Sztuczna inteligencja przewiduje epidemie malarii w Azji Południowej
Ostatnia recenzja: 14.06.2024
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 instytucjami międzynarodowymi wykazali potencjał wykorzystania pomiarów środowiskowych i modeli głębokiego uczenia się do przewidywania epidemii malarii w Azji Południowej. Badanie oferuje obiecujące perspektywy ulepszenia systemów wczesnego ostrzegania w przypadku jednej z najbardziej śmiercionośnych chorób na świecie.
Malaria pozostaje poważnym globalnym problemem zdrowotnym, a ryzyko infekcji dotyka około połowy światowej populacji, zwłaszcza w Afryce i Azji Południowej. Chociaż malarii można zapobiec, zmienny charakter czynników ryzyka klimatycznego, socjodemograficznego i środowiskowego utrudnia przewidywanie epidemii.
Zespół badaczy pod kierownictwem profesor nadzwyczajnej Sarah Khalid z NDORMS Planetary Health Informatics Group na Uniwersytecie Oksfordzkim we współpracy z Uniwersytetem Nauk o Zarządzaniu w Lahore próbował rozwiązać ten problem i zbadać, czy podejście do uczenia maszynowego oparte na środowisku mogłoby oferują potencjał w zakresie narzędzi wczesnego ostrzegania o malarii dostosowanych do konkretnego miejsca.
Opracowali wielowymiarowy model LSTM (M-LSTM), który jednocześnie analizował wskaźniki środowiskowe, w tym temperaturę, opady, pomiary roślinności i dane dotyczące oświetlenia w nocy, aby przewidzieć występowanie malarii w pasie Azji Południowej obejmującym Pakistan, Indie i Bangladesz.
Dane porównano ze współczynnikami zapadalności na malarię na poziomie hrabstw dla każdego kraju w latach 2000–2017, uzyskanymi ze zbiorów danych Agencji ds. Rozwoju Międzynarodowego Stanów Zjednoczonych dotyczących badań demograficznych i zdrowotnych.
Wyniki opublikowane w The Lancet Planetary Health pokazują, że proponowany model M-LSTM konsekwentnie przewyższa tradycyjny model LSTM z błędami na poziomie 94,5%, 99,7% i 99,8 % są niższe odpowiednio w przypadku Pakistanu, Indii i Bangladeszu.
Ogółem większą dokładność i redukcję błędów osiągnięto wraz ze wzrostem złożoności modelu, co podkreśla skuteczność podejścia.
Sarah wyjaśniła: „To podejście jest uniwersalne i dlatego nasze modelowanie ma znaczące implikacje dla polityki zdrowia publicznego. Można go na przykład zastosować w przypadku innych chorób zakaźnych lub rozszerzyć na inne obszary wysokiego ryzyka o nieproporcjonalnie wysokiej zapadalności i śmiertelności z powodu malarii w regionach WHO w Afryce. Może to pomóc decydentom we wdrażaniu bardziej proaktywnych środków w celu wczesnego i dokładnego zarządzania epidemiami malarii.
„Prawdziwą atrakcją jest możliwość analizowania praktycznie w dowolnym miejscu na Ziemi dzięki szybkiemu postępowi w obserwacjach Ziemi, głębokiemu uczeniu się i sztucznej inteligencji oraz dostępności komputerów o wysokiej wydajności. Może to prowadzić do bardziej ukierunkowanych interwencji i lepszej alokacji zasobów zasoby na bieżące wysiłki mające na celu wyeliminowanie malarii i poprawę wyników w zakresie zdrowia publicznego na całym świecie.”