Wstęp

W dziedzinie medycyny sztuczna inteligencja (AI) koncentruje się przede wszystkim na opracowaniu algorytmów i technologii pozwalających stwierdzić, czy system zachowuje się prawidłowo w diagnostyce choroby. Diagnoza medyczna to choroba lub stan, który wyjaśnia objawy przedmiotowe i podmiotowe danej osoby. Zazwyczaj informacje diagnostyczne są zbierane z historii medycznej pacjenta i badania fizykalnego. Ponieważ wiele wskazań i objawów jest niejasnych, diagnozę może postawić tylko przeszkolony personel medyczny, co często jest trudne. W rezultacie kraje, w których brakuje wystarczającej liczby pracowników służby zdrowia, takie jak kraje rozwijające się, takie jak Bangladesz i Indie, mają trudności z zapewnieniem odpowiednich procedur diagnostycznych dla największej liczby pacjentów. Ponadto procedury diagnostyczne często wymagają badań medycznych, które osoby o niskich dochodach często uważają za drogie i niedostępne.

Ponieważ ludzie są podatni na błędy, nie jest zaskakujące, że nadmierna diagnoza może występować u pacjentów częściej. Nadmierna diagnoza może powodować problemy, takie jak niepotrzebne leczenie, które może mieć poważny wpływ na zdrowie i finanse danej osoby. Według raportu National Academies of Sciences, Engineering and Medicine z 2015 roku większość ludzi przynajmniej raz w życiu napotka błąd diagnostyczny. Istnieje wiele czynników, które wpływają na postawienie błędnej diagnozy, w tym brak odpowiednich objawów, które często są niezauważalne, rzadkie choroby i choroby, które są błędnie ignorowane.

Uczenie maszynowe (ML) jest obecne niemal wszędzie, od najnowocześniejszych technologii (np. telefony komórkowe, komputery i robotyka) po opiekę zdrowotną (tj. diagnostykę chorób i bezpieczeństwo). Uczenie maszynowe staje się coraz bardziej popularne w różnych dziedzinach, w tym w diagnostyce chorób w opiece zdrowotnej. Wielu badaczy i praktyków demonstruje obietnicę diagnozy chorób opartej na uczeniu maszynowym (MLBDD), która jest tania i oszczędza czas. Tradycyjne procesy diagnostyczne są kosztowne, czasochłonne i często wymagają interwencji człowieka. Podczas gdy możliwości jednostki ograniczają tradycyjne techniki diagnostyczne, systemy oparte na ml nie mają takich ograniczeń, a maszyny nie wyczerpują się w taki sam sposób jak ludzie. W rezultacie może powstać metoda diagnozowania chorób przekraczająca liczbę pacjentów niespodziewanie zgłaszających się do służby zdrowia. Podczas budowy systemów MLBDD wykorzystywane są dane medyczne, takie jak obrazy (np. zdjęcia rentgenowskie, rezonans magnetyczny) oraz dane tabelaryczne (np. stan pacjenta, wiek, płeć).

Korzyści z Cistanche dla naszych nerek

Uczenie maszynowe (ML) to podzbiór sztucznej inteligencji, który wykorzystuje dane jako zasób wejściowy. Wyniki uzyskane przy użyciu z góry określonych funkcji matematycznych (klasyfikacja lub regresja) są często trudne do osiągnięcia dla ludzi. Na przykład, używając ML, często łatwiej jest zlokalizować złośliwe komórki na obrazach mikroskopowych, co często jest wyzwaniem do wykonania, patrząc na obrazy. Co więcej, dzięki postępom w głębokim uczeniu się (forma uczenia maszynowego), ostatnie badania wykazały, że MLBD jest dokładny w ponad 90 procentach. Choroba Alzheimera, niewydolność serca, rak piersi i zapalenie płuc to tylko niektóre z chorób, które mogą być wykrywane przez uczenie maszynowe. Pojawienie się algorytmów uczenia maszynowego w dziedzinie diagnostyki chorób ilustruje użyteczność tej technologii w medycynie.

W ostatnich latach przełomowe problemy związane z uczeniem maszynowym w medycynie, takie jak nierównowaga danych, interpretacja uczenia maszynowego i etyka uczenia maszynowego, to tylko kilka z wielu trudnych obszarów, którymi należy się po prostu zająć. Ten artykuł zawiera przegląd nowych zastosowań uczenia maszynowego i uczenia głębokiego w diagnostyce chorób oraz przegląd osiągnięć w tej dziedzinie, aby rzucić światło na aktualne trendy, podejścia i problemy w uczeniu maszynowym w diagnostyce chorób. Zaczniemy od przeglądu kilku podejść do uczenia maszynowego i technik głębokiego uczenia się, a także konkretnych architektur do wykrywania i klasyfikowania różnych form diagnozowania chorób.

