Nowe publikacje
Sztuczna inteligencja przewiduje epidemie malarii w Azji Południowej
Ostatnia recenzja: 02.07.2025
Cała zawartość iLive jest sprawdzana medycznie lub sprawdzana pod względem faktycznym, aby zapewnić jak największą dokładność faktyczną.
Mamy ścisłe wytyczne dotyczące pozyskiwania i tylko linki do renomowanych serwisów medialnych, akademickich instytucji badawczych i, o ile to możliwe, recenzowanych badań medycznych. Zauważ, że liczby w nawiasach ([1], [2] itd.) Są linkami do tych badań, które można kliknąć.
Jeśli uważasz, że któraś z naszych treści jest niedokładna, nieaktualna lub w inny sposób wątpliwa, wybierz ją i naciśnij Ctrl + Enter.
Naukowcy z NDORMS we współpracy z międzynarodowymi instytucjami wykazali potencjał wykorzystania pomiarów środowiskowych i modeli głębokiego uczenia się do przewidywania wybuchów malarii w Azji Południowej. Badanie oferuje obiecujące perspektywy udoskonalenia systemów wczesnego ostrzegania przed jedną z najgroźniejszych chorób na świecie.
Malaria pozostaje poważnym globalnym problemem zdrowotnym, a około połowa światowej populacji jest narażona na zakażenie, szczególnie w Afryce i Azji Południowej. Chociaż malarii można zapobiegać, zmienna natura czynników ryzyka klimatycznego, społeczno-demograficznego i środowiskowego utrudnia przewidywanie epidemii.
Zespół badawczy pod przewodnictwem adiunkta Sarah Khalid z grupy informatyki zdrowia planetarnego NDORMS na Uniwersytecie Oksfordzkim we współpracy z Uniwersytetem Nauk o Zarządzaniu w Lahore postanowił zbadać tę kwestię i zbadać, czy podejście oparte na uczeniu maszynowym opartym na środowisku mogłoby okazać się przydatne w opracowaniu narzędzi wczesnego ostrzegania przed malarią dostosowanych do konkretnych miejsc.
Opracowali wielowymiarowy model LSTM (M-LSTM) jednocześnie analizujący wskaźniki środowiskowe, takie jak temperatura, opady deszczu, pomiary roślinności i dane dotyczące oświetlenia nocnego, aby przewidzieć częstość występowania malarii w pasie Azji Południowej rozciągającym się od Pakistanu, Indii po Bangladesz.
Dane porównano ze wskaźnikami zapadalności na malarię na poziomie dystryktów w każdym kraju w latach 2000–2017, uzyskanymi z zestawów danych Demographic and Health Surveys amerykańskiej Agencji ds. Rozwoju Międzynarodowego.
Wyniki opublikowane w czasopiśmie The Lancet Planetary Health pokazują, że proponowany model M-LSTM konsekwentnie przewyższa tradycyjny model LSTM, wykazując odpowiednio o 94,5%, 99,7% i 99,8% mniej błędów w przypadku Pakistanu, Indii i Bangladeszu.
Ogólnie rzecz biorąc, wraz ze wzrostem złożoności modelu osiągnięto większą dokładność i mniejszą liczbę błędów, co podkreśla skuteczność tego podejścia.
Sarah wyjaśniła: „To podejście jest uogólnialne, więc nasze modelowanie ma znaczące implikacje dla polityki zdrowia publicznego. Na przykład można je zastosować do innych chorób zakaźnych lub rozszerzyć na inne obszary wysokiego ryzyka z nieproporcjonalnie wysoką zachorowalnością i śmiertelnością na malarię w regionach WHO w Afryce. Może pomóc decydentom wdrożyć bardziej proaktywne środki w celu wczesnego i dokładnego zarządzania ogniskami malarii.
„Prawdziwą atrakcją jest możliwość analizowania praktycznie dowolnego miejsca na Ziemi dzięki szybkiemu postępowi w obserwacji Ziemi, głębokiemu uczeniu się i sztucznej inteligencji, a także dostępności komputerów o wysokiej wydajności. Może to doprowadzić do bardziej ukierunkowanych interwencji i lepszego przydziału zasobów w trwających wysiłkach na rzecz wyeliminowania malarii i poprawy wyników zdrowia publicznego na całym świecie”.