Anémia je ochorenie charakterizované znížením množstva zdravých erytrocytov v tele zdravých erytrocytov, často sa vyskytuje u pacientov s chronickými ochoreniami obličiek, ktorí potrebujú podstúpiť rutinnú hemodialýzu. V súlade s tým, sú v rámci tohto procesu zavedené činidlá stimulujúcim erytrocytom (činidlá stimulujúce erytropoézy, ESA) a doplnky železa. Ale zároveň môžu vzniknúť komplikácie, ak pacienti zmenili metabolizmus železa alebo zlú reakčnú reakciu na lieky. Okrem toho, lieky sú zvyčajne drahé a znížené ťažké finančné zaťaženie verejného zdravia alebo samotného pacienta. Berúc do úvahy skutočnosť, že počet takýchto pacientov v súčasnosti rastie, existuje veľký dopyt po dodatočných podporných systémoch s "schopnými" na rozhodovanie. Jednou z možností je využiť umelú technológiu inteligencie (umelá inteligencia, AI), ktorá sa zdá byť sľubnou metódou, ale vyžaduje si veľký dátový rad a nie je praktický z dôvodu rôznych zdravotných stavov pacientov.
V nedávnej štúdii, ktorých výsledky boli publikované v medzinárodnom časopise lekárskych vied, vedcov z Japonska sa však pokúsili vyriešiť problém. Rozhodli sa namiesto toho, aby AI študovali komplexnú fyziológiu tela pacienta, použili predikčný model založený na riešeniach skúsených lekárov. Associates Toshiaki Ohara (Toshiaki Ohara) z Okayam University vysvetľuje:
Vyvíjame systém založený na princípoch, ktoré sa používajú v procese riedenia skúsených lekárov. Nakoniec nepočítajú podrobné hodnoty životných reakcií v tele pacienta pri rozhodovaní o dávke, čo znamená, že predikčné modely založené na biochémii nie sú nevyhnutne potrebné.
Vedci pripravili dva súbory údajov získané v 2 nemocniciach - jeden na učenie svojho modelu a druhého na testovanie a overovanie jeho prognóz. Zároveň zaznamenali predpísané predpisy na predpis v dvoch nemocniciach a považovali reakciu na dva vyššie uvedené liečivo aplikované počas hemodialýzy.
Na ich základe bol postavený model AI, nazval "Artificial Intelligence Anemia" (Artificial Intelligence-podporovaný anémia kontrolný systém, AISAC), ktorý dostal celkovo päť vstupných zdrojov (štyri body krvi a anamneza) av kvalite Výstup si vybral pravdepodobnosť potreby dávky pre dva liečivá. Okrem toho, aby sa zvýšila účinnosť procesu, kompenzovali časové oneskorenie medzi testovaním krvi a rozhodovanie o dávkovaní s použitím "úpravy údajov", aby sa dátum rozhodovania v súlade s dátummi prieskumu.
V dôsledku toho AISAC vykazovali vysokú presnosť prognózy so správnou klasifikáciou (riešenia zodpovedajúce záverom lekárov) na 72% -87%. Ale ešte zaujímavejšie bolo, že v niektorých prípadoch AISACS poskytli "klinicky správne" klasifikácie s ešte vyššími ukazovateľmi (92% -97%). Boli to riešenia, ktoré sa nezhodovali s diagnózou lekárov, ale stále považovali za správne z lekárskeho bodu.