Įvadas

Medicinos srityje dirbtinis intelektas (AI) daugiausia dėmesio skiria algoritmų ir technologijų kūrimui, siekiant nustatyti, ar sistema tinkamai elgiasi diagnozuojant ligą. Medicininė diagnozė yra liga arba būklė, paaiškinanti asmens požymius ir simptomus. Paprastai diagnostinė informacija renkama iš paciento ligos istorijos ir fizinės apžiūros. Kadangi daugelis indikacijų ir simptomų yra neaiškūs, diagnozę gali nustatyti tik apmokyti sveikatos priežiūros specialistai, o tai dažnai būna sunku. Dėl to šalys, kuriose trūksta pakankamai sveikatos priežiūros specialistų, pavyzdžiui, besivystančios šalys, pvz., Bangladešas ir Indija, susiduria su sunkumais užtikrindamos tinkamas diagnostikos procedūras didžiausiam pacientų skaičiui. Be to, atliekant diagnostines procedūras dažnai reikia atlikti medicininius tyrimus, kurie mažas pajamas gaunantiems žmonėms dažnai atrodo brangūs ir neįperkami.

Kadangi žmonės yra linkę klysti, nenuostabu, kad pacientai gali dažniau diagnozuoti per daug. Pernelyg didelė diagnozė gali sukelti problemų, tokių kaip nereikalingas gydymas, o tai gali turėti rimtą poveikį asmens sveikatai ir finansams. Remiantis 2015 m. Nacionalinių mokslų, inžinerijos ir medicinos akademijų ataskaita, dauguma žmonių bent kartą gyvenime susidurs su diagnostikos klaida. Yra daug veiksnių, turinčių įtakos klaidingai diagnozei, įskaitant tinkamų simptomų nebuvimą, kurie dažnai yra nepastebimi, retas ligas ir ligas, kurios yra klaidingai ignoruojamos.

Mašininis mokymasis (ML) yra beveik visur – nuo ​​pažangiausių technologijų (pvz., mobiliųjų telefonų, kompiuterių ir robotikos) iki sveikatos priežiūros (ty ligų diagnostikos ir saugos). Mašininis mokymasis tampa vis populiaresnis įvairiose srityse, įskaitant ligų diagnostiką sveikatos priežiūros srityje. Daugelis mokslininkų ir praktikų demonstruoja mašininiu mokymusi pagrįstos ligų diagnostikos (MLBDD) žadą, kuri yra pigi ir taupanti laiką. Tradiciniai diagnostikos procesai yra brangūs, daug laiko reikalaujantys ir dažnai reikalauja žmogaus įsikišimo. Nors atskirų asmenų galimybės riboja tradicinius diagnostikos metodus, ml pagrįstos sistemos neturi tokių apribojimų, o mašinos neišsenka taip, kaip žmonės. Dėl to gali būti sukurtas ligų diagnostikos metodas, viršijantis netikėtai sveikatos priežiūroje besikreipiančių pacientų skaičių. Kuriant MLBDD sistemas naudojami medicininiai duomenys, tokie kaip vaizdai (pvz., rentgeno, MRT) ir lentelės duomenys (pvz., paciento būklė, amžius ir lytis).

Cistanche nauda mūsų inkstams

Mašinų mokymasis (ML) yra AI pogrupis, kuris naudoja duomenis kaip įvesties šaltinį. Rezultatus, gautus naudojant iš anksto nustatytas matematines funkcijas (klasifikavimą arba regresiją), žmonėms dažnai sunku pasiekti. Pavyzdžiui, naudojant ML, dažnai paprasčiau nustatyti piktybines ląsteles mikroskopiniuose vaizduose, o tai dažnai yra iššūkis žiūrint į vaizdus. Be to, dėl gilaus mokymosi pažangos (mašininio mokymosi formos), naujausi tyrimai parodė, kad MLBD yra daugiau nei 90 procentų tikslus. Alzheimerio liga, širdies nepakankamumas, krūties vėžys ir pneumonija yra tik keletas ligų, kurias gali nustatyti mašininis mokymasis. Mašininio mokymosi algoritmų atsiradimas ligų diagnostikos srityje iliustruoja technologijos naudingumą medicinos srityje.

Pastaraisiais metais medicinos mašininio mokymosi sunkumų, pvz., duomenų disbalanso, mašininio mokymosi interpretavimo ir mašininio mokymosi etikos, proveržiai yra tik keletas iš daugelio sudėtingų sričių, kurias reikia paprasčiausiai išspręsti. Šiame dokumente apžvelgiamos naujos mašininio mokymosi ir giluminio mokymosi taikymas ligų diagnozavimo srityje ir pateikiama šios srities pokyčių apžvalga, siekiant išsiaiškinti dabartines mašininio mokymosi diagnozuojant ligas tendencijas, metodus ir problemas. Pradedame nuo kelių mašininio mokymosi ir gilaus mokymosi metodų, taip pat konkrečių įvairių ligų diagnozavimo formų aptikimo ir klasifikavimo architektūrų apžvalgos.

