Uvod

U oblasti medicine, umjetna inteligencija (AI) se prvenstveno fokusira na razvoj algoritama i tehnologija kako bi se utvrdilo da li se sistem ispravno ponaša u dijagnostici bolesti. Medicinska dijagnoza je bolest ili stanje koje objašnjava znakove i simptome osobe. Obično se dijagnostičke informacije prikupljaju iz pacijentove medicinske istorije i fizičkog pregleda. Kako su mnoge indikacije i simptomi nejasni, dijagnozu mogu postaviti samo obučeni zdravstveni radnici, što je često teško. Kao rezultat toga, zemlje u kojima nedostaje dovoljno zdravstvenih radnika, kao što su zemlje u razvoju poput Bangladeša i Indije, suočavaju se s poteškoćama u pružanju odgovarajućih dijagnostičkih procedura za svoj najveći broj pacijenata. Osim toga, dijagnostičke procedure često zahtijevaju medicinske testove, što ljudi s niskim primanjima često smatraju skupim i nedostupnim.

Kako su ljudi skloni greškama, nije iznenađujuće da se hiperdijagnoza češće javlja kod pacijenata. Prekomjerna dijagnoza može stvoriti probleme kao što je nepotrebno liječenje, što može imati ozbiljan utjecaj na zdravlje i financije pojedinca. Prema izvještaju Nacionalne akademije nauka, inženjerstva i medicine iz 2015. godine, većina ljudi će se barem jednom u životu susresti s dijagnostičkom greškom. Mnogo je faktora koji utiču na pogrešnu dijagnozu, uključujući nedostatak odgovarajućih simptoma, koji su često neprimjetni, stanja rijetkih bolesti i bolesti koje se pogrešno zanemaruju.

Mašinsko učenje (ML) je gotovo svugdje, od najsavremenije tehnologije (npr. mobilnih telefona, kompjutera i robotike) do zdravstvene zaštite (tj. dijagnoze bolesti i sigurnosti). Mašinsko učenje postaje sve popularnije u različitim poljima, uključujući dijagnostiku bolesti u zdravstvu. Mnogi istraživači i praktičari pokazuju obećanje dijagnoze bolesti zasnovane na mašinskom učenju (MLBDD), koja je jeftina i štedi vrijeme. Tradicionalni dijagnostički procesi su skupi, dugotrajni i često zahtijevaju ljudsku intervenciju. Dok mogućnosti pojedinca ograničavaju tradicionalne dijagnostičke tehnike, sistemi zasnovani na ml nemaju takva ograničenja, a mašine se ne iscrpljuju na isti način kao ljudi. Kao rezultat, može se razviti metoda dijagnosticiranja bolesti koje premašuju broj pacijenata koji se neočekivano javljaju u zdravstvu. Medicinski podaci kao što su slike (npr. rendgenski snimci, MRI) i tabelarni podaci (npr. stanje pacijenta, starost i pol) se koriste prilikom izgradnje MLBDD sistema.

Prednosti Cistanchea za naše bubrege

Mašinsko učenje (ML) je podskup AI koji koristi podatke kao ulazni resurs. Ljudima je često teško postići rezultate dobivene korištenjem unaprijed određenih matematičkih funkcija (klasifikacija ili regresija). Na primjer, koristeći ML, često je jednostavnije locirati maligne stanice na mikroskopskim slikama, što je često izazov za izvođenje gledanjem slika. Nadalje, zahvaljujući napretku u dubokom učenju (oblik mašinskog učenja), nedavne studije su pokazale da je MLBD više od 90 posto tačan. Alchajmerova bolest, zatajenje srca, rak dojke i upala pluća samo su neke od bolesti koje mašinsko učenje može identificirati. Pojava algoritama mašinskog učenja u oblasti dijagnoze bolesti ilustruje korisnost tehnologije u medicinskom polju.

Posljednjih godina, otkrića u teškoćama s mašinskim učenjem u medicini, kao što su neravnoteža podataka, interpretacija mašinskog učenja i etika mašinskog učenja, samo su neke od mnogih izazovnih oblasti kojima se jednostavno treba pozabaviti. Ovaj rad daje pregled novih primjena mašinskog učenja i dubokog učenja u dijagnostici bolesti i daje pregled razvoja u ovoj oblasti kako bi se rasvijetlili trenutni trendovi, pristupi i problemi u mašinskom učenju u dijagnostici bolesti. Počinjemo pregledom nekoliko pristupa mašinskom učenju i tehnikama dubokog učenja, kao i specifičnim arhitekturama za otkrivanje i klasifikaciju različitih oblika dijagnoze bolesti.

