهند. علاوه بر این، داروها معمولا گران هستند و هزینه های مالی دشوار را بر سلامت عمومی یا بیمار خود کاهش می دهند. بنابراین، با توجه به این واقعیت که تعداد این بیماران در حال رشد است، تقاضای زیادی برای سیستم های پشتیبانی اضافی با "توانایی ها" برای تصمیم گیری وجود دارد. یکی از گزینه ها این است که استفاده از فناوری اطلاعات مصنوعی (هوش مصنوعی، AI)، که به نظر می رسد یک روش امیدوار کننده است، اما نیاز به یک آرایه داده های بزرگ دارد و به دلیل کشورهای بهداشتی مختلف بیمار عملی نیست.
در یک مطالعه اخیر، نتایج آن در مجله بین المللی علوم پزشکی منتشر شد، دانشمندان ژاپن با این وجود تلاش کردند تا مشکل را حل کنند. آنها تصمیم گرفتند به جای ساخت AI برای مطالعه فیزیولوژی پیچیده بدن بیمار، از مدل پیش بینی بر اساس راه حل های پزشکان با تجربه استفاده کنند. دانشیار Toshiaki Ohara (Toshiaki Ohara) از دانشگاه Okayam توضیح می دهد:
ما در حال توسعه یک سیستم بر اساس اصولی است که در فرآیند نازک شدن پزشکان با تجربه استفاده می شود. در نهایت، آنها مقادیر دقیق واکنش های زندگی را در بدن بیمار در هنگام تصمیم گیری در مورد دوز محاسبه نمی کنند، به این معنی که مدل های پیش بینی شده بر اساس بیوشیمی لزوما مورد نیاز نیست.
دانشمندان دو مجموعه داده را در 2 بیمارستان تهیه کرده اند - یکی برای تدریس مدل خود، و دیگری برای آزمایش و تأیید پیش بینی های آن. در عین حال، آنها نسخه تجویز تجویز شده را در دو بیمارستان ثبت کردند و واکنش به دو دارو ذکر شده در بالا ذکر شده در طی همودیالیز را در نظر گرفتند.
بر اساس آنها، یک مدل AI ساخته شده است، به نام "کم خونی هوش مصنوعی" (سیستم کنترل کم خونی پشتیبانی از هوش مصنوعی، AISACs)، که مجموع پنج منبع ورودی (چهار نقطه خون و آنامنز) را دریافت کرد و در کیفیت آن دریافت کرد از خروجی احتمال احتمال نیاز به دوز برای دو دارو را انتخاب کرد. علاوه بر این، برای افزایش کارایی فرآیند، آنها برای تأخیر زمانی بین آزمایش خون و تصمیم گیری بر روی دوز با استفاده از "تنظیم داده" به منظور تعیین تاریخ تصمیم گیری مطابق با تاریخ های نظرسنجی، جبران می شود.
به عنوان یک نتیجه، AISAC ها دقت بالا پیش بینی را با طبقه بندی صحیح (راه حل های مربوط به نتیجه گیری پزشکان) در 72٪ -87٪ نشان دادند. اما حتی جالب تر این بود که در برخی موارد، AISACS طبقه بندی "بالینی صحیح" را با شاخص های حتی بالاتر (92٪ -97٪) ارائه داد. اینها راه حل هایی بودند که با تشخیص پزشکان همخوانی نداشتند، اما هنوز هم از یک نقطه پزشکی درست در نظر گرفته شده است.