Nove publikacije
Umjetna inteligencija predviđa izbijanje malarije u Južnoj Aziji
Posljednji pregledao: 02.07.2025
Svi iLive sadržaji medicinski se pregledavaju ili provjeravaju kako bi se osigurala što je moguće točnija činjenica.
Imamo stroge smjernice za pronalaženje izvora i samo povezujemo s uglednim medijskim stranicama, akademskim istraživačkim institucijama i, kad god je to moguće, medicinski pregledanim studijama. Imajte na umu da su brojevi u zagradama ([1], [2], itd.) Poveznice koje se mogu kliknuti na ove studije.
Ako smatrate da je bilo koji od naših sadržaja netočan, zastario ili na neki drugi način upitan, odaberite ga i pritisnite Ctrl + Enter.
Istraživači s NDORMS-a, u suradnji s međunarodnim institucijama, pokazali su potencijal korištenja mjerenja okoliša i modela dubokog učenja za predviđanje izbijanja malarije u Južnoj Aziji. Studija nudi ohrabrujuće izglede za poboljšanje sustava ranog upozoravanja za jednu od najsmrtonosnijih bolesti na svijetu.
Malarija ostaje značajan globalni zdravstveni problem, s otprilike polovicom svjetske populacije u riziku od zaraze, posebno u Africi i Južnoj Aziji. Iako se malarija može spriječiti, promjenjiva priroda klimatskih, sociodemografskih i okolišnih čimbenika rizika otežava predviđanje epidemija.
Tim istraživača predvođen izvanrednom profesoricom Sarah Khalid iz NDORMS Planetary Health Informatics Group, Sveučilišta u Oxfordu, u suradnji sa Sveučilištem za menadžment znanosti u Lahoreu, nastojao je riješiti ovaj problem i istražiti može li pristup strojnog učenja temeljen na okolišu ponuditi potencijal za alate za rano upozoravanje na malariju specifične za mjesto.
Razvili su multivarijantni LSTM (M-LSTM) model koji je istovremeno analizirao okolišne metrike, uključujući temperaturu, količinu oborina, mjerenja vegetacije i podatke o noćnom svjetlu, kako bi predvidio incidenciju malarije u južnoazijskom pojasu koji obuhvaća Pakistan, Indiju i Bangladeš.
Podaci su uspoređeni sa stopama incidencije malarije na razini okruga za svaku zemlju između 2000. i 2017. godine, dobivenim iz skupova podataka Demografskih i zdravstvenih istraživanja Američke agencije za međunarodni razvoj.
Rezultati, objavljeni u časopisu The Lancet Planetary Health, pokazuju da predloženi M-LSTM model dosljedno nadmašuje tradicionalni LSTM model s 94,5%, 99,7% i 99,8% nižim pogreškama za Pakistan, Indiju i Bangladeš.
Sveukupno, s povećanjem složenosti modela postignuta je veća točnost i smanjene pogreške, što ističe učinkovitost pristupa.
Sarah je objasnila: „Ovaj pristup je generalizljiv, pa stoga naše modeliranje ima značajne implikacije za politiku javnog zdravstva. Na primjer, moglo bi se primijeniti na druge zarazne bolesti ili proširiti na druga područja visokog rizika s nesrazmjerno visokim morbiditetom i mortalitetom od malarije u regijama WHO-a u Africi. To bi moglo pomoći donositeljima odluka da provedu proaktivnije mjere za rano i točno upravljanje izbijanjem malarije.“
„Prava privlačnost je mogućnost analize gotovo bilo gdje na Zemlji zahvaljujući brzom napretku u promatranju Zemlje, dubokom učenju i umjetnoj inteligenciji, kao i dostupnosti visokoučinkovitih računala. To bi moglo dovesti do ciljanijih intervencija i bolje raspodjele resursa u tekućim naporima za iskorjenjivanje malarije i poboljšanje javnozdravstvenih ishoda diljem svijeta.“