Kliknite ovdje da dobijeteUtjecaj ekstrakta Cistanche na naš bubreg

Koristeći zaključke matematičkih i statističkih metoda koje omogućavaju mašinama da uče bez programiranja, ovaj važan napredak je prvi put prepoznat 1959. godine kada je Arthur Samuel predložio empirijsko učenje za mašinsko učenje i algoritme za prepoznavanje obrazaca u igrama.

Osnovni princip ML je učiti iz podataka kako bi se napravila predviđanja ili odluke na osnovu dodijeljenih zadataka.

Zahvaljujući tehnikama mašinskog učenja (ML), mnogi dugotrajni zadaci sada se mogu obaviti brzo i uz minimalan napor. Sa eksponencijalnim širenjem računarske snage i kapaciteta podataka, postalo je sve lakše obučiti modele mašinskog učenja vođene podacima za predviđanje ishoda sa skoro savršenom tačnošću. Brojni radovi nude širok izbor klasa ML metoda. Međutim, ML algoritmi se mogu podijeliti u nekoliko podgrupa, na osnovu različitih metoda učenja

Značaj našeg bubrega:

Bubregjedan je od važnih organa ljudskog organizma, kroz proizvodnju urina za uklanjanje metabolita, organizmu nije potreban otpad koji se izlučuje, reguliše i održava u telu vodu i elektrolite, acidobaznu ravnotežu, učestvuje u prilagođavanju krvnog pritiska, hematopoeza i druge fiziološke funkcije kada je funkcija bubrega oštećena, ugrozit će ljudski život, što pokazuje važnost zaštite funkcije bubrega, bubreg ima i endokrinu funkciju iregulišu krvni pritisak, hematopoezesirast koštane sržiidruge fiziološke funkcije.

Cistanche

Trenutna situacija bubrežne bolesti:

Kontroverzna konferencija KDIGO (Bolest bubrega: poboljšanje globalnih ishoda) o suportivnoj njezi prepoznala je veliku potrebu za potpornom njegom za pacijente s bubrežnom bolešću zboghvisoko opterećenje fizičkim i psihosocijalnim simptomima, skraćeni životni vijek i veliko opterećenje komorbiditeta, ali je primijetio da se potporna njega nedovoljno koristi. Ova perspektiva iz Upravnog odbora Koalicije za suportivnu njegu bubrežnih pacijenata razmatra predložene nacionalne i međunarodne preporuke za poboljšanje potporne nege za ozbiljno bolesne pacijente sa zatajenjem bubrega ili koji se približavaju i zalaže se za hitne promjene politike.

Način za ublažavanje bolesti bubrega:

2. Globalni samit o zdravlju bubrega Međunarodnog društva za nefrologiju pozvao jesusluge podrške koje se često koriste kao sinonim za palijativnu i većina pacijenata i zdravstvenih radnika preferira, uključujući aktivno medicinsko upravljanje bez dijalize, "esencijalni element" sveobuhvatne njege bubrega, ali je uglavnom nedostupan u Sjedinjenim Državama. Dijaliza možda nećekoristi svim teško bolesnim pacijentima, posebno onima koji su stariji sa komorbiditetom, slabošću ili demencijom ili koji smatraju da je vrijeme provedeno na dijalizi pretjerano opterećujuće. Međutim, u nedostatku organiziranog puta za aktivno medicinsko upravljanje bez dijalize, liječnici, pacijenti i članovi porodice mogu doživljavati medicinsko rukovođenje kao "nečinjenje ništa" i mogu osjećati pritisak da započnu dijalizu kako bi pružili određenu njegu. Podrška je usmjerena na pacijenta. Nacionalni konsenzus projekat za kvalitetno palijativno zbrinjavanje, Nacionalni forum za kvalitet i druge organizacije definisali su palijativnu njegu kao "njegu usmjerenu na pacijenta i porodicu koja optimizira kvalitet života predviđanjem, prevencijom i liječenjem patnje".

