ಆರೋಗ್ಯಕರ ಎರಿಥ್ರೋಸೈಟ್ಗಳ ದೇಹದಲ್ಲಿನ ಆರೋಗ್ಯಕರ ಎರಿಥ್ರೋಸೈಟ್ಗಳ ಪ್ರಮಾಣದಲ್ಲಿ ರಕ್ತಹೀನತೆಯು ನಿರೂಪಿಸಲ್ಪಟ್ಟಿದೆ, ಆಗಾಗ್ಗೆ ವಾಡಿಕೆಯ ಹೆಮೋಡಿಯಾಲಿಸಿಸ್ಗೆ ಒಳಗಾಗುವ ದೀರ್ಘಕಾಲದ ಮೂತ್ರಪಿಂಡದ ರೋಗಗಳ ರೋಗಿಗಳಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ. ಅಂತೆಯೇ, ಎರಿಥ್ರೋಸೈಟ್-ಉತ್ತೇಜಿಸುವ ಏಜೆಂಟ್ಗಳು (ಎರಿತ್ರೋಪೊಸಿಸ್-ಉತ್ತೇಜಿಸುವ ಏಜೆಂಟ್ಗಳು, ಇಎಸ್ಎ) ಮತ್ತು ಕಬ್ಬಿಣದ ಪೂರಕಗಳನ್ನು ಈ ಪ್ರಕ್ರಿಯೆಯ ಚೌಕಟ್ಟಿನೊಳಗೆ ಪರಿಚಯಿಸಲಾಗುತ್ತದೆ. ಆದರೆ ರೋಗಿಗಳು ಕಬ್ಬಿಣದ ಚಯಾಪಚಯ ಅಥವಾ ಔಷಧಿಗಳಿಗೆ ಕಳಪೆ ಪ್ರತಿಕ್ರಿಯೆಯ ಬದಲಿಸಿದರೆ ಅದೇ ಸಮಯದಲ್ಲಿ ತೊಡಕುಗಳು ಉಂಟಾಗಬಹುದು. ಇದರ ಜೊತೆಗೆ, ಔಷಧಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ದುಬಾರಿ ಮತ್ತು ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯ ಅಥವಾ ರೋಗಿಯ ಮೇಲೆ ಕಠಿಣ ಆರ್ಥಿಕ ಹೊರೆ ಕಡಿಮೆಯಾಗಿವೆ. ಹೀಗಾಗಿ, ಅಂತಹ ರೋಗಿಗಳ ಸಂಖ್ಯೆಯು ಪ್ರಸ್ತುತ ಬೆಳೆಯುತ್ತಿದೆ ಎಂಬ ಅಂಶವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದರಿಂದ, ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು "ಸಾಮರ್ಥ್ಯಗಳು" ನೊಂದಿಗೆ ಹೆಚ್ಚುವರಿ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಉತ್ತಮ ಬೇಡಿಕೆ ಇದೆ. ಒಂದು ಆಯ್ಕೆಯು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ತಂತ್ರಜ್ಞಾನವನ್ನು (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ, AI) ಅನ್ನು ಬಳಸುವುದು, ಇದು ಭರವಸೆಯ ವಿಧಾನವೆಂದು ತೋರುತ್ತದೆ, ಆದರೆ ವಿವಿಧ ರೋಗಿಯ ಆರೋಗ್ಯ ರಾಜ್ಯಗಳ ಕಾರಣದಿಂದಾಗಿ ದೊಡ್ಡ ಡೇಟಾ ಸರಣಿ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ.
ಇತ್ತೀಚಿನ ಅಧ್ಯಯನದಲ್ಲಿ, ಅಂತಾರಾಷ್ಟ್ರೀಯ ಜರ್ನಲ್ ಆಫ್ ಮೆಡಿಕಲ್ ಸೈನ್ಸಸ್ನಲ್ಲಿ ಪ್ರಕಟವಾದ ಫಲಿತಾಂಶಗಳು, ಜಪಾನ್ನಿಂದ ವಿಜ್ಞಾನಿಗಳು ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಪ್ರಯತ್ನಿಸಿದರು. ರೋಗಿಯ ದೇಹದ ಸಂಕೀರ್ಣ ಶರೀರಶಾಸ್ತ್ರವನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು AI ಅನ್ನು ಮಾಡುವ ಬದಲು ಅವರು ನಿರ್ಧರಿಸಿದರು, ಅನುಭವಿ ವೈದ್ಯರ ಪರಿಹಾರಗಳನ್ನು ಆಧರಿಸಿ ಊಹೆಯ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತಾರೆ. ಒಕಯಾಮ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಿಂದ ಅಸೋಸಿಯೇಟ್ ಪ್ರಾಧ್ಯಾಪಕ ಟೊಶಿಕಿ ಒಹರಾ (ಟೊಶಿಕಿ ಓಹರಾ) ವಿವರಿಸುತ್ತಾನೆ:
ಅನುಭವಿ ವೈದ್ಯರ ತೆಳುಗೊಳಿಸುವಿಕೆ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಬಳಸಲಾಗುವ ತತ್ವಗಳ ಆಧಾರದ ಮೇಲೆ ನಾವು ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದ್ದೇವೆ. ಕೊನೆಯಲ್ಲಿ, ರೋಗಿಯ ದೇಹದಲ್ಲಿನ ಜೀವನ ಪ್ರತಿಕ್ರಿಯೆಗಳ ವಿವರವಾದ ಮೌಲ್ಯಗಳನ್ನು ಡೋಸೇಜ್ನಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಾಗ ಅವರು ಜೀವನ ಪ್ರತಿಕ್ರಿಯೆಗಳ ವಿವರವಾದ ಮೌಲ್ಯಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದಿಲ್ಲ, ಅಂದರೆ ಬಯೋಕೆಮಿಸ್ಟ್ರಿಯ ಆಧಾರದ ಮೇಲೆ ಮುನ್ಸೂಚನೆ ಮಾದರಿಗಳು ಅಗತ್ಯವಾಗಿರುವುದಿಲ್ಲ.
