貧血是一種疾病，其特徵在於健康紅細胞體內健康紅細胞量的減少，經常發生在需要進行常規血液透析的慢性腎臟疾病的患者中。因此，在該方法的框架內引入紅細胞刺激劑（促紅細胞刺激劑，ESA）和鐵補充劑。但是，如果患者改變了對藥物的反應性或差的反應性的代謝，可能會出現同時並發症。此外，藥物通常是昂貴的，降低公共衛生或患者的困難的財務負擔。因此，考慮到此類患者的數量目前正在增長的事實，對具有“能力”的額外支持系統有很大的需求來做出決策。一種選擇是使用人工智能技術（人工智能，AI），這似乎是一個有希望的方法，但需要大數據陣列，並且由於各種患者健康狀態而不是實際的。
在最近的一項研究中，它在國際醫學科學雜誌上發表的結果，日本的科學家仍然試圖解決這個問題。他們決定代替製造AI研究患者身體的複雜生理學，使用基於經驗豐富的醫生解決方案的預測模型。來自岡盡大學的Toshiaki Ohara（Toshiaki Ohara）副教授解釋：
我們正在基於在經驗豐富的醫生的稀釋過程中使用的原則開發一個系統。最後，當對劑量決定時，它們不計算患者體內的生命反應的詳細值，這意味著不一定需要基於生物化學的預測模型。
科學家們準備了兩家在2家醫院獲得的數據集 - 一個人來教導他們的模型，另一個是用於測試和驗證其預測的另一個。與此同時，他們記錄了兩家醫院的規定的處方處方，並考慮了對血液透析期間上述兩種藥物的反應。
在他們的基礎上，建立了一個AI模型，稱為“人工智能貧血”（人工智能支持的貧血控制系統，AISACS），其共獲得了五個輸入來源（血液和厭氧的四分）和質量輸出選擇了兩種藥物需要劑量的可能性。此外，為了提高該方法的效率，它們補償了血液測試之間的時間延遲，並使用“數據調整”來判斷用“數據調整”來促進根據調查日期的決策日期。
因此，AISACS對預測的高精度具有正確的分類（與醫生結論對應的解決方案），72％-87％。但更有趣的是，在某些情況下，AISACS在更高的指標（92％-97％）中提供了“臨床正確”的分類。這些解決方案與醫生的診斷不一致，但仍然認為從醫療點肯定是正確的。