빈혈은 건강한 적혈구의 신체의 건강한 적혈구의 양의 감소를 특징으로하는 질병이며 종종 일상적인 혈액 투석을 겪을 만성 신장 질환이있는 환자에서 종종 발생합니다. 따라서, 적혈구 자극제 (적혈구 자극제, ESA) 및 철 보충제는이 공정의 틀 내에 도입된다. 그러나 환자가 철의 신진 대사를 바꾸거나 약물에 대한 불량한 반응을 변화시킨 경우 동시에 합병증이 발생할 수 있습니다. 또한 약물은 대개 비싸고 공중 보건이나 환자 자신에 대한 어려운 재정적 부담을 낮 춥니 다. 따라서 그러한 환자의 수가 현재 성장하고 있다는 사실을 고려하여 결정을 내리는 "능력"을 갖는 추가 지원 시스템에 대한 큰 수요가 있습니다. 하나의 옵션은 유망한 방법 인 인공 지능 기술 (인공 지능 인 AI)을 사용하는 것입니다. 그러나 대규모 데이터 배열이 필요하며 다양한 환자 건강 상태로 인해 실용적이지 않습니다.
최근의 연구에서 일본의 과학자들의 국제 학회학 연구과의 국제 학부 과학자들이 문제를 해결하려고 노력했다. 그들은 환자의 신체의 복잡한 생리학을 연구하는 대신에 AI를 만들지 않고 경험 많은 의사들의 솔루션을 기반으로 예측 모델을 사용합니다. 오, 오, 오오 엔 대학의 오하라 부교 교수 (Toshiaki Ohara)
우리는 숙련 된 의사의 엷게하는 과정에서 사용되는 원칙에 따라 시스템을 개발하고 있습니다. 결국, 그들은 복용량에 대한 결정을 내릴 때 환자의 신체의 생명 반응의 자세한 값을 계산하지 못합니다. 즉, 생화학에 기반한 예측 모델이 반드시 필요한 것은 아닙니다.
과학자들은 모델을 가르치는 2 병원에서 얻은 두 개의 데이터 세트를 준비하고, 모델을 가르치고 예측을 테스트하고 검증하는 다른 것들을 준비했습니다. 동시에, 그들은 두 병원에서 처방 된 처방 처방전을 기록하고 혈액 투석 동안 위에서 언급 한 두 약물에 대한 반응을 고려했습니다.
그 근거에서 AI 모델은 "인공 지능 빈혈증"(인공 지능 지원 빈혈 통제 시스템, AISACs)이라고 불리우며, 총 5 개의 입력 소스 (4 점의 혈액 및 anamnesis)와 품질로 출력의 중 두 가지 약물에 대한 복용량의 필요성 확률을 선택했습니다. 또한 프로세스의 효율성을 높이기 위해서는 조사일에 따라 의사 결정 날짜를 제공하기 위해 "데이터 조정"을 사용하여 혈액 검사와 "데이터 조정"을 사용하여 복용량을 결정했습니다.
결과적으로 AISACS는 올바른 분류 (의사 결론에 대응하는 솔루션)가 72 % -87 %로 예측의 높은 정밀도를 보였다. 그러나 어떤 경우에는 AISACS가 더 높은 지표 (92 % -97 %)로 "임상 적으로 정확한"분류를 제공한다는 것이 더 흥미 롭습니다. 이들은 의사의 진단과 일치하지는 않지만 여전히 의학적 지점에서 올바른 것으로 간주되는 솔루션이었습니다.