ରକ୍ତପାତର ଶରୀରରେ ରକ୍ତ irytherecites ପରିମାଣରେ ବର୍ଣ୍ଣମାଳା ଏକ ରୋଗ ସୃଷ୍ଟି ହୋଇଥିବା ଏକ ରୋଗ ସୃଷ୍ଟି ହୁଏ, ଯେଉଁମାନେ ଚାଳନା ହେମିନୋଡାଇସିସିସ୍ ରୋଗୀଙ୍କୁ ଅତିକ୍ରମ କରିବା ଆବଶ୍ୟକ କରନ୍ତି | ଅନୁଯାୟୀ, ଏରିଥ୍ରିକୋଏଟିଂ-ଷ୍ଟିମୁଏଟିଂ ଏଜେଣ୍ଟଗୁଡିକ (ଏରିଥ୍ରୋପିସିସ୍-ଉତ୍ସାହଜନକ ଏଜେଣ୍ଟ, ESA) ଏବଂ ଆଇରନ୍ ସପ୍ଲିମେଣ୍ଟସ୍ ଏବଂ ଆଇରନ୍ ସପ୍ଲିମେଣ୍ଟସ୍, ଏହି ପ୍ରକ୍ରିୟାର fram ାମଣା ମଧ୍ୟରେ ପ୍ରଚଳିତ | କିନ୍ତୁ ସେହି ସମୟରେ ରୋଗୀମାନେ ଲୁଣ୍ଠନ କରୁଥିବା ଲ iron ହ କିମ୍ବା ଖରାପ ପ୍ରତିକ୍ରିୟାର ମେଟାବୋଲିଜିମ୍ ବଦଳାଇଥା'ନ୍ତି ତେବେ ଉତ୍ପନ୍ନତା ଉତ୍ପନ୍ନ ହୋଇପାରେ | ଏଥିସହ, itications ଷଧ ସାଧାରଣତ propertion ଦାମୀ ସ୍ୱାସ୍ଥ୍ୟ କିମ୍ବା ରୋଗୀ ଉପରେ ଏକ କଠିନ ଆର୍ଥିକ ସହ୍ୟ ଏବଂ ଶରୀର ଉପରେ ଏକ କଠିନ ଆର୍ଥିକ ସୀମାକୁ କମ୍ ଖରାପ ଭାବରେ ହ୍ରାସ କରାଯାଇଥାଏ | ଏହିପରି, ଏହିପରି ରୋଗୀଙ୍କ ସଂଖ୍ୟା ବ growing ୁଛି, ତେବେ ଏହିପରି ରୋଗୀଙ୍କ ସଂଖ୍ୟା ବ growing ିବାରେ ଅତିରିକ୍ତ ସହାୟତା ସିଷ୍ଟମର ପାଇଁ ଏକ ମହଙ୍ଗା ଅଛି | ଗୋଟିଏ ବିକଳ୍ପ ହେଉଛି କୃତ୍ରିମ ଇଣ୍ଟେଲିଜେନ୍ସ ଟେକ୍ନୋଲୋଜି (କୃତିଷ୍କିକ ବୁଦ୍ଧି, ai ବ୍ୟବହାର କରିବା, କିନ୍ତୁ ବିଭିନ୍ନ ରୋଗୀଙ୍କ ସ୍ୱାସ୍ଥ୍ୟ ଅବସ୍ଥା ହେତୁ ବ୍ୟବହାରିକ ନୁହେଁ ଏବଂ ବ୍ୟବହାରିକ ନୁହେଁ |
ସମ୍ପ୍ରତି ଅଧ୍ୟୟନରେ, ଯେଉଁମାନଙ୍କର ଫଳାଫଳ ଡାକ୍ତରୀ ବିଜ୍ଞାନଗୁଡିକର ଆନ୍ତର୍ଜାତୀୟ ଜର୍ନାଲ୍ ରେ ପ୍ରକାଶିତ ହୋଇଥିଲା, ଜାପାନର ବ Scient ଜ୍ଞାନିକମାନେ ତଥାପି ସମସ୍ୟାର ସମାଧାନ କରିବାକୁ ଚେଷ୍ଟା କରିଥିଲେ | ରୋଗର ଶରୀରର ଜଟିଳ ଶାରୀରିକ ଦୃଷ୍ଟିକୋଣକୁ ଅଧ୍ୟୟନ କରିବା ପାଇଁ ସେମାନେ ସ୍ଥିର କଲେ, ଅଭିଜ୍ଞ ଡାକ୍ତରଙ୍କ ସମାଧାନ ଉପରେ ଆଧାର କରି ଭବିଷ୍ୟବାଣୀ ମଡେଲକୁ ବ୍ୟବହାର କରନ୍ତୁ | ଓସାମ ୟୁନିଭରସିଟି ରୁ ଓକାମ ବିଶ୍ୱବିଦ୍ୟାଳୟରୁ ଆସୋସିଏଟ୍ ପ୍ରଫେସର ThosiKni ohara (Tosiki ohara) କୁ ସମର୍ଥନ କରେ:
