Anemia minangka penyakit sing ditondoi kanthi nyuda jumlah eritosit sing sehat ing awak erthrocytes sing sehat, asring ana pasien ing penyakit ginjel sing ora kudu ngalami hemodialisis rutin. Patut, agen eritcyte-stimulasi (agen stimulasi erythropoiesis-stimulasi, esa) lan suplemen wesi, dikenalake ing kerangka proses iki. Nanging ing komplikasi sing padha bisa uga muncul yen pasien wis ngganti metabolisme wesi utawa reaksi sing kurang kanggo obat-obatan. Kajaba iku, obat-obatan biasane larang lan nyuda beban finansial sing angel kanggo kesehatan umum utawa pasien sing sabar. Mangkono, kanthi nganggep kasunyatan manawa jumlah pasien kasebut saiki tuwuh, ana panjaluk gedhe kanggo sistem dhukungan tambahan kanthi "kabisan" kanggo njupuk keputusan. Siji pilihan yaiku nggunakake teknologi intelijen buatan (intelijen buatan, AI), sing katon minangka cara sing janji, nanging mbutuhake larik data gedhe lan ora praktis amarga macem-macem kahanan kesehatan pasien.
Ing panaliten anyar, asil sing diterbitake ing Jurnal Ilmu Internasional, Ilmuwan saka Jepang sing nyoba ngatasi masalah kasebut. Dheweke mutusake tinimbang nggawe AI kanggo nyinaoni fisiologi kompleks awak pasien, gunakake model ramalan adhedhasar solusi dokter sing berpengalaman. Assor Profesor Toshiaki Ohara (Toshiaki Ohara) saka Universitas Okayam nerangake:
Kita ngembangake sistem adhedhasar prinsip sing digunakake ing proses penipisan dokter sing berpengalaman. Pungkasane, dheweke ora ngetung nilai rinci babagan reaksi urip ing awak pasien nalika nggawe keputusan ing dosis, tegese model ramalan adhedhasar biokimia ora kudu dibutuhake.
Para ilmuwan wis nyiapake rong set data sing dipikolehi ing 2 rumah sakit - kanggo mulang model, lan liyane kanggo nyoba lan verifikasi ramalan kasebut. Ing wektu sing padha, dheweke nyathet resep resep resep ing rumah sakit lan dianggep reaksi kanggo obat obat sing kasebut ing ndhuwur ditrapake sajrone hemodialisis.
Minangka modhél AI dibangun, diarani "anemia intelijen buatan" (sistem kontrol anemia sing didhukung), sing nampa limang sumber input (papat titik getih lan anamnesis) lan kualitas saka output milih kemungkinan kabutuhan dosis kanggo rong obat. Kajaba iku, kanggo nambah efisiensi proses kasebut, dheweke ganti wektu kanggo wektu tundha ing antarane tes getih lan mutusake dosis kanthi nggunakake tanggal "data sing cocog karo tanggal survey.
Akibaté, Aisacs nuduhake presisi sing dhuwur kanthi klasifikasi sing bener (solusi sing cocog karo kesimpulan dokter) ing 72% -87%. Nanging luwih menarik yaiku ing sawetara kasus, Aisacs sing diwenehake "klasifikasi kanthi klinis" kanthi indikator sing luwih dhuwur (92% -97%). Iki minangka solusi sing ora padha karo diagnosis dokter, nanging isih dianggep bener saka titik medis.