Nove publikacije
Umetna inteligenca napoveduje izbruhe malarije v južni Aziji
Zadnji pregled: 02.07.2025
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 spodbudne možnosti za izboljšanje sistemov zgodnjega opozarjanja na eno najsmrtonosnejših bolezni na svetu.
Malarija ostaja pomemben svetovni zdravstveni problem, saj je približno polovica svetovnega prebivalstva ogrožena zaradi okužbe, zlasti v Afriki in Južni Aziji. Čeprav je malarijo mogoče preprečiti, pa zaradi spremenljive narave podnebnih, socialno-demografskih in okoljskih dejavnikov tveganja napovedovanje izbruhov otežuje.
Ekipa raziskovalcev pod vodstvom izredne profesorice Sarah Khalid iz skupine NDORMS Planetary Health Informatics Group na Univerzi v Oxfordu je v sodelovanju z Univerzo za management v Lahoreju želela rešiti to vprašanje in raziskati, ali bi lahko pristop strojnega učenja, ki temelji na okolju, ponudil potencial za orodja za zgodnje opozarjanje na malarijo, specifična za določeno mesto.
Razvili so multivariatni model LSTM (M-LSTM), ki je hkrati analiziral okoljske meritve, vključno s temperaturo, padavinami, 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 okrožij za vsako državo med letoma 2000 in 2017, pridobljenimi iz naborov podatkov demografskih in zdravstvenih raziskav Agencije Združenih držav Amerike za mednarodni razvoj.
Rezultati, objavljeni v reviji The Lancet Planetary Health, kažejo, da predlagani model M-LSTM dosledno prekaša tradicionalni model LSTM z 94,5 %, 99,7 % oziroma 99,8 % nižjimi napakami za Pakistan, Indijo in Bangladeš.
Na splošno je bila z naraščajočo kompleksnostjo modela dosežena večja natančnost in manj napak, kar poudarja učinkovitost pristopa.
Sarah je pojasnila: »Ta pristop je posplošljiv, zato ima naše modeliranje pomembne posledice za politiko javnega zdravja. Lahko bi ga na primer uporabili za druge nalezljive bolezni ali pa ga razširili na druga območja z visokim tveganjem z nesorazmerno visoko obolevnostjo in umrljivostjo zaradi malarije v regijah SZO v Afriki. Odločevalcem bi lahko pomagalo pri izvajanju bolj proaktivnih ukrepov za zgodnje in natančno obvladovanje izbruhov malarije.«
"Resnična privlačnost je zmožnost analize praktično kjer koli na Zemlji zaradi hitrega napredka pri opazovanju Zemlje, globokem učenju in umetni inteligenci, pa tudi zaradi razpoložljivosti visokozmogljivih računalnikov. To bi lahko vodilo do bolj ciljno usmerjenih posegov in boljše dodelitve virov v nenehnih prizadevanjih za izkoreninjenje malarije in izboljšanje rezultatov javnega zdravja po vsem svetu."