Umetna inteligenca napoveduje izbruhe malarije v Južni Aziji
Zadnji pregled: 14.06.2024
Vsa vsebina iLive je pregledana ali preverjena, da se zagotovi čim večja dejanska natančnost.
Imamo stroge smernice za pridobivanje virov in samo povezave do uglednih medijskih strani, akademskih raziskovalnih institucij in, kadar je to mogoče, medicinsko pregledanih študij. Upoštevajte, da so številke v oklepajih ([1], [2] itd.) Povezave, ki jih je mogoče klikniti na te študije.
Če menite, da je katera koli naša vsebina netočna, zastarela ali drugače vprašljiva, jo izberite in pritisnite Ctrl + Enter.
Raziskovalci iz NDORMS so v sodelovanju z mednarodnimi institucijami pokazali potencial uporabe okoljskih meritev in modelov globokega učenja za napovedovanje izbruhov malarije v Južni Aziji. Študija ponuja obetavne možnosti za izboljšanje sistemov zgodnjega opozarjanja na eno najsmrtonosnejših bolezni na svetu.
Malarija ostaja pomemben svetovni zdravstveni problem, pri čemer tveganje okužbe prizadene približno polovico svetovnega prebivalstva, zlasti v Afriki in Južni Aziji. Čeprav je malarijo mogoče preprečiti, je napovedovanje izbruhov težko zaradi spremenljive narave podnebja, sociodemografskih in okoljskih dejavnikov tveganja.
Skupina raziskovalcev pod vodstvom izredne profesorice Sarah Khalid iz skupine NDORMS Planetary Health Informatics Group Univerze v Oxfordu je v sodelovanju z Lahore University of Management Sciences skušala rešiti ta problem in raziskati, ali bi pristop strojnega učenja, ki temelji na okolju, lahko ponuditi potencial za orodja za zgodnje opozarjanje na malarijo na posamezni lokaciji.
Razvili so multivariatni model LSTM (M-LSTM), ki je hkrati analiziral okoljske indikatorje, vključno s temperaturo, količino padavin, meritvami vegetacije in podatki o nočni svetlobi, da bi napovedal pojavnost malarije v južnoazijskem pasu, ki zajema Pakistan, Indijo in Bangladeš.
Podatki so bili primerjani s stopnjami incidence malarije na ravni okrožja za vsako državo med letoma 2000 in 2017, pridobljenimi iz podatkovnih nizov demografskih in zdravstvenih raziskav Agencije ZDA za mednarodni razvoj.
Rezultati, objavljeni v The Lancet Planetary Health, kažejo, da predlagani model M-LSTM dosledno prekaša tradicionalni model LSTM z napakami 94,5 %, 99,7 % in 99,8 % so nižje za Pakistan, Indijo in Bangladeš.
Na splošno sta bila z večjo kompleksnostjo modela dosežena večja natančnost in zmanjšanje napak, kar poudarja učinkovitost pristopa.
Sarah je pojasnila: »Ta pristop je univerzalen, zato ima naše modeliranje pomembne posledice za politiko javnega zdravja. Na primer, lahko bi ga uporabili za druge nalezljive bolezni ali razširili na druga območja z visokim tveganjem z nesorazmerno visoko pojavnostjo in umrljivostjo zaradi malarije v regijah WHO v Afriki. To lahko pomaga nosilcem odločanja izvajati bolj proaktivne ukrepe za zgodnje in natančno obvladovanje izbruhov malarije.
Prava privlačnost je v zmožnosti analiziranja praktično kjerkoli na Zemlji, zahvaljujoč hitremu napredku pri opazovanju Zemlje, poglobljenem učenju in umetni inteligenci ter razpoložljivosti visoko zmogljivih računalnikov. To bi lahko vodilo do bolj ciljno usmerjenih posegov in boljšega dodeljevanja sredstva v nenehnih prizadevanjih za izkoreninjenje malarije in izboljšanje rezultatov javnega zdravja po vsem svetu."