Introducció

En l'àmbit de la medicina, la intel·ligència artificial (IA) se centra principalment a desenvolupar algorismes i tecnologies per determinar si un sistema es comporta correctament en el diagnòstic d'una malaltia. Un diagnòstic mèdic és una malaltia o afecció que explica els signes i símptomes d'una persona. Normalment, la informació diagnòstica s'obté de la història clínica i de l'examen físic del pacient. Com que moltes indicacions i símptomes no estan clars, el diagnòstic només el poden fer professionals de la salut formats, cosa que sovint és difícil. Com a resultat, els països que no tenen suficients professionals de la salut, com ara països en desenvolupament com Bangla Desh i l'Índia, s'enfronten a dificultats per oferir procediments de diagnòstic adequats per al seu major nombre de pacients. A més, els procediments de diagnòstic sovint requereixen proves mèdiques, que les persones amb ingressos baixos sovint troben cares i inaccessibles.

Com que els humans són propensos a errors, no és d'estranyar que el sobrediagnòstic es produeixi amb més freqüència en els pacients. El sobrediagnòstic pot crear problemes com ara un tractament innecessari, que pot tenir un impacte greu en la salut i les finances d'una persona. Segons un informe de 2015 de les Acadèmies Nacionals de Ciències, Enginyeria i Medicina, la majoria de la gent es trobarà amb un error de diagnòstic almenys una vegada a la seva vida. Hi ha molts factors que influeixen en el diagnòstic errònia, inclosa la manca de símptomes adequats, que sovint són imperceptibles, malalties rares i malalties que s'ignoren erròniament des de la consideració.

L'aprenentatge automàtic (ML) es troba gairebé a tot arreu, des de la tecnologia d'avantguarda (per exemple, telèfons mòbils, ordinadors i robòtica) fins a l'assistència sanitària (és a dir, diagnòstic de malalties i seguretat). L'aprenentatge automàtic és cada cop més popular en diversos camps, inclòs el diagnòstic de malalties a la sanitat. Molts investigadors i professionals demostren la promesa del diagnòstic de malalties basat en l'aprenentatge automàtic (MLBDD), que és barat i estalvia temps. Els processos de diagnòstic tradicionals són costosos, requereixen temps i sovint requereixen intervenció humana. Tot i que les capacitats de l'individu limiten les tècniques de diagnòstic tradicionals, els sistemes basats en ml no tenen aquestes limitacions i les màquines no s'esgoten de la mateixa manera que els humans. Com a resultat, es pot desenvolupar un mètode de diagnòstic de malalties que superin el nombre de pacients que es presenten de manera inesperada a l'assistència sanitària. Les dades mèdiques com ara imatges (per exemple, raigs X, ressonància magnètica) i dades tabulars (per exemple, l'estat, l'edat i el sexe del pacient) s'utilitzen quan es construeixen sistemes MLBDD.

Els beneficis de Cistanche per al nostre ronyó

L'aprenentatge automàtic (ML) és un subconjunt d'IA que utilitza dades com a recurs d'entrada. Els resultats obtinguts mitjançant funcions matemàtiques predeterminades (classificació o regressió) sovint són difícils d'aconseguir per als humans. Per exemple, amb ML, sovint és més senzill localitzar cèl·lules malignes en imatges microscòpiques, cosa que sovint és un repte de realitzar mirant imatges. A més, gràcies als avenços en l'aprenentatge profund (una forma d'aprenentatge automàtic), estudis recents han demostrat que MLBD és més del 90 per cent de precisió. La malaltia d'Alzheimer, la insuficiència cardíaca, el càncer de mama i la pneumònia són només algunes de les malalties que l'aprenentatge automàtic pot identificar. L'aparició d'algoritmes d'aprenentatge automàtic en el camp del diagnòstic de malalties il·lustra la utilitat de la tecnologia en l'àmbit mèdic.

