Umjetna inteligencija predviđa izbijanje malarije u južnoj Aziji
Posljednji pregledao: 14.06.2024
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 iz NDORMS-a, u suradnji s međunarodnim institucijama, pokazali su potencijal korištenja ekoloških mjerenja i modela dubokog učenja za predviđanje izbijanja malarije u Južnoj Aziji. Studija nudi obećavajuće izglede za poboljšanje sustava ranog upozoravanja na jednu od najsmrtonosnijih bolesti na svijetu.
Malarija ostaje značajan globalni zdravstveni problem, s rizikom od infekcije koji pogađa otprilike polovicu svjetske populacije, posebno u Africi i Južnoj Aziji. Iako se malarija može spriječiti, promjenjiva priroda klime, sociodemografskih i okolišnih čimbenika rizika otežava predviđanje izbijanja.
Tim istraživača predvođen izvanrednom profesoricom Sarah Khalid iz NDORMS Planetary Health Informatics Group, Sveučilišta u Oxfordu, u suradnji sa Lahore University of Management Sciences, pokušao je riješiti ovaj problem i istražiti može li pristup strojnom učenju temeljen na okruženju ponuditi potencijal za alate za rano upozorenje na malariju na određenom mjestu.
Razvili su multivarijantni LSTM model (M-LSTM) koji je istovremeno analizirao ekološke pokazatelje uključujući temperaturu, količinu padalina, mjerenja vegetacije i podatke o noćnom svjetlu kako bi predvidio pojavu malarije u južnoazijskom pojasu koji pokriva Pakistan, Indiju i Bangladeš.
Podaci su uspoređeni sa stopama incidencije malarije na razini okruga za svaku zemlju između 2000. I 2017., dobivenim iz skupova podataka Demografskih i zdravstvenih istraživanja Američke agencije za međunarodni razvoj.
Rezultati objavljeni u The Lancet Planetary Health pokazuju da predloženi model M-LSTM dosljedno nadmašuje tradicionalni model LSTM s pogreškama od 94,5%, 99,7% i 99,8 % su niži za Pakistan, Indiju i Bangladeš.
Općenito, veća točnost i smanjenje pogreške postignuti su povećanjem složenosti modela, naglašavajući učinkovitost pristupa.
Sarah je objasnila: "Ovaj pristup je univerzalan i stoga naše modeliranje ima značajne implikacije na javnozdravstvenu politiku. Na primjer, može se primijeniti na druge zarazne bolesti ili proširiti na druga visokorizična područja s nerazmjerno visokom učestalošću i smrtnošću od malarije u regijama WHO u Africi. To može pomoći donositeljima odluka da provedu proaktivnije mjere za rano i točno upravljanje izbijanjem malarije.
"Prava privlačnost leži u mogućnosti analiziranja gotovo bilo gdje na Zemlji zahvaljujući brzom napretku u promatranju Zemlje, dubokom učenju i umjetnoj inteligenciji te dostupnosti računala visokih performansi. To bi moglo dovesti do ciljanijih intervencija i bolje raspodjele resurse u tekućim naporima za iskorjenjivanje malarije i poboljšanje ishoda javnog zdravlja diljem svijeta."