ଅଭିଜ୍ଞ ଡାକ୍ତରଙ୍କ ପତଳା ଡିଭାଇସର ପତଳା ପ୍ରକ୍ରିୟାରେ ବ୍ୟବହୃତ ନୀତି ଉପରେ ଆଧାର କରି ଆମେ ଏକ ସିଷ୍ଟମ୍ ବ iding ୁଛୁ | ଶେଷରେ, ସେମାନେ ରୋଗୀର ନିଷ୍ପତ୍ତି ନେବାବେଳେ ଜୀବନ ପ୍ରତିକ୍ରିୟାରେ ଜୀବନ ପ୍ରତିକ୍ରିୟାଗୁଡ଼ିକର ବିସ୍ତୃତ ଧନକୋଷର ଗଣନା କରନ୍ତି ନାହିଁ, ଯାହାର ଅର୍ଥ ବାୟୋଲୋମିଷ୍ଟ୍ରି ଉପରେ ଆଧାରିତ ଭବିଷ୍ୟବାଣୀ ନିୟନ୍ତ୍ରକ ଅବଶ୍ୟ ଆବଶ୍ୟକ ନୁହେଁ |
ବ Scient ଜ୍ଞାନିକମାନେ 2 ଟି ଡାକ୍ତରଥଲରେ ପ୍ରାପ୍ତ ଦୁଇଟି ଡାଟା ସେଟ୍ ପ୍ରସ୍ତୁତ କରିଛନ୍ତି - ଜଣେ ସେମାନଙ୍କ ମଡେଲ୍, ଏବଂ ଅନ୍ୟକୁ ପରୀକ୍ଷା ଏବଂ ଏହାର ପୂର୍ବାନୁମାନ ଏବଂ ଯାଞ୍ଚ କରିବା ପାଇଁ | ସେହି ସମୟରେ, ସେମାନେ ଦୁଇଟି ଡାକ୍ତରଖାନାରେ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରେସକ୍ରିପସନ୍ ପ୍ରେସକ୍ରିପସନ୍ ରେକର୍ଡ କରିଥିଲେ ଏବଂ ହେମୋଡିଆଲିସିସରେ ପ୍ରୟୋଗ ହୋଇଥିଲେ ଦୁଇଟି drug ଷଧ ପ୍ରତି ପ୍ରତିକ୍ରିୟା ବିବେଚନା କରିଥିଲେ |
ସେମାନଙ୍କ ଭିତରୁ, AI AI ମଡେଲକୁ ନିର୍ମିତ, "କାରିସିୟାଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ ଉନେମିଆ ନାମକ ନାମକରଣ କରାଯାଇଥିଲା, ଯାହା" କୃତଜ୍ଞ-ଇଣ୍ଟେଲାଇଜେସନ୍-ସମର୍ଥିତ ଆନ୍ରୀପର ବିବରଣୀ (ଚାରି ପଏଣ୍ଟର ଚାରି ପଏଣ୍ଟ ଏବଂ ଅନାଇସାଇସ୍) ଏବଂ ଗୁଣବତ୍ତାରେ ଗ୍ରହଣ କରାଯାଇଥିଲା | ଆଉଟପୁଟ୍ ଦୁଇଟି drugs ଷଧ ପାଇଁ ଡୋଜର ଆବଶ୍ୟକତାର ସମ୍ଭାବନା ବାଛିବା | ଏହା ବ୍ୟତୀତ, ପ୍ରକ୍ରିୟାର ଦକ୍ଷତା ବୃଦ୍ଧି କରିବା ପାଇଁ, ସେମାନେ ସର୍ବେକ୍ଷଣର ତାରିଖର ତାରିଖ ଅନୁଯାୟୀ ନିଷ୍ପତ୍ତି ନେବା କିମ୍ବା ଡୋଜ ଉପରେ ଡୋଜର ତାରିଖ ମଧ୍ୟରେ ଏକ ସମୟ ବିଳମ୍ବ ପାଇଁ କ୍ଷତିପୂରଣ ଦେଇଥିଲେ |
ଫଳସ୍ୱରୂପ, ଆୟାକ୍ସ ସଠିକ୍ ବର୍ଗୀକରଣ ସହିତ ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନ (ଡାକ୍ତରଙ୍କ ସିଦ୍ଧାନ୍ତ) ସହିତ ଅନୁରୂପ (ଡାକ୍ତରଙ୍କ ସିଦ୍ଧାନ୍ତ) ସହିତ ଅନୁରୂପ) | କିନ୍ତୁ ଏପରିକି ଅଧିକ କ interesting ତୁହଳପୂର୍ଣ୍ଣ ଥିଲା ଯେ କେତେକ କ୍ଷେତ୍ରରେ, ଏସିସପିସ୍ "କ୍ଲିନିକାଲ୍ ସଠିକ୍" ବର୍ଗ (92% -97%) ସହିତ "କ୍ଲିନିକାଲ୍ ସଂଶୋଧନ" ବର୍ଗ ଯୋଗାଇ ଦେଇଥିଲେ। ଏଗୁଡିକ ସମାଧାନ ଥିଲା ଯାହା ଡାକ୍ତରଙ୍କ ନିରାକରଣରେ ସମକଡ଼ିନଥିଲା, କିନ୍ତୁ ତଥାପି ଏକ ଚିକିତ୍ସା ବିନ୍ଦୁରୁ ସଂଶୋଧନ ବିବେଚନା କଲେ |