Anemia သည်ကျန်းမာသော Erythrocytes ၏ခန္ဓာကိုယ်အတွင်းရှိကျန်းမာသော Erythrocytes ပမာဏကျဆင်းခြင်းဖြင့်သွင်ပြင်လက္ခဏာရှိသောရောဂါဖြစ်သည်။ ထို့ကြောင့် erythrocyte-godulating ကိုယ်စားလှယ်များ (erythropoiesis - လှုံ့ဆော်သောအေးဂျင့်များ, ESA) နှင့်သံဖြည့်စွက်များကိုဤလုပ်ငန်းစဉ်၏မူဘောင်အတွင်းမိတ်ဆက်ပေးသည်။ အကယ်. လူနာများသည်သံများ၏ဇီဝြဖစ်ပျက်မှုသို့မဟုတ်မူးယစ်ဆေးဝါးများကိုတုံ့ပြန်မှုညံ့ဖျင်းခြင်းသို့မဟုတ်မူးယစ်ဆေးဝါးတုံ့ပြန်ခြင်းကိုပြောင်းလဲစေပါကတစ်ချိန်တည်းတွင်ရှုပ်ထွေးမှုများပေါ်ပေါက်လာနိုင်သည်။ ထို့အပြင်ဆေးဝါးများသည်များသောအားဖြင့်စျေးကြီးပြီးပြည်သူ့ကျန်းမာရေးနှင့်လူနာများအတွက်ခက်ခဲသောဘဏ္ compony ာရေးဝန်ထုပ်ဝန်ပိုးများကိုလျှော့ချပေးသည်။ ထို့ကြောင့်ထိုကဲ့သို့သောလူနာအရေအတွက်သည်လက်ရှိကြီးထွားလာနေကြောင်းထည့်သွင်းစဉ်းစားခြင်းကဆုံးဖြတ်ချက်များကို "စွမ်းရည်များ" နှင့်အတူနောက်ထပ်ပံ့ပိုးမှုစနစ်များအတွက်အလွန်အထောက်အကူပြုစနစ်များအတွက်အလွန်တရာဝယ်လိုအားရှိသည်။ ရွေးချယ်မှုတစ်ခုမှာအလားအလာရှိသောထောက်လှမ်းရေးနည်းပညာ (အတုထောက်လှမ်းရေး, AI) ကိုအသုံးပြုရန်ဖြစ်သည်။ ၎င်းသည်အလားအလာရှိသောနည်းလမ်းဖြစ်ပုံရသော်လည်းကြီးမားသောဒေတာခင်းကျင်းမှုများစွာလိုအပ်သည်။
မကြာသေးမီကပြုလုပ်ခဲ့သောလေ့လာမှုတစ်ခုအရဂျပန်မှသိပ္ပံပညာရှင်များသည်ပြ the နာကိုဖြေရှင်းရန်ကြိုးစားခဲ့သည်။ လူနာ၏ခန္ဓာကိုယ်၏ရှုပ်ထွေးသောဇီဝဗေဒဆိုင်ရာဇီဝနည်းပညာကိုလေ့လာရန် AI ကို AI လုပ်မည့်အစားဆုံးဖြတ်ချက်များသည်အတွေ့အကြုံရှိဆရာဝန်များ၏ဖြေရှင်းချက်များအပေါ် အခြေခံ. ခန့်မှန်းမော်ဒယ်ကိုအသုံးပြုပါ။ Okayam တက္ကသိုလ်မှတွဲဖက်ပါမောက္ခ Tobiaki Ohara (Toshiaki Ohara) ကရှင်းပြသည် -
ကျွန်ုပ်တို့သည်အတွေ့အကြုံရှိဆရာဝန်များ၏ပါးလွှာသောဖြစ်စဉ်တွင်အသုံးပြုသောမူများအပေါ်အခြေခံသည့်စနစ်တစ်ခုကိုတည်ဆောက်နေသည်။ နောက်ဆုံးတွင်သူတို့သည်သောက်သုံးသောသောက်သုံးမှုအပေါ်ဆုံးဖြတ်ချက်ချသည့်အခါလူနာ၏ခန္ဓာကိုယ်၏ဘဝ၏တုံ့ပြန်မှုအသေးစိတ်အချက်အလက်များကိုသူတို့မတွက်ချက်ကြပါ။ ဆိုလိုသည်မှာဇီဝဓါတုဗေဒဆိုင်ရာ 0 ါသပါးမော်ဒယ်များကိုမလိုအပ်ပါ။
