Anemia on sairaus, jolle on ominaista terveiden erytrosyyttien määrän väheneminen terveellisten erytrosyyttien rungossa, usein ilmenee potilailla, joilla on krooniset munuaissairaudet, jotka tarvitsevat rutiininomainen hemodialyysi. Näin ollen erytrosyytti-stimuloivat aineet (erytropoieesis stimuloivat aineet, ESA) ja rauta-lisäravinteet, lisätään tämän prosessin puitteissa. Samanaikaisesti voi syntyä komplikaatioita, jos potilaat ovat muuttaneet raudan tai huonon reaktion metaboliaa lääkkeisiin. Lisäksi lääkkeet ovat yleensä kalliita ja alensivat vaikeaa taloudellista taakkaa kansanterveydelle tai potilaalle. Näin ollen ottaen huomioon se, että tällaisten potilaiden määrä kasvaa parhaillaan, on suuri kysyntä lisätukijärjestelmille "kyvyillä" päätöksillä. Yksi vaihtoehto on käyttää keinotekoista älykkyystekniikkaa (keinotekoinen älykkyys, AI), joka näyttää olevan lupaava menetelmä, mutta vaatii suurta datarajoitusta ja ei ole käytännöllinen eri potilaslajien takia.
Äskettäisessä tutkimuksessa, joiden tulokset julkaistiin kansainvälisessä lääketieteellisessä lehdessä, Japanin tiedemiehet yrittävät kuitenkin ratkaista ongelman. He päättivät sen sijaan, että tekisi AI: n tutkimaan potilaan kehon monimutkaista fysiologiaa käyttämällä ennustemallia, joka perustuu kokeneiden lääkäreiden ratkaisuihin. Associate Professori Toshiaki Ohara (Toshiaki Ohara) Okayamin yliopistosta selittää:
Kehitämme järjestelmää, joka perustuu periaatteisiin, joita käytetään kokeneiden lääkäreiden harvennusprosessissa. Lopulta ne eivät laske potilaan elimistössä olevien elämänreaktioiden yksityiskohtaisia arvoja tekemällä annostusta, mikä tarkoittaa, että biokemiaan perustuvia ennustemalleja ei välttämättä tarvita.
Tutkijat ovat laatineet kaksi sairausta, jotka on saatu 2 sairaalassa - yksi opettaa malliaan ja muita testaamaan ja tarkistamaan ennusteita. Samanaikaisesti he kirjasi määrättyjä reseptilääkkeitä kahdessa sairaalassa ja piti reaktiota kahdelle edellä mainitulle lääkkeelle, jota käytetään hemodialyysin aikana.
Niiden perustana rakennettiin AI-malli, nimeltään "keinotekoinen älykkyyden anemia" (keinotekoinen älykkyys tuettu anemian valvontajärjestelmä, Aisacit), joka sai yhteensä viisi tulolähdettä (neljä verta ja anamnesis) ja laadussa tuotos valitsi todennäköisyyden annoksen tarvetta kahdelle lääkkeelle. Lisäksi prosessin tehokkuuden lisääminen ne kompensoivat vertausviiveen veren testauksen välillä ja päättäessään annostusta käyttäen "tiedonopeutta" päätöksenteon päivämäärän aikaansaamiseksi kyselyn päivämäärien mukaisesti.
Tämän seurauksena Aisacit osoittivat suurta tarkkuutta ennusteesta oikean luokituksen (Lääkärien päätelmien mukaiset ratkaisut) 72% -87%. Mutta vielä mielenkiintoisempi oli, että joissakin tapauksissa Aisacit antoivat "kliinisesti oikeat" luokitukset jopa korkeammilla indikaattoreilla (92% -97%). Nämä olivat ratkaisuja, jotka eivät ole samansuuntaisia lääkäreiden diagnoosin kanssa, mutta silti pidettiin oikein lääketieteellisestä pisteestä.