Umelá inteligencia predpovedá vypuknutie malárie v južnej Ázii
Posledná kontrola: 14.06.2024
Všetok obsah iLive je lekársky kontrolovaný alebo kontrolovaný, aby sa zabezpečila čo najväčšia presnosť faktov.
Máme prísne smernice týkajúce sa získavania zdrojov a len odkaz na seriózne mediálne stránky, akademické výskumné inštitúcie a vždy, keď je to možné, na lekársky partnerské štúdie. Všimnite si, že čísla v zátvorkách ([1], [2] atď.) Sú odkazmi na kliknutia na tieto štúdie.
Ak máte pocit, že niektorý z našich obsahov je nepresný, neaktuálny alebo inak sporný, vyberte ho a stlačte kláves Ctrl + Enter.
Výskumníci z NDORMS v spolupráci s medzinárodnými inštitúciami preukázali potenciál využitia environmentálnych meraní a modelov hlbokého učenia na predpovedanie prepuknutia malárie v južnej Ázii. Štúdia ponúka sľubné vyhliadky na zlepšenie systémov včasného varovania pre jednu z najsmrteľnejších chorôb na svete.
Malária zostáva významným globálnym zdravotným problémom, pričom riziko infekcie postihuje približne polovicu svetovej populácie, najmä v Afrike a južnej Ázii. Hoci sa malárii dá predchádzať, premenlivá povaha klimatických, sociodemografických a environmentálnych rizikových faktorov sťažuje predpovedanie prepuknutia choroby.
Tím výskumníkov vedený docentkou Sarah Khalid z NDORMS Planetary Health Informatics Group, University of Oxford, sa v spolupráci s Lahore University of Management Sciences snažil vyriešiť tento problém a preskúmať, či by mohol byť prístup strojového učenia založený na prostredí ponúkajú potenciál pre nástroje včasné varovanie pred maláriou špecifické pre danú lokalitu.
Vyvinuli viacrozmerný model LSTM (M-LSTM), ktorý súčasne analyzoval environmentálne ukazovatele vrátane teploty, zrážok, meraní vegetácie a nočných svetelných údajov na predpovedanie výskytu malárie v pásme južnej Ázie pokrývajúceho Pakistan, Indiu a Bangladéš.
Údaje boli porovnané s mierami výskytu malárie na úrovni okresov pre každú krajinu v rokoch 2000 až 2017, ktoré boli získané zo súborov údajov z demografických a zdravotných prieskumov Americkej agentúry pre medzinárodný rozvoj.
Výsledky publikované v The Lancet Planetary Health ukazujú, že navrhovaný model M-LSTM trvalo prekonáva tradičný model LSTM s chybami 94,5 %, 99,7 % a 99,8 % sú nižšie v prípade Pakistanu, Indie a Bangladéša.
Celkovo sa dosiahla vyššia presnosť a zníženie chýb so zvyšujúcou sa zložitosťou modelu, čo zvýraznilo efektívnosť tohto prístupu.
Sarah vysvetlila: „Tento prístup je univerzálny, a preto má naše modelovanie významné dôsledky pre politiku verejného zdravia. Napríklad by sa mohol použiť na iné infekčné choroby alebo by sa mohol rozšíriť na iné vysokorizikové oblasti s neúmerne vysokým výskytom a úmrtnosťou na maláriu v regiónoch WHO v Afrike. To môže pomôcť tým, ktorí rozhodujú, zaviesť proaktívnejšie opatrenia na včasné a presné zvládnutie prepuknutia malárie.
„Skutočná príťažlivosť spočíva v schopnosti analyzovať prakticky kdekoľvek na Zemi vďaka rýchlemu pokroku v pozorovaní Zeme, hlbokému učeniu a AI a dostupnosti vysokovýkonných počítačov. To by mohlo viesť k cielenejším zásahom a lepšiemu prideľovaniu zdroje v rámci prebiehajúceho úsilia o eradikáciu malárie a zlepšenie výsledkov verejného zdravia na celom svete.“