โรคโลหิตจางเป็นโรคที่มีลักษณะลดลงในปริมาณของเม็ดเลือดแดงที่ดีต่อสุขภาพในร่างกายของเม็ดเลือดแดงที่มีสุขภาพดีมักเกิดขึ้นในผู้ป่วยที่มีโรคไตเรื้อรังที่ต้องผ่านการฟอกเลือดเป็นประจำ ดังนั้นตัวแทนเม็ดเลือดแดงที่กระตุ้น (ตัวแทน erythropoiesis-stimulating, ESA) และผลิตภัณฑ์เสริมธาตุเหล็กจะถูกนำมาใช้ในกรอบของกระบวนการนี้ แต่ในขณะเดียวกันก็มีภาวะแทรกซ้อนอาจเกิดขึ้นหากผู้ป่วยเปลี่ยนการเผาผลาญของเหล็กหรือปฏิกิริยาที่ไม่ดีต่อยาเสพติด นอกจากนี้ยามักจะมีราคาแพงและลดภาระทางการเงินที่ยากลำบากต่อสาธารณสุขหรือผู้ป่วยเอง ดังนั้นการคำนึงถึงความจริงที่ว่าจำนวนผู้ป่วยดังกล่าวกำลังเติบโตอยู่มีความต้องการอย่างมากสำหรับระบบสนับสนุนเพิ่มเติมที่มี "ความสามารถ" ในการตัดสินใจ ตัวเลือกหนึ่งคือการใช้เทคโนโลยีปัญญาประดิษฐ์ (ปัญญาประดิษฐ์ AI) ซึ่งดูเหมือนจะเป็นวิธีการที่มีแนวโน้ม แต่ต้องใช้อาร์เรย์ข้อมูลขนาดใหญ่และไม่เป็นประโยชน์เนื่องจากสถานะสุขภาพของผู้ป่วยหลายราย
ในการศึกษาล่าสุดผลการตีพิมพ์ในวารสารวิทยาศาสตร์การแพทย์นานาชาตินักวิทยาศาสตร์จากญี่ปุ่นอย่างไรก็ตามพยายามที่จะแก้ปัญหา พวกเขาตัดสินใจแทนที่จะทำให้ AI ศึกษาสรีรวิทยาที่ซับซ้อนของร่างกายของผู้ป่วยใช้รูปแบบการทำนายตามแนวทางแก้ไขของแพทย์ที่มีประสบการณ์ รองศาสตราจารย์ Toshiaki Ohara (Toshiaki Ohara) จาก Okayam University อธิบาย:
เรากำลังพัฒนาระบบตามหลักการที่ใช้ในกระบวนการผอมบางของแพทย์ที่มีประสบการณ์ ในท้ายที่สุดพวกเขาไม่ได้คำนวณค่ารายละเอียดของปฏิกิริยาชีวิตในร่างกายของผู้ป่วยเมื่อตัดสินใจเกี่ยวกับปริมาณซึ่งหมายความว่าแบบจำลองการทำนายตามชีวเคมีไม่จำเป็นต้องจำเป็น
นักวิทยาศาสตร์ได้เตรียมชุดข้อมูลสองชุดที่ได้รับในโรงพยาบาล 2 แห่ง - หนึ่งในการสอนแบบจำลองของพวกเขาและอื่น ๆ สำหรับการทดสอบและตรวจสอบการคาดการณ์ ในเวลาเดียวกันพวกเขาบันทึกใบสั่งยาตามใบสั่งแพทย์ที่กำหนดไว้ในโรงพยาบาลสองแห่งและพิจารณาถึงปฏิกิริยาต่อยาทั้งสองที่กล่าวถึงข้างต้นที่ใช้ในช่วงการฟอกเลือด
บนพื้นฐานของพวกเขาโมเดล AI ถูกสร้างขึ้นเรียกว่า "ระบบควบคุมปัญญาประดิษฐ์ประดิษฐ์" (ระบบควบคุมโรคโลหิตจางที่ได้รับการสนับสนุนทางปัญญา, Aisacs) ซึ่งได้รับทั้งหมดห้าแหล่งอินพุต (สี่จุดเลือดและ Anamnesis) และในคุณภาพ ของเอาต์พุตเลือกความน่าจะเป็นของความต้องการปริมาณสำหรับยาสองชนิด นอกจากนี้เพื่อเพิ่มประสิทธิภาพของกระบวนการพวกเขาชดเชยความล่าช้าระหว่างการทดสอบเลือดและการตัดสินใจเกี่ยวกับปริมาณโดยใช้ "การปรับข้อมูล" เพื่อนำวันที่ตัดสินใจทำตามวันที่ของการสำรวจ
เป็นผลให้ Aisac มีความแม่นยำสูงของการคาดการณ์ด้วยการจำแนกที่ถูกต้อง (โซลูชั่นที่สอดคล้องกับข้อสรุปของแพทย์) ที่ 72% -87% แต่น่าสนใจยิ่งขึ้นก็คือในบางกรณี Aisacs ให้การจำแนกประเภท "แก้ไขทางคลินิก" ด้วยตัวบ่งชี้ที่สูงขึ้น (92% -97%) เหล่านี้เป็นโซลูชั่นที่ไม่ตรงกับการวินิจฉัยของแพทย์ แต่ยังถือว่าถูกต้องจากจุดทางการแพทย์