రక్తహీనత ఆరోగ్యకరమైన ఎర్రరైన కణాల శరీరంలో తగ్గుదలతో కూడిన వ్యాధిని కలిగి ఉంటుంది, తరచూ రోగులలో రోగులలో సాధారణమైన మూత్రపిండ వ్యాధులు సంభవిస్తాయి. దీని ప్రకారం, ఎర్రోసిట్-స్టిమ్యులేటింగ్ ఎజెంట్ (ఎరిక్టోపోయిస్-స్టిమ్యులేటింగ్ ఎజెంట్, ESA) మరియు ఐరన్ సప్లిమెంట్స్, ఈ ప్రక్రియ యొక్క ఫ్రేమ్లో ప్రవేశపెడతారు. కానీ రోగులు ఇనుము లేదా పేలవమైన ప్రతిచర్యను ఔషధాల జీవక్రియను మార్చినట్లయితే అదే సమయంలో సమస్యలు తలెత్తుతాయి. అదనంగా, మందులు సాధారణంగా ఖరీదైనవి మరియు ప్రజా ఆరోగ్యం లేదా రోగిని తాను కష్టతరమైన ఆర్థిక భారం తగ్గించాయి. అందువలన, అటువంటి రోగుల సంఖ్య ప్రస్తుతం పెరుగుతున్న వాస్తవాన్ని పరిగణనలోకి తీసుకుంటూ, "సామర్ధ్యాలు" నిర్ణయాలు తీసుకునేందుకు అదనపు మద్దతు వ్యవస్థలకు గొప్ప డిమాండ్ ఉంది. ఒక ఎంపికను కృత్రిమ మేధస్సు సాంకేతికత (కృత్రిమ మేధస్సు, AI) ఉపయోగించడం, ఇది ఒక మంచి పద్ధతిగా ఉంది, కానీ పెద్ద డేటా శ్రేణి అవసరం మరియు వివిధ రోగి ఆరోగ్య రాష్ట్రాల కారణంగా ఆచరణాత్మకమైనది కాదు.
ఇటీవలి అధ్యయనంలో, అంతర్జాతీయ జర్నల్ ఆఫ్ మెడికల్ సైన్సెస్, జపాన్ నుండి శాస్త్రవేత్తలు సమస్యను పరిష్కరించడానికి ప్రయత్నించారు. రోగి యొక్క శరీరం యొక్క సంక్లిష్ట శరీరధర్మ శాస్త్రాన్ని అధ్యయనం చేయడానికి బదులుగా వారు నిర్ణయించుకున్నారు, అనుభవజ్ఞులైన వైద్యులు పరిష్కారాల ఆధారంగా అంచనా నమూనాను ఉపయోగించండి. Ocayam విశ్వవిద్యాలయం నుండి అసోసియేట్ ప్రొఫెసర్ Toshiaki Ohara (Toshiaki Ohara) వివరిస్తుంది:
అనుభవజ్ఞులైన వైద్యులు సన్నబడటానికి ఉపయోగించే సూత్రాల ఆధారంగా మేము ఒక వ్యవస్థను అభివృద్ధి చేస్తున్నాము. చివరికి, మోతాదులో ఒక నిర్ణయం తీసుకునేటప్పుడు రోగి యొక్క శరీరంలోని జీవిత ప్రతిచర్యల యొక్క వివరణాత్మక విలువలను వారు లెక్కించరు, దీని అర్థం బయోకెమిస్ట్రీ ఆధారంగా అంచనా వేయడం తప్పనిసరిగా అవసరం లేదు.
శాస్త్రవేత్తలు 2 ఆసుపత్రులలో పొందిన రెండు డేటా సెట్లు తయారు చేశారు - వారి మోడల్ బోధించడానికి, మరియు దాని భవిష్యత్ పరీక్ష మరియు ధృవీకరించడానికి ఇతర. అదే సమయంలో, వారు రెండు ఆసుపత్రులలో సూచించిన ప్రిస్క్రిప్షన్ ప్రిస్క్రిప్షన్లను నమోదు చేసి, హెమోడయాలసిస్ సమయంలో దరఖాస్తు పైన పేర్కొన్న రెండు ఔషధాలకు ప్రతిస్పందనగా పరిగణించబడ్డారు.
వారి ఆధారంగా, ఒక AI మోడల్ నిర్మించబడింది, "కృత్రిమ ఇంటెలిజెన్స్ అనీమియా" (కృత్రిమ-తెలివిగల-మద్దతు ఉన్న రక్తహీనత నియంత్రణ వ్యవస్థ, AISACS) అని పిలిచేవారు అవుట్పుట్ రెండు మందులు కోసం మోతాదు అవసరం సంభావ్యత ఎంచుకున్నాడు. అదనంగా, ప్రక్రియ యొక్క సామర్థ్యాన్ని పెంచడానికి, వారు సర్వే యొక్క తేదీలకు అనుగుణంగా నిర్ణయం తీసుకునే తేదీని తీసుకురావడానికి "డేటా సర్దుబాటు" ను ఉపయోగించి "డేటా సర్దుబాటు" ను ఉపయోగించి మోతాదులో ఒక సమయ ఆలస్యం కోసం పరిహారం చెల్లించారు.
ఫలితంగా, AISACS సరైన వర్గీకరణ (వైద్యులు యొక్క తీర్మానాలకు సంబంధించిన పరిష్కారాలు) 72% -87% వద్ద సూచనను అధిక ఖచ్చితత్వాన్ని చూపించాయి. కానీ మరింత ఆసక్తికరంగా కొన్ని సందర్భాల్లో, AISACS కూడా ఉన్నత సూచికలతో (92% -97%) తో "వైద్యపరంగా సరైన" వర్గీకరణలను అందించింది. ఈ వైద్యులు నిర్ధారణతో సమానంగా ఉండే పరిష్కారాలు, కానీ ఇప్పటికీ ఒక వైద్య పాయింట్ నుండి సరైనది.