Spustelėkite čia, kad gautumėteCistanche ekstrakto poveikis mūsų inkstams

Naudojant matematinių ir statistinių metodų, leidžiančių mašinoms mokytis be programavimo, išvadas, ši svarbi pažanga pirmą kartą buvo pripažinta 1959 m., kai Arthuras Samuelis pasiūlė empirinį mokymąsi mašinų mokymuisi ir modelių atpažinimo algoritmus žaidimuose.

Pagrindinis ML principas yra mokytis iš duomenų, kad būtų galima numatyti ar priimti sprendimus, pagrįstus paskirtomis užduotimis.

Dėka mašininio mokymosi (ML) metodų, daug daug laiko užimančių užduočių dabar galima atlikti greitai ir su minimaliomis pastangomis. Eksponentiškai didėjant kompiuterio galiai ir duomenų talpai, tapo vis lengviau išmokyti duomenimis pagrįstus mašininio mokymosi modelius, kad būtų galima prognozuoti rezultatus beveik tobulu tikslumu. Nemažai straipsnių siūlo daugybę ML metodų klasių. Tačiau ML algoritmus galima suskirstyti į keletą pogrupių, remiantis skirtingais mokymosi metodais

Mūsų inkstų reikšmė:

Inkstasyra vienas iš svarbių žmogaus organizmo organų, gaminantis šlapimą metabolitams šalinti, organizmui nereikia šalinti atliekų, reguliuoja ir palaiko organizmo vandens ir elektrolitų, rūgščių-šarmų pusiausvyrą, dalyvauja reguliuojant kraujospūdį, kraujodaros ir kitų fiziologinių funkcijų pažeidimas, kai inkstų funkcija yra pažeista, sukels pavojų žmogaus gyvybei, o tai rodo inkstų funkcijos apsaugos svarbą, inkstai taip pat atlieka endokrininę funkciją irreguliuoti kraujospūdį, kraujodarossirkaulų čiulpų augimasirkitos fiziologinės funkcijos.

Cistanche

Dabartinė inkstų ligos padėtis:

KDIGO (inkstų liga: pasaulinių rezultatų gerinimas) ginčų konferencija dėl palaikomojo gydymo pripažino didelį palaikomosios priežiūros poreikį pacientams, sergantiems inkstų liga, neshdidelė fizinių ir psichosocialinių simptomų našta, sutrumpėjusi gyvenimo trukmė ir didelė gretutinių ligų našta, tačiau pažymima, kad palaikomasis gydymas yra nepakankamai naudojamas. Šioje Inkstų pacientų palaikomosios priežiūros koalicijos perspektyvoje apžvelgiamos pasiūlytos nacionalinės ir tarptautinės rekomendacijos, kaip pagerinti palaikomąją priežiūrą sunkiai sergantiems pacientams, kuriems yra inkstų nepakankamumas arba kuriems artėja prie inkstų nepakankamumo, ir pasisako už neatidėliotinus politikos pokyčius.

Būdas palengvinti inkstų ligą:

Tarptautinės nefrologijos draugijos 2-asis pasaulinis inkstų sveikatos viršūnių susitikimas sušauktasspalankios priežiūros paslaugos, kurios dažnai naudojamos kaip paliatyvios pagalbos sinonimas, o dauguma pacientų ir sveikatos priežiūros specialistų teikia pirmenybę, įskaitant aktyvų medicininį valdymą be dializės, kuris yra „esminis visapusiškos inkstų priežiūros elementas“, tačiau Jungtinėse Valstijose jos iš esmės nepasiekiamos. Dializė negalibus naudinga visiems sunkiai sergantiems pacientams, ypač vyresniems, sergantiems gretutinėmis ligomis, silpnaprotyste ar silpnaprotyste arba kurie mano, kad dializės laikas yra nepaprastai sunkus. Tačiau nesant organizuoto aktyvaus gydymo būdo be dializės, gydytojai, pacientai ir šeimos nariai gali suvokti, kad medicinos valdymas yra „nieko neveikimas“ ir gali jausti spaudimą pradėti dializę, kad suteiktų tam tikrą priežiūrą. Palaikomasis gydymas yra orientuotas į pacientą. Nacionalinis konsensuso projektas kokybiškai paliatyviajai slaugai, Nacionalinis kokybės forumas ir kitos organizacijos apibrėžė paliatyviąją priežiūrą kaip „į pacientą ir šeimą orientuotą priežiūrą, kuri optimizuoja QoL numatant, užkertant kelią ir gydant kančias“.