Kliknij tutaj, aby uzyskaćWpływ ekstraktu Cistanche na nasze nerki

Wykorzystując wnioski z metod matematycznych i statystycznych, które pozwalają maszynom uczyć się bez programowania, ten ważny postęp został po raz pierwszy zauważony w 1959 roku, kiedy Arthur Samuel zaproponował uczenie empiryczne dla algorytmów uczenia maszynowego i rozpoznawania wzorców w grach.

Podstawową zasadą ML jest uczenie się na podstawie danych w celu przewidywania lub podejmowania decyzji na podstawie przypisanych zadań.

Dzięki technikom uczenia maszynowego (ML) wiele czasochłonnych zadań można teraz wykonać szybko i przy minimalnym wysiłku. Wraz z wykładniczym wzrostem mocy komputerów i pojemności danych coraz łatwiej jest trenować oparte na danych modele uczenia maszynowego, aby przewidywać wyniki z niemal idealną dokładnością. Wiele artykułów oferuje szeroką gamę klas metod ML. Algorytmy ML można jednak podzielić na kilka podgrup, opartych na różnych metodach uczenia

Znaczenie naszej nerki:

nerkajest jednym z ważnych organów organizmu człowieka, poprzez produkcję moczu w celu usunięcia metabolitów, organizm nie potrzebuje wydalanych produktów przemiany materii, reguluje i utrzymuje gospodarkę wodno-elektrolitową organizmu, równowagę kwasowo-zasadową, bierze udział w regulacji ciśnienia krwi, hematopoeza i inne funkcje fizjologiczne, gdy funkcja nerek jest uszkodzona, będzie zagrażać życiu ludzkiemu, co pokazuje znaczenie ochrony funkcji nerek, nerka ma również funkcję hormonalną iregulować ciśnienie krwi, hematopoezjasIwzrost szpiku kostnegoIinne funkcje fizjologiczne.

Cistanche

Aktualna sytuacja w chorobach nerek:

KDIGO (Kidney Disease: Improving Global Outcomes) Kontrowersje Konferencja dotycząca opieki podtrzymującej uznała ogromną potrzebę opieki podtrzymującej dla pacjentów z chorobą nerek ze względu na ichhdużym obciążeniem objawami fizycznymi i psychospołecznymi, skróconą oczekiwaną długością życia i dużym obciążeniem chorobami współistniejącymi, ale zauważył, że opieka podtrzymująca jest niedostatecznie wykorzystywana. This Perspective from the Coalition for Supportive Care of Kidney Committee Steering Committee dokonuje przeglądu proponowanych krajowych i międzynarodowych zaleceń dotyczących poprawy opieki wspomagającej u ciężko chorych pacjentów z niewydolnością nerek lub zbliżającą się do niej oraz opowiada się za pilnymi zmianami w polityce.

Sposób na złagodzenie choroby nerek:

Drugi Globalny Szczyt Zdrowia Nerek Międzynarodowego Towarzystwa Nefrologii zwołałsusługi opieki wspomagającej, które są często używane jako synonim paliatywnego i preferowane przez większość pacjentów i pracowników służby zdrowia, w tym aktywne zarządzanie medyczne bez dializy, jako „niezbędny element” kompleksowej opieki nad nerkami, ale są one w dużej mierze niedostępne w Stanach Zjednoczonych. Dializa może nieprzynosi korzyści wszystkim ciężko chorym pacjentom, zwłaszcza starszym, z chorobami współistniejącymi, osłabionymi lub z demencją lub uważających czas spędzony na dializie za nadmiernie uciążliwy. Jednak w przypadku braku zorganizowanej ścieżki aktywnego postępowania medycznego bez dializy, lekarze, pacjenci i członkowie rodziny mogą postrzegać zarządzanie medyczne jako „nic nie robienie” i mogą odczuwać presję, aby rozpocząć dializy w celu zapewnienia pewnej opieki. Opieka wspomagająca jest skoncentrowana na pacjencie. National Consensus Project for Quality Palliative Care, National Quality Forum i inne organizacje zdefiniowały opiekę paliatywną jako „opiekę skoncentrowaną na pacjencie i rodzinie, która optymalizuje QoL poprzez przewidywanie, zapobieganie i leczenie cierpienia”.