ವಿಜ್ಞಾನಿಗಳು 2 ಆಸ್ಪತ್ರೆಗಳಲ್ಲಿ ಪಡೆದ ಎರಡು ಡೇಟಾ ಸೆಟ್ಗಳನ್ನು ತಯಾರಿಸಿದ್ದಾರೆ - ಅವರ ಮಾದರಿಯನ್ನು ಕಲಿಸಲು ಮತ್ತು ಅದರ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಮತ್ತು ಪರಿಶೀಲಿಸಲು ಇನ್ನೊಬ್ಬರು. ಅದೇ ಸಮಯದಲ್ಲಿ, ಅವರು ಎರಡು ಆಸ್ಪತ್ರೆಗಳಲ್ಲಿ ಸೂಚಿಸಲಾದ ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ಗಳನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಿದರು ಮತ್ತು ಹೆಮೊಡಯಾಲಿಸಿಸ್ನಲ್ಲಿ ಅನ್ವಯಿಸಿದ ಮೇಲೆ ತಿಳಿಸಿದ ಎರಡು ಔಷಧದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪರಿಗಣಿಸಿದ್ದಾರೆ.
ತಮ್ಮ ಆಧಾರದ ಮೇಲೆ, ಎಐ ಮಾದರಿಯನ್ನು "ಕೃತಕ ಗುಪ್ತಚರ ರಕ್ತಹೀನತೆ" (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ರಕ್ತಹೀನತೆ "ಎಂದು ಕರೆಯಲಾಗುತ್ತಿತ್ತು, ಇದು ಒಟ್ಟು ಐದು ಇನ್ಪುಟ್ ಮೂಲಗಳನ್ನು (ನಾಲ್ಕು ಪಾಯಿಂಟ್ಗಳ ರಕ್ತ ಮತ್ತು ಅನಾಂಕುಲದ) ಮತ್ತು ಗುಣಮಟ್ಟವನ್ನು ಪಡೆಯಿತು ಎರಡು ಔಷಧಿಗಳಿಗಾಗಿ ಡೋಸೇಜ್ನ ಅಗತ್ಯತೆಯ ಸಂಭವನೀಯತೆಯನ್ನು ಔಟ್ಪುಟ್ ಆಯ್ಕೆ ಮಾಡಿತು. ಇದರ ಜೊತೆಗೆ, ಪ್ರಕ್ರಿಯೆಯ ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು, ರಕ್ತ ಪರೀಕ್ಷೆಯ ನಡುವಿನ ಸಮಯ ವಿಳಂಬ ಮತ್ತು ಸಮೀಕ್ಷೆಯ ದಿನಾಂಕಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ದಿನಾಂಕವನ್ನು ತರಲು "ಡೇಟಾ ಹೊಂದಾಣಿಕೆ" ಅನ್ನು ಬಳಸಿಕೊಂಡು ಡೋಸೇಜ್ನಲ್ಲಿ ನಿರ್ಧರಿಸಿತು.
ಪರಿಣಾಮವಾಗಿ, ಐಸಿಗಳು 72% -87% ನಲ್ಲಿ ಸರಿಯಾದ ವರ್ಗೀಕರಣ (ವೈದ್ಯರ ತೀರ್ಮಾನಕ್ಕೆ ಅನುಗುಣವಾದ ಪರಿಹಾರಗಳು) ನೊಂದಿಗೆ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ತೋರಿಸಿದವು. ಆದರೆ ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ, AISAC ಗಳು ಸಹ ಹೆಚ್ಚಿನ ಸೂಚಕಗಳೊಂದಿಗೆ (92% -97%) "ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸರಿಯಾದ" ವರ್ಗೀಕರಣಗಳನ್ನು ಒದಗಿಸಿವೆ. ಇವುಗಳು ವೈದ್ಯರ ರೋಗನಿರ್ಣಯದೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗದ ಪರಿಹಾರಗಳಾಗಿವೆ, ಆದರೆ ಇನ್ನೂ ವೈದ್ಯಕೀಯ ಬಿಂದುವಿನಿಂದ ಸರಿಯಾಗಿ ಪರಿಗಣಿಸಲ್ಪಟ್ಟಿದೆ.