En els darrers anys, els avenços en les dificultats d'aprenentatge automàtic en medicina, com ara el desequilibri de dades, la interpretació de l'aprenentatge automàtic i l'ètica de l'aprenentatge automàtic, són només algunes de les moltes àrees desafiants que cal abordar de manera senzilla. Aquest document ofereix una visió general de les noves aplicacions de l'aprenentatge automàtic i l'aprenentatge profund en el diagnòstic de malalties i ofereix una visió general dels desenvolupaments en el camp per aclarir les tendències, els enfocaments i els problemes actuals de l'aprenentatge automàtic en el diagnòstic de malalties. Comencem amb una visió general de diversos enfocaments de l'aprenentatge automàtic i de les tècniques d'aprenentatge profund, així com arquitectures específiques per detectar i classificar diverses formes de diagnòstic de malalties.

Feu clic aquí per obtenirL'efecte de l'extracte de Cistanche sobre el nostre ronyó

Utilitzant les conclusions de mètodes matemàtics i estadístics que permeten que les màquines aprenguin sense ser programades, aquest important avenç es va reconèixer per primera vegada el 1959 quan Arthur Samuel va proposar l'aprenentatge empíric per a l'aprenentatge automàtic i els algorismes de reconeixement de patrons en els jocs.

El principi bàsic de ML és aprendre de les dades per fer prediccions o decisions basades en les tasques assignades.

Gràcies a les tècniques d'aprenentatge automàtic (ML), ara moltes tasques que requereixen temps es poden fer ràpidament i amb el mínim esforç. Amb l'expansió exponencial de la potència de l'ordinador i la capacitat de dades, és cada cop més fàcil entrenar models d'aprenentatge automàtic basats en dades per predir els resultats amb una precisió gairebé perfecta. Diversos articles ofereixen una gran varietat de classes de mètodes ML. Tanmateix, els algorismes de ML es poden dividir en diversos subgrups, basats en diferents mètodes d'aprenentatge

La importància del nostre ronyó:

El ronyóés un dels òrgans importants del cos humà, mitjançant la producció d'orina per eliminar els metabòlits, el cos no necessita residus excretats, regula i manté l'aigua corporal i els electròlits, l'equilibri àcid-base, participa en l'ajust de la pressió arterial, L'hematopoiesi i altres funcions fisiològiques quan la funció renal està danyada, posaran en perill la vida humana, cosa que demostra la importància de protegir la funció renal, el ronyó també té funció endocrina iregular la pressió arterial, hematopoiesisicreixement de la medul·la òssiaialtres funcions fisiològiques.

Cistanche

Situació actual de la malaltia renal:

La conferència de controvèrsies KDIGO (Kidney Disease: Improving Global Outcomes) sobre cures de suport va reconèixer una gran necessitat d'atenció de suport per als pacients amb malaltia renal a causa de la sevahUna gran càrrega de símptomes físics i psicosocials, una esperança de vida escurçada i una gran càrrega de comorbiditats, però va assenyalar que l'atenció de suport està infrautilitzada. Aquesta Perspectiva del Comitè de Direcció de la Coalició per a l'atenció de suport als pacients renals revisa les recomanacions nacionals i internacionals proposades per millorar l'atenció de suport als pacients greument malalts amb insuficiència renal o que s'aproximen a la insuficiència renal i advoca per canvis polítics urgents.

La manera d'alleujar la malaltia renal:

Convocada la segona cimera mundial de salut renal de la Societat Internacional de Nefrologiasserveis d'atenció de suport que s'utilitza sovint com a sinònim de pal·liatiu i la majoria dels pacients i professionals de la salut prefereixen, inclosa la gestió mèdica activa sense diàlisi, un "element essencial" de l'atenció integral del ronyó, però en gran mesura no està disponible als Estats Units. La diàlisi pot ser que nobeneficiar tots els pacients greument malalts, especialment aquells que són grans amb comorbiditats, fragilitat o demència o que consideren que el temps dedicat a la diàlisi és excessivament pesat. Tanmateix, en absència d'una via organitzada per a la gestió mèdica activa sense diàlisi, els metges, els pacients i els membres de la família poden percebre la gestió mèdica com "no fer res" i poden sentir pressió per iniciar la diàlisi per proporcionar una mica d'atenció. L'atenció de suport està centrada en el pacient. El Projecte de consens nacional per a les cures pal·liatives de qualitat, el Fòrum Nacional de la Qualitat i altres organitzacions han definit les cures pal·liatives com "una atenció centrada en el pacient i la família que optimitza la QoL anticipant, prevenint i tractant el patiment".

