Tekoäly ennustaa malarian puhkeamista Etelä-Aasiassa
Viimeksi tarkistettu: 14.06.2024
Kaikki iLive-sisältö tarkistetaan lääketieteellisesti tai se tarkistetaan tosiasiallisen tarkkuuden varmistamiseksi.
Meillä on tiukat hankintaohjeet ja vain linkki hyvämaineisiin mediasivustoihin, akateemisiin tutkimuslaitoksiin ja mahdollisuuksien mukaan lääketieteellisesti vertaisarvioituihin tutkimuksiin. Huomaa, että suluissa ([1], [2] jne.) Olevat numerot ovat napsautettavia linkkejä näihin tutkimuksiin.
Jos sinusta tuntuu, että jokin sisältö on virheellinen, vanhentunut tai muuten kyseenalainen, valitse se ja paina Ctrl + Enter.
NDORMS:n tutkijat ovat yhteistyössä kansainvälisten instituutioiden kanssa osoittaneet, että ympäristömittausten ja syväoppimismallien avulla voidaan ennustaa malarian puhkeamista Etelä-Aasiassa. Tutkimus tarjoaa lupaavia mahdollisuuksia parantaa varhaisvaroitusjärjestelmiä yhdelle maailman tappavimmista sairauksista.
Malaria on edelleen merkittävä maailmanlaajuinen terveysongelma, ja tartuntariski vaikuttaa noin puoleen maailman väestöstä, erityisesti Afrikassa ja Etelä-Aasiassa. Vaikka malaria on ehkäistävissä, ilmaston, sosiodemografisten ja ympäristöriskitekijöiden vaihteleva luonne vaikeuttaa epidemioiden ennustamista.
Oxfordin yliopiston NDORMS Planetary Health Informatics Groupin apulaisprofessori Sarah Khalidin johtama tutkijaryhmä yhteistyössä Lahoren hallintotieteiden yliopiston kanssa yritti ratkaista tämän ongelman ja selvittää, voisiko ympäristöpohjainen koneoppiminen. Tarjoavat potentiaalia työkaluille, jotka mahdollistavat paikkakohtaisen varhaisvaroituksen malariasta.
He kehittivät monimuuttujan LSTM-mallin (M-LSTM), joka analysoi samanaikaisesti ympäristöindikaattoreita, kuten lämpötilaa, sademäärää, kasvillisuuden mittauksia ja yövalodataa, ennustaakseen malarian esiintyvyyttä Etelä-Aasian vyöhykkeellä, joka kattaa Pakistanin, Intian ja Bangladeshin.
Tietoja verrattiin läänin tason malarian ilmaantuvuuslukuihin kussakin maassa vuosina 2000–2017, jotka saatiin Yhdysvaltain kansainvälisen kehitysviraston väestö- ja terveystutkimusten tietojoukoista.
The Lancet Planetary Health -julkaisussa julkaistut tulokset osoittavat, että ehdotettu M-LSTM-malli on jatkuvasti parempi kuin perinteinen LSTM-malli virheillä 94,5%, 99,7% ja 99,8 % ovat alhaisemmat Pakistanissa, Intiassa ja Bangladeshissa.
Yleensä parempi tarkkuus ja virheiden vähentäminen saavutettiin mallin lisääntyessä monimutkaisemmalla, mikä korosti lähestymistavan tehokkuutta.
Sarah selitti: "Tämä lähestymistapa on universaali, ja siksi mallinnollamme on merkittäviä vaikutuksia kansanterveyspolitiikkaan. Sitä voitaisiin soveltaa esimerkiksi muihin tartuntatauteihin tai laajentaa muille korkean riskin alueille, joilla on suhteettoman korkea esiintyvyys ja kuolleisuus malariaan alueilla WHO Afrikassa. Tämä voi auttaa päätöksentekijöitä toteuttamaan ennakoivampia toimenpiteitä malariaepidemioiden hallitsemiseksi varhaisessa vaiheessa ja tarkasti.
"Todellinen vetovoima piilee kyvyssä analysoida käytännössä kaikkialla maapallon havainnoinnin, syväoppimisen ja tekoälyn nopean kehityksen sekä tehokkaiden tietokoneiden ansiosta. Tämä voi johtaa kohdennetumpiin toimenpiteisiin ja parempaan kohdentamiseen. Resurssit meneillään oleviin hävittämistoimiin malarian ja kansanterveyden parantamiseksi kaikkialla maailmassa."