अशक्तपणा हा एक रोग आहे जो निरोगी एरिथ्रोसाइट्सच्या शरीरातील निरोगी एरिथ्रोसाइट्सच्या प्रमाणात घट झाली आहे, बर्याचदा रुग्णांमध्ये दीर्घकालीन मूत्रमार्गात रोग असलेल्या रुग्णांमध्ये होतो ज्यांना नियमित हेमोडायलिसिसची गरज असते. त्यानुसार, एरिथोसोसाइट-उत्तेजक एजंट (एरिथ्रोसाइटिस-उत्तेजक एजंट्स, ईएसए) आणि लोह पूरक, या प्रक्रियेच्या चौकटीत सादर केले जातात. परंतु त्याच वेळी समस्या उद्भवू शकते जर रुग्णांनी लोह किंवा ड्रग्सच्या खराब प्रतिक्रिया बदलली असेल तर गुंतागुंत होऊ शकते. याव्यतिरिक्त, औषधे सामान्यतः महाग असतात आणि सार्वजनिक आरोग्यावर किंवा रुग्णावर स्वत: ला कठीण आर्थिक ओझे कमी करतात. अशा प्रकारे, अशा प्रकारे अशा रुग्णांची संख्या सध्या वाढत आहे हे लक्षात घेऊन, निर्णय घेण्यासाठी "क्षमता" सह अतिरिक्त समर्थन प्रणालींची मोठी मागणी आहे. एक पर्याय म्हणजे कृत्रिम गुप्तचर तंत्रज्ञान (कृत्रिम बुद्धिमत्ता, एआय) वापरणे, जे एक वचनबद्ध पद्धत असल्याचे दिसते, परंतु मोठ्या डेटा अॅरे आवश्यक आहे आणि विविध रुग्ण आरोग्य राज्यांमुळे व्यावहारिक नाही.
अलीकडील अभ्यासात, आंतरराष्ट्रीय जर्नल ऑफ मेडिकल सायन्सेसमध्ये प्रकाशित झालेले परिणाम, जपानमधील शास्त्रज्ञांनी असेही समस्येचे निराकरण करण्याचा प्रयत्न केला. त्यांनी रुग्णाच्या शरीराच्या जटिल प्राथमिकशास्त्राचा अभ्यास करण्यासाठी एआय बनविण्याऐवजी, अनुभवी डॉक्टरांच्या समाधानावर आधारित अंदाज मॉडेल वापरा. ओकम विद्यापीठातून सहयोगी प्राध्यापक तोशियाकी ओहारा (तोशियाकी ओहारा)
आम्ही अनुभवी डॉक्टरांच्या thinning प्रक्रियेत वापरल्या जाणार्या तत्त्वांवर आधारित प्रणाली विकसित करीत आहोत. शेवटी, ते डोसवर निर्णय घेताना रुग्णाच्या शरीरातील जीवनाच्या प्रतिक्रियांच्या विस्तृत मूल्यांचे गणना करत नाहीत, याचा अर्थ असा आहे की बायोकेमिस्ट्रीवर आधारित अंदाज मॉडेल आवश्यक नाहीत.
शास्त्रज्ञांनी 2 रुग्णालयांमध्ये मिळविलेले दोन डेटा सेट तयार केले आहेत - एक त्यांचे मॉडेल शिकवण्यासाठी आणि त्याचे अंदाज तपासण्यासाठी आणि त्याची पूर्वसूचना तपासण्यासाठी. त्याच वेळी त्यांनी दोन हॉस्पिटलमध्ये निर्धारित औषधोपचारांची नोंद नोंदविली आणि हेमोडायलिसिस दरम्यान उपरोक्त दोन औषधांच्या प्रतिक्रिया मानली.
त्यांच्या आधारावर, एआय मॉडेल तयार करण्यात आला, ज्याला "कृत्रिम बुद्धिमत्ता अॅनिमिया" (कृत्रिम-गुप्तचर-समर्थित अॅनिमिया कंट्रोल सिस्टम, आयसएसी) म्हणतात, ज्याला एकूण पाच इनपुट स्त्रोत (चार अंक आणि अनामिनेसिस) आणि गुणवत्तेत आहेत. आउटपुटच्या दोन औषधांसाठी डोसची गरजांची संभाव्यता निवडली. याव्यतिरिक्त, या प्रक्रियेची कार्यक्षमता वाढविण्यासाठी, सर्वेक्षण तारखेनुसार निर्णय घेण्याची तारीख आणण्यासाठी "डेटा समायोजन" वापरून डोसचे निर्णय घेण्याची भरपाई केली जाते.
परिणामी, आयसासने 72% -87% वर योग्य वर्गीकरण (डॉक्टरांच्या निष्कर्षांशी संबंधित उपाय) सह अंदाज उच्च परिशुद्धता दर्शविली. परंतु काही प्रकरणांमध्ये, एआयएसएसीला उच्च निर्देशकांसह (9 2% -97%) सह "वैद्यकीयदृष्ट्या योग्य" वर्गीकरण प्रदान केले. हे सोल्यूशन्स होते जे डॉक्टरांच्या निदानाशी जुळत नव्हते, परंतु तरीही वैद्यकीय बिंदूपासून बरोबर मानले जाते.