රක්තහීනතාවය යනු සෞඛ්ය සම්පන්න එට්රොසයිට් වල ශරීරයේ සෞඛ්ය සම්පන්න එරිත්රොසයිට් ප්රමාණයෙන් අඩුවීම මගින් සංලක්ෂිත රෝගයකි. බොහෝ විට සිදු වන්නේ චර්යාවන්ට රක්තපාතයට ලක්විය යුතු නිදන්ගත වකුගඩු රෝග ඇති රෝගීන් තුළ ය. ඒ අනුව, මෙම ක්රියාවලියේ රාමුව තුළ එරිත්රොසයිට්-උත්තේජක නියෝජිතයන් (එරිත්රෝපෙසියසිස්-උත්තේජක කාරක, ඊසා) සහ යකඩ අතිරේක හඳුන්වා දෙනු ලැබේ. නමුත් රෝගීන් යකඩ පරිවෘත්තීය හෝ මත්ද්රව්යවලට දුර්වල ප්රතිචාරයක් වෙනස් කර ඇත්නම් ඒ සමඟම සංකූලතා ඇතිවිය හැකිය. ඊට අමතරව, ations ෂධ සාමාන්යයෙන් මිල අධික වන අතර මහජන සෞඛ්යයට හෝ රෝගියාගේ දුෂ්කර මූල්ය බරක් අඩු කළේය. මේ අනුව, එවැනි රෝගීන් සංඛ්යාව වැඩි වෙමින් පවතින බව සැලකිල්ලට ගනිමින් මේ වන විට තීරණ ගැනීම සඳහා "හැකියාවන්" සමඟ අමතර ආධාරක පද්ධති සඳහා විශාල ඉල්ලුමක් පවතී. එක් විකල්පයක් නම්, හොඳ ක්රමයක් වන නමුත් විශාල දත්ත අරාවක් අවශ්ය වන අතර විවිධ දත්ත අරාවන් අවශ්ය වන අතර විවිධ රෝගීන් සෞඛ්ය තත්වයන් නිසා ප්රායෝගික නොවේ.
මෑත අධ්යයනයක දී, ජාත්යන්තර වෛද්ය විද්යා සඟරාවේ ප්රකාශයට පත් කරන ලද ප්රති results ල, ජපානයේ විද්යා scientists යින් කෙසේ වෙතත් ගැටලුව විසඳීමට උත්සාහ කළහ. රෝගියාගේ ශරීරයේ සංකීර්ණ කායික විද්යාව අධ්යයනය කිරීම සඳහා ඔවුන් AI තීරණය කිරීම වෙනුවට, පළපුරුදු වෛද්යවරුන්ගේ විසඳුම් මත පදනම්ව අනාවැකි ආකෘතිය භාවිතා කරන්න. ඔවාම් විශ්ව විද්යාලයේ ආශ්රිත මහාචාර්ය ටොෂියාකි ඔහාරා (ටොෂියාකි ඔහාරා) පැහැදිලි කරයි:
පළපුරුදු වෛද්යවරුන්ගේ සිහින් වන ක්රියාවලිය තුළ භාවිතා වන මූලධර්ම මත පදනම් වූ පද්ධතියක් අප සංවර්ධනය කරමින් සිටිමු. අවසානයේදී, මාත්රාව පිළිබඳ තීරණයක් ගැනීමේදී ඔවුන් රෝගියාගේ ශරීරයේ ජීවිතයේ සවිස්තරාත්මක සාරධර්ම ගණනය නොකෙරේ, එයින් අදහස් කරන්නේ ජෛව රසායන විද්යාව මත පදනම් වූ පුරෝකථ ආකෘති අනිවාර්යයෙන්ම අවශ්ය නොවන බවයි.
විද්යා scientists යින් විසින් රෝහල් 2 ක දත්ත කට්ටල දෙකක් සකස් කර ඇත - එකක් ඔවුන්ගේ ආකෘතිය ඉගැන්වීම සහ අනෙකා එහි පුරෝකථනයන් පරීක්ෂා කිරීම සහ සත්යාපනය කිරීම සඳහා ලබා දී ඇත. ඒ අතරම, ඔවුන් රෝහල් දෙකක බෙහෙත් වට්ටෝරු බෙහෙත් වට්ටෝරු වාර්තා කර ඇති අතර ඒවා ඉහත සඳහන් කළ drug ෂධ දෙකට හෙමෝදයිසිස් රෝගය වාර්තා කළහ.
"කෘතිම බුද්ධි බුද්ධි" (කෘතිම බුද්ධි බුද්ධි තොරතුරු - සහාය ආනත animia පාලක පද්ධතිය, ආදාන ආරවුල පහක් (රුධිර ලකුණු හතරක්) සහ ගුණාත්මකභාවය තුළ " නිමැවුමෙන් .ෂධ දෙකක් සඳහා මාත්රාවීමේ අවශ්යතාවයේ සම්භාවිතාව තෝරා ගත්තේය. මීට අමතරව, මෙම ක්රියාවලියේ කාර්යක්ෂමතාව ඉහළ නැංවීම සඳහා, සමීක්ෂණයේ දිනයන් අනුව තීරණ ගැනීමේ දිනය අනුව තීරණ ගැනීමේ දිනය ගෙන ඒම සඳහා රුධිර පරීක්ෂාව වැඩි කිරීම සහ මාත්රාව තීරණය කිරීම අතර වන්දි ගෙවීම ප්රමාද වීම සහ මාත්රාව "මාත්රාව තීරණය කිරීම මත පදනම් වූවකි.
එහි ප්රති As ලයක් ලෙස 72% -87% ට නිවැරදි වර්ගීකරණය (වෛද්යවරුන්ගේ නිගමනවලට අනුරූප වන විසඳුම්) පුරෝකථනය කිරීම පිළිබඳ ඉහළ නිරවද්යතාවයක් AISACACS විසින් පෙන්නුම් කරන ලදී. නමුත් ඊටත් වඩා සිත්ගන්නා කරුණ නම්, සමහර අවස්ථාවලදී, "සායනිකව නිවැරදි" වර්ගීකරණයන් ඊටත් වඩා ඉහළ දර්ශක (92% -97%) සමඟ "සාජිත නිවැරදි" වර්ගීකරණයන් ලබා දීමයි. මේවා වෛද්යවරුන් හඳුනා ගැනීමට සමපාත නොවූ නමුත් වෛද්ය ලක්ෂ්යයකින් නිවැරදි ලෙස සලකන විසඳුම් මේවා විය.