Cistanche ekstraktas

Kinijoje,Tradicinė kinų medicinaperneša senovės Kinijos žmonių patirtį ir teorines žinias kovojant su ligomis. Tai medicinos teorinė sistema, palaipsniui susiformavusi ir išplėtota per ilgalaikę medicinos praktiką, vadovaujant senovės paprastojo materializmo ir spontaniškos dialektikos.Cistanche, kaip tam tikra tradicinė kinų medicina, gali veiksmingai palengvinti inkstų ligas.

Kažkas apieCistanche:

Funkcija:

Pirma, jis gali gydyti inkstų Yang trūkumą, spermatozoidų ir kraujo trūkumą, kurį sukelia juosmens ir kelių skausmas ir silpnumas, mieguistumą, šalčio ir šalčio baimę, impotenciją ir spermatogenezę, rūmų šaltą nevaisingumą ir kt.

Antra, jis gali būti naudojamas gydyti inkstų qi trūkumą, juosmens ir kelių rūgštingumą, atminties praradimą, galvos svaigimą, spengimą ausyse ir galūnių silpnumą, dažnai su Schisandra, Poria ir Cuscuta sėklų atitikmenimis.

Vaisto vartojimo instrukcijos:

Yin trūkumas, ugnies ir išmatų viduriavimasnereikėtų imti.

Nėščioms ir žindančioms moterims: Jei esate nėščia, planuojate pastoti arba maitinate krūtimi, pasakykite gydytojui ir paklauskite, ar galite gydyti kinų mediciną.

Vaikai: Vaikams skirti vaistai turi būti skiriami prižiūrint gydytojui ir prižiūrint suaugusiems.

Laikykite vaistą tinkamai ir neduokite savo vaisto kitiems.

NUORODOS

1. McPhee, SJ; Papadakis, MA; Rabow, MW (red.) Dabartinė medicininė diagnostika ir gydymas; McGraw-Hill Medical: Niujorkas, NY, JAV, 2010 m.

2. Ahsanas, MM; Ahadas, MT; Soma, FA; Paulius, S.; Chowdhury, A.; Luna, SA; Jazdanas, MMS; Rahmanas, A.; Siddique, Z.; Huebner, P. SARS-CoV aptikimas-2 iš krūtinės ląstos rentgeno spindulių naudojant dirbtinį intelektą. IEEE Access 2021, 9, 35501–35513.

3. Coon, ER; Kvinonezas, RA; Moyeris, VA; Schroeder, AR Per didelė diagnozė: kaip mūsų prievarta diagnozuoti gali pakenkti vaikams. Pediatrija 2014, 134, 1013–1023.

4. Balogh, EP; Milleris, BT; Ball, JR Diagnostikos gerinimas sveikatos priežiūros srityje; Nacionalinė akademinė spauda: Vašingtonas, DC, JAV, 2015 m.

5. Ahsanas, MM; Siddique, Z. Mašininiu mokymusi pagrįsta širdies ligų diagnostika: sisteminė literatūros apžvalga. arXiv 2021, arXiv:2112.06459.

6. Ahsanas, MM; E Alamas, T.; Trafalis, T.; Huebner, P. Deep MLP-CNN modelis, naudojant mišrius duomenis, siekiant atskirti COVID-19 ir nesergančius COVID{5}} pacientus. Simetrija, 2020, 12, 1526.

7. Stafordas, I.; Kellermann, M.; Mossotto, E.; Beattie, R.; MacArthur, B.; Ennis, S. Sisteminga dirbtinio intelekto ir mašininio mokymosi pritaikymo autoimuninėms ligoms apžvalga. NPJ skaitmuo. Med. 2020, 3, 1–11.

8. Ahsanas, MM; Gupta, KD; islamas, MM; Sen, S.; Rahmanas, M.; Shakhawat Hossain, M. COVID-19 simptomų aptikimas, pagrįstas nasnetmobile su paaiškinama ai, naudojant įvairius vaizdo gavimo būdus. Mach. Mokytis. Žinokite. Papildomas 2020, 2, 490–504.

9. Samuel, AL Kai kurie mašininio mokymosi tyrimai naudojant šaškių žaidimą. IBM J. Res. Dev. 1959, 3, 210–229.

10. Brownlee, J. Mašininio mokymosi meistriškumas naudojant Python. Mach. Mokytis. Mastery Pty Ltd. 2016, 527, 100–120.

11. . Houssein, EH; Emamas, MM; Ali, AA; Suganthan, PN Deep ir mašininio mokymosi metodai, skirti medicininiu vaizdavimu pagrįstam krūties vėžiui: išsami apžvalga. Ekspertų sistema. Appl. 2021, 167, 114161.