Cistanche Extract

U Kini,Tradicionalna kineska medicinanosi iskustvo i teorijsko znanje drevnih Kineza u borbi protiv bolesti. To je medicinski teorijski sistem koji se postepeno formirao i razvijao kroz dugotrajnu medicinsku praksu pod vodstvom drevnog jednostavnog materijalizma i spontane dijalektike.Cistanche, kao vrsta tradicionalne kineske medicine, može efikasno ublažiti bolest bubrega.

Nešto o tomeCistanche:

Funkcija:

Prvo, može liječiti nedostatak Yang bubrega, nedostatak sperme i krvi uzrokovan bolovima i slabostima u struku i koljenima, bezvoljnošću, strahom od hladnoće i hladnoće, impotencijom i spermatogenezom, neplodnošću palače, itd.

Drugo, može se primijeniti za liječenje nedostatka Qi bubrega, kiselosti struka i koljena, gubitka pamćenja, vrtoglavice, zujanja u ušima i slabosti udova, često s ekvivalentom sjemena Schisandre, Poria i Cuscuta.

Upute za lijekove:

Nedostatak Yina, vatra i dijareja stolicene treba uzimati.

Trudnice i dojilje: Ako ste trudni, planirate trudnoću ili dojite, obavijestite svog ljekara i pitajte da li možete koristiti kinesku medicinu za liječenje.

Djeca: Lijekove za djecu treba davati pod vodstvom ljekara i pod nadzorom odrasle osobe.

Molimo Vas da lijek čuvate pravilno i ne dajte lijek drugima.

REFERENCE

1. McPhee, SJ; Papadakis, MA; Rabow, MW (Eds.) Current Medical Diagnosis & Treatment; McGraw-Hill Medical: New York, NY, SAD, 2010.

2. Ahsan, MM; Ahad, MT; Soma, FA; Paul, S.; Chowdhury, A.; Luna, SA; Yazdan, MMS; Rahman, A.; Siddique, Z.; Huebner, P. Otkrivanje SARS-CoV-2 na rendgenskom snimku grudnog koša korištenjem umjetne inteligencije. IEEE Access 2021, 9, 35501–35513.

3. Coon, ER; Quinonez, RA; Moyer, VA; Schroeder, AR Prevelika dijagnoza: Kako naša prisila za dijagnozom može štetiti djeci. Pedijatrija 2014, 134, 1013–1023.

4. Balogh, EP; Miller, BT; Ball, JR Poboljšanje dijagnoze u zdravstvenoj zaštiti; National Academic Press: Washington, DC, SAD, 2015.

5. Ahsan, MM; Siddique, Z. Dijagnoza srčanih bolesti zasnovana na mašinskom učenju: Sistematski pregled literature. arXiv 2021, arXiv:2112.06459.

6. Ahsan, MM; E Alam, T.; Trafalis, T.; Huebner, P. Deep MLP-CNN model koji koristi mješovite podatke za razlikovanje pacijenata sa COVID-19 i non-COVID-19 pacijenata. Symmetry 2020, 12, 1526.

7. Stafford, I.; Kellermann, M.; Mossotto, E.; Beattie, R.; MacArthur, B.; Ennis, S. Sistematski pregled primjene vještačke inteligencije i mašinskog učenja u autoimunim bolestima. NPJ Digit. Med. 2020, 3, 1–11.

8. Ahsan, MM; Gupta, KD; Islam, MM; Sen, S.; Rahman, M.; Shakhawat Hossain, M. COVID-19 otkrivanje simptoma na osnovu nasnetmobila s objašnjivim AI korištenjem različitih modaliteta snimanja. Mach. Naučite. Knowl. Extr. 2020, 2, 490–504.

9. Samuel, AL Neke studije o mašinskom učenju koristeći igru ​​dama. IBM J. Res. Dev. 1959, 3, 210–229.

10. Brownlee, J. Majstorstvo mašinskog učenja sa Pythonom. Mach. Naučite. Mastery Pty Ltd. 2016, 527, 100–120.

11. . Houssein, EH; Emam, MM; Ali, AA; Suganthan, PN Tehnike dubokog i mašinskog učenja za rak dojke zasnovan na medicinskim slikama: sveobuhvatan pregled. Expert Syst. Appl. 2021, 167, 114161.