သိပ္ပံပညာရှင်များသည်ဆေးရုံ 2 ခုတွင်ရရှိသောဒေတာအစုနှစ်ခုကိုပြင်ဆင်ထားပြီးသူတို့၏မော်ဒယ်ကိုသင်ကြားရန်နှင့်၎င်း၏ခန့်မှန်းချက်များကိုစစ်ဆေးခြင်းအတွက်အခြားအရာတစ်ခုကိုပြင်ဆင်ခဲ့သည်။ တစ်ချိန်တည်းမှာပင်သူတို့သည်ဆေးရုံနှစ်ခုတွင်သတ်မှတ်ထားသောဆေးညွှန်းဆေးညွှန်းဆေးညွှန်းဆေးညွှန်းဆေးညွှန်းဆေးညွှန်းစာများကိုမှတ်တမ်းတင်ပြီးအထက်တွင်ဖော်ပြထားသောမူးယစ်ဆေးဝါးနှစ်မျိုးကိုသူတုန့်ပြန်ခြင်းဟုသတ်မှတ်ခဲ့ကြသည်။
သူတို့၏အခြေခံတွင် AI မော်ဒယ်လ်ကို "artificial protidential anemia" (apictionial-protidential-protidention-supported anemia control system, AISACS) ဟုခေါ်သော (သွေးကြောဆိုင်ရာထောက်လှမ်းရေးစနစ်, AISACS) ဟုခေါ်သည်။ ထုတ်လုပ်မှုသည်မူးယစ်ဆေးဝါးနှစ်လုံးအတွက်သောက်သုံးသောသောက်သုံးရန်လိုအပ်ကြောင်းဖြစ်နိုင်ခြေကိုရွေးချယ်ခဲ့သည်။ ထို့အပြင်လုပ်ငန်းစဉ်၏ထိရောက်မှုကိုတိုးမြှင့်ဖို့, စစ်တမ်းကောက်ယူမှုရက်စွဲများနှင့်အညီဆုံးဖြတ်ချက်ချသည့်နေ့စွဲနှင့်အညီ "data adjustment" ကို အသုံးပြု. သောက်သုံးသောသောက်သုံးမှုကိုဆုံးဖြတ်ရန်အချိန်အတွက်လျော်ကြေးငွေပေးရန်အတွက်၎င်းတို့အားလျော်ကြေးပေးခြင်းနှင့်ဆုံးဖြတ်ချက်ချခြင်းကိုပြုလုပ်ခဲ့သည်။
ရလဒ်အနေဖြင့် AISACS သည်မှန်ကန်သောအမျိုးအစားခွဲခြားမှု (ဆရာဝန်များ၏နိဂုံးချုပ်နှင့်သက်ဆိုင်သောဖြေရှင်းချက်) နှင့်ခန့်မှန်းမှုများကိုပိုမိုတိကျကြောင်းပြသခဲ့သည်။ သို့သော်အချို့သောကိစ္စရပ်များတွင်အချို့သောကိစ္စရပ်များတွင် AISAC များသည် "လက်တွေ့မှန်ကန်သော" ကိုပိုမိုမြင့်မားသောညွှန်ကိန်းများ (92% -97%) ဖြင့် "လက်တွေ့မှန်ကန်သော" ခွဲခြားထားသည်။ ဤရွေ့ကားဆရာဝန်များ၏ရောဂါလက္ခဏာနှင့်အတူမတိုက်ဆိုင်သောဖြေရှင်းချက်များဖြစ်ပေမယ့်ဆေးဘက်ဆိုင်ရာအချက်တစ်ခုမှမှန်ကန်သောစဉ်းစားနေဆဲဖြစ်သည်။