Ekstrakt Cistanche

W Chinach,Tradycyjna chińska Medycynaniesie ze sobą doświadczenie i wiedzę teoretyczną starożytnych Chińczyków w walce z chorobami. Jest to medyczny system teoretyczny, który stopniowo formował się i rozwijał poprzez wieloletnią praktykę medyczną pod przewodnictwem starożytnego prostego materializmu i spontanicznej dialektyki.Cistanche, jako rodzaj tradycyjnej medycyny chińskiej, może skutecznie złagodzić choroby nerek.

Coś oCistanche:

Funkcjonować:

Po pierwsze, może leczyć niedobór Yang w nerkach, niedobór nasienia i krwi spowodowany bólem i osłabieniem talii i kolan, apatię, strach przed zimnem i zimnem, impotencję i spermatogenezę, bezpłodność z zimna pałacowego itp.

Po drugie, może być stosowany w leczeniu niedoboru qi nerek, kwaśności w talii i kolanach, utraty pamięci, zawrotów głowy, szumu w uszach i osłabienia kończyn, często z ekwiwalentem nasion Schisandry, Poria i Cuscuta.

Instrukcje dotyczące leków:

Niedobór Yin, ogień i biegunka w stolcunie należy przyjmować.

Kobiety w ciąży i karmiące piersią: Jeśli jesteś w ciąży, planujesz zajść w ciążę lub karmisz piersią, poinformuj o tym swojego lekarza i zapytaj, czy możesz stosować medycynę chińską w leczeniu.

Dzieci: Leki dla dzieci należy podawać pod nadzorem lekarza i osoby dorosłej.

Proszę przechowywać lek we właściwy sposób i nie przekazywać go innym.

BIBLIOGRAFIA

1. McPhee, SJ; Papadakis, MA; Rabow, MW (red.) Bieżąca diagnostyka medyczna i leczenie; McGraw-Hill Medical: Nowy Jork, NY, USA, 2010.

2. Ahsan, MM; Ahad, MT; Soma, FA; Paweł S.; Chowdhury, A.; Luna, SA; Yazdan, MMS; Rahman, A.; Siddique, Z.; Huebner, P. Wykrywanie SARS-CoV-2 na zdjęciu rentgenowskim klatki piersiowej przy użyciu sztucznej inteligencji. Dostęp IEEE 2021, 9, 35501–35513.

3. Szop, ostry dyżur; Quinonez, RA; Moyer, Wirginia; Schroeder, AR Overdiagnosis: Jak nasz przymus diagnozy może szkodzić dzieciom. Pediatria 2014, 134, 1013–1023.

4. Balogh, PE; Miller, BT; Ball, JR Poprawa diagnozy w opiece zdrowotnej; National Academic Press: Waszyngton, DC, USA, 2015.

5. Ahsan, MM; Siddique, Z. Diagnostyka chorób serca oparta na uczeniu maszynowym: systematyczny przegląd literatury. arXiv 2021, arXiv:2112.06459.

6. Ahsan, MM; E Alam, T.; Trafalis, T.; Huebner, P. Deep Model MLP-CNN wykorzystujący dane mieszane do rozróżnienia pacjentów z COVID{3}} i pacjentów bez COVID{5}}. Symetria 2020, 12, 1526.

7. Stafford, I.; Kellermann, M.; Mossotto, E.; Beattie, R.; MacArthur, B.; Ennis, S. Systematyczny przegląd zastosowań sztucznej inteligencji i uczenia maszynowego w chorobach autoimmunologicznych. Cyfra NPJ. Med. 2020, 3, 1–11.

8. Ahsan, MM; Gupta, KD; Islam, MM; Sens.; Rahman, M.; Shakhawat Hossain, M. COVID{1}} wykrywanie objawów w oparciu o nasnetmobile z możliwą do wyjaśnienia sztuczną inteligencją przy użyciu różnych metod obrazowania. Mach. Uczyć się. Wiem. Ekstra. 2020, 2, 490–504.

9. Samuel, AL Niektóre badania nad uczeniem maszynowym z wykorzystaniem gry w warcaby. IBM J. Res. Dev. 1959, 3, 210–229.

10. Brownlee, J. Mistrzowskie opanowanie uczenia maszynowego w języku Python. Mach. Uczyć się. Mastery Pty Ltd. 2016, 527, 100–120.

11. . Houssein, EH; Emam, MM; Ali, AA; Suganthan, PN Głębokie i techniki uczenia maszynowego dla raka piersi opartego na obrazowaniu medycznym: kompleksowy przegląd. system ekspercki Aplikacja 2021, 167, 114161.