Extracte de Cistanche

A la Xina,Medicina tradicional xinesaporta l'experiència i els coneixements teòrics dels antics xinesos en la lluita contra les malalties. És un sistema teòric mèdic format i desenvolupat gradualment a través de la pràctica mèdica a llarg termini sota la guia d'un antic materialisme simple i una dialèctica espontània.Cistanche, com una mena de medicina tradicional xinesa, pot alleujar eficaçment la malaltia renal.

Alguna cosa sobreCistanche:

Funció:

En primer lloc, pot tractar la deficiència de Yang del ronyó, la deficiència d'esperma i sang causada pel dolor i debilitat de cintura i genoll, apatia, por al fred i al fred, impotència i espermatogènesi, infertilitat freda del palau, etc.

En segon lloc, es pot aplicar per tractar la deficiència de qi renal, l'acidesa de cintura i genoll, pèrdua de memòria, marejos, tinnitus i debilitat de les extremitats, sovint amb l'equivalent de llavors de Schisandra, poria i Cuscuta.

Instruccions de medicació:

Deficiència de Yin, foc i diarrea de femtano s'hauria de prendre.

Dones embarassades i lactants: Si està embarassada, està planejant quedar-se embarassada o està alletant, si us plau, informe al seu metge i pregunti si pot utilitzar la medicina xinesa per al tractament.

Nens: Els medicaments per a nens s'han d'administrar sota la supervisió d'un metge i d'un adult.

Si us plau, conservi el medicament correctament i no el doneu a altres persones.

REFERÈNCIES

1. McPhee, SJ; Papadakis, MA; Rabow, MW (Eds.) Diagnòstic i tractament mèdic actual; McGraw-Hill Medical: Nova York, NY, EUA, 2010.

2. Ahsan, MM; Ahad, MT; Soma, FA; Pau, S.; Chowdhury, A.; Luna, SA; Yazdan, MMS; Rahman, A.; Siddique, Z.; Huebner, P. Detecting SARS-CoV-2 a partir de la radiografia de tòrax mitjançant la intel·ligència artificial. Accés IEEE 2021, 9, 35501–35513.

3. Coon, ER; Quinonez, RA; Moyer, VA; Schroeder, AR Sobrediagnòstic: com la nostra compulsió per al diagnòstic pot perjudicar els nens. Pediatria 2014, 134, 1013–1023.

4. Balogh, EP; Miller, BT; Ball, JR Millora del diagnòstic en l'assistència sanitària; National Academic Press: Washington, DC, EUA, 2015.

5. Ahsan, MM; Siddique, Z. Diagnòstic de malalties del cor basat en l'aprenentatge automàtic: una revisió sistemàtica de la literatura. arXiv 2021, arXiv:2112.06459.

6. Ahsan, MM; E Alam, T.; Trafalis, T.; Huebner, P. Model profund MLP-CNN que utilitza dades mixtes per distingir entre pacients COVID-19 i no COVID-19. Simetria 2020, 12, 1526.

7. Stafford, I.; Kellermann, M.; Mossotto, E.; Beattie, R.; MacArthur, B.; Ennis, S. Una revisió sistemàtica de les aplicacions de la intel·ligència artificial i l'aprenentatge automàtic en malalties autoimmunes. Dígit NPJ. Med. 2020, 3, 1–11.

8. Ahsan, MM; Gupta, KD; Islam, MM; Sen, S.; Rahman, M.; Shakhawat Hossain, M. Detecció de símptomes de COVID-19 basada en nasnetmobile amb IA explicable mitjançant diverses modalitats d'imatge. Mach. Aprèn. Coneixement. Extr. 2020, 2, 490–504.

9. Samuel, AL Alguns estudis d'aprenentatge automàtic mitjançant el joc de les dames. IBM J. Res. Dev. 1959, 3, 210–229.

10. Brownlee, J. Domini de l'aprenentatge automàtic amb Python. Mach. Aprèn. Mastery Pty Ltd. 2016, 527, 100–120.

11. . Houssein, EH; Emam, MM; Ali, AA; Suganthan, PN Tècniques d'aprenentatge profund i automàtic per al càncer de mama basat en imatges mèdiques: una revisió exhaustiva. Sistema expert. Appl. 2021, 167, 114161.