Anemi är en sjukdom som kännetecknas av en minskning av mängden friska erytrocyter i kroppen av friska erytrocyter, uppträder ofta hos patienter med kroniska njursjukdomar som behöver genomgå rutinmässiga hemodialys. Följaktligen införes de erytrocytstimulerande medlen (erytropoiesistimulerande medel, ESA) och järntillskott, inom ramen för denna process. Men samtidigt kan komplikationer uppstå om patienterna har förändrat metabolismen av järn eller dålig reaktion mot droger. Dessutom är mediciner vanligtvis dyra och sänkte en svår ekonomisk börda för folkhälsan eller patienten själv. Med hänsyn till det faktum att antalet sådana patienter för närvarande växer, är det således en stor efterfrågan på ytterligare supportsystem med "förmågor" för att fatta beslut. Ett alternativ är att använda artificiell intelligenssteknik (artificiell intelligens, AI), som verkar vara en lovande metod, men kräver en stor datalatray och är inte praktisk på grund av olika patienthälsostater.
I en nyligen visade de resultat som publicerades vid International Journal of Medical Sciences, fick forskare från Japan ändå att lösa problemet. De bestämde istället för att göra AI att studera den komplexa fysiologin hos patientens kropp, använda prediktionsmodellen baserad på lösningar av erfarna läkare. Docent Toshiaki Ohara (Toshiaki Ohara) från Okayam University förklarar:
Vi utvecklar ett system baserat på de principer som används i tunna processen av erfarna läkare. I slutändan beräknar de inte de detaljerade värdena för livsreaktionerna i patientens kropp när de fattar beslut om doseringen, vilket innebär att förutsägelsemodeller baserade på biokemi inte nödvändigtvis behövs.
Forskare har förberett två dataset erhållna på 2 sjukhus - en att undervisa sin modell och den andra för att testa och verifiera prognoserna. Samtidigt registrerade de föreskrivna receptbelagda recept på två sjukhus och ansåg reaktionen på de två nämnda drogerna som nämnts under hemodialys.
På deras grund byggdes en AI-modell, kallad "artificiell intelligensanemi" (artificiell-intelligens-stödd anemi styrsystem, AISAC), som fick totalt fem ingångskällor (fyra punkter av blod och anamnesis) och i kvaliteten av utgången valde sannolikheten för behovet av dosering för två droger. För att öka processens effektivitet kompenserade de för en tidsfördröjning mellan blodprovning och besluta om doseringen med hjälp av "datajustering" för att ge datumet för beslutsfattandet i enlighet med undersökningsdatum.
Som ett resultat visade Aisacs hög precision av prognosen med rätt klassificering (lösningar som motsvarar slutsatserna från läkare) till 72% -87%. Men ännu mer intressant var att i vissa fall lämnade Aisacs "kliniskt korrekta" klassificeringar med ännu högre indikatorer (92% -97%). Dessa var lösningar som inte sammanföll med diagnosen läkare, men anses fortfarande vara korrekt från en medicinsk punkt.