Anemija yra liga, kuriai būdinga sveikų eritrocitų kiekis sveikų eritrocitų, dažnai atsiranda pacientams, sergantiems lėtinėmis inkstų ligomis, kurioms reikia atlikti įprastą hemodializę. Atitinkamai eritrocitų stimuliuojantys agentai (eritropoezės stimuliuojantys agentai, EKA) ir geležies papildai, yra įvesti pagal šį procesą. Tačiau tuo pačiu metu gali kilti komplikacijų, jei pacientai pakeitė geležies ar prastos reakcijos metabolizmą. Be to, vaistai paprastai yra brangūs ir sumažino sudėtingą finansinę naštą visuomenės sveikatai ar pacientui. Taigi, atsižvelgiant į tai, kad tokių pacientų skaičius šiuo metu auga, yra didelė paklausa papildomų paramos sistemų su "gebėjimais" priimti sprendimus. Viena iš galimybių yra naudoti dirbtinio intelekto technologiją (dirbtinį intelektą, AI), kuri, atrodo, yra perspektyvus metodas, tačiau reikalauja didelių duomenų masyvo ir nėra praktiška dėl įvairių pacientų sveikatos.
Neseniai atliktame tyrime, kurių rezultatai buvo paskelbti tarptautiniame medicinos mokslų žurnale, Japonijos mokslininkai bandė išspręsti šią problemą. Jie nusprendė, o ne padaryti AI studijuoti sudėtingą fiziologiją paciento kūno, naudokite prognozavimo modelį, pagrįstą patyrusių gydytojų sprendimais. Advokatas Toshiaki Ohara (Toshiaki Ohara) iš Okayam universiteto paaiškina:
Mes rengiame sistemą, remiantis principais, kurie naudojami retinimo procese patyrusių gydytojų. Galų gale jie neskaičiuoja išsamių gyvenimo reakcijų reikšmių paciento organizme priimant sprendimą dėl dozės, o tai reiškia, kad prognozavimo modeliai, pagrįsti biochemija, nebūtinai reikalingi.
Mokslininkai parengė du duomenų rinkinius, gautus 2 ligoninėse - vieną mokyti savo modelį, o kitas bandymas ir tikrinimas savo prognozes. Tuo pačiu metu jie užregistravo receptinius receptus dviem ligoninėmis ir laikoma reakcija į du pirmiau minėtus vaistus hemodializės metu.
Remiantis jų pagrindu, buvo pastatytas AI modelis, vadinamas "dirbtinio intelekto anemija" (dirbtinio žvalgybos anemijos kontrolės sistema, AISACS), kuris gavo iš penkių įvesties šaltinių (keturių taškų kraujo ir anamnezės) ir kokybėje Iš produkcijos pasirinko tikimybę, kad reikia dozuoti dviem vaistams. Be to, siekiant padidinti proceso efektyvumą, jie kompensavo už laiko vėlavimą tarp kraujo tyrimų ir nuspręsti dėl dozės naudojant "duomenų koregavimą", kad būtų priimtas sprendimų priėmimo data pagal apklausos datą.
Todėl AISACS parodė didelį prognozės tikslumą su teisinga klasifikacija (sprendimai, atitinkantys gydytojų išvadas) 72% -87%. Tačiau dar įdomiau buvo tai, kad kai kuriais atvejais AISAC pateikė "kliniškai teisingus" klasifikacijas su dar didesniais rodikliais (92% -97%). Tai buvo sprendimai, kurie nesutampa su gydytojų diagnozę, bet vis dar laikoma teisinga nuo medicinos taško.