Nya publikationer
Artificiell intelligens förutspår malariautbrott i Sydasien
Senast recenserade: 02.07.2025
Allt iLive-innehåll är mediekontrollerat eller faktiskt kontrollerat för att säkerställa så mycket faktuell noggrannhet som möjligt.
Vi har strikta sourcing riktlinjer och endast länk till välrenommerade media webbplatser, akademiska forskningsinstitut och, när det är möjligt, medicinsk peer granskad studier. Observera att siffrorna inom parentes ([1], [2] etc.) är klickbara länkar till dessa studier.
Om du anser att något av vårt innehåll är felaktigt, omodernt eller på annat sätt tveksamt, välj det och tryck på Ctrl + Enter.
Forskare från NDORMS har, i samarbete med internationella institutioner, visat potentialen i att använda miljömätningar och djupinlärningsmodeller för att förutsäga malariautbrott i Sydasien. Studien erbjuder lovande möjligheter att förbättra tidiga varningssystem för en av världens dödligaste sjukdomar.
Malaria är fortfarande ett betydande globalt hälsoproblem, där ungefär hälften av världens befolkning riskerar att smittas, särskilt i Afrika och Sydasien. Även om malaria kan förebyggas, gör den varierande karaktären av klimat-, sociodemografiska och miljömässiga riskfaktorer det svårt att förutsäga utbrott.
Ett forskarteam lett av docent Sarah Khalid från NDORMS Planetary Health Informatics Group, University of Oxford, i samarbete med Lahore University of Management Sciences, försökte ta itu med denna fråga och undersöka om en miljöbaserad maskininlärningsmetod skulle kunna erbjuda potential för platsspecifika verktyg för tidig varning för malaria.
De utvecklade en multivariat LSTM-modell (M-LSTM) som samtidigt analyserade miljömått inklusive temperatur, nederbörd, vegetationsmätningar och nattljusdata för att förutsäga malariaincidensen i ett sydasiatiskt bälte som sträcker sig över Pakistan, Indien och Bangladesh.
Uppgifterna jämfördes med malariaincidens på distriktsnivå för varje land mellan 2000 och 2017, erhållna från United States Agency for International Developments demografiska och hälsoundersökningar.
Resultaten, som publicerades i The Lancet Planetary Health, visar att den föreslagna M-LSTM-modellen konsekvent överträffar den traditionella LSTM-modellen med 94,5 %, 99,7 % respektive 99,8 % lägre fel för Pakistan, Indien och Bangladesh.
Sammantaget uppnåddes högre noggrannhet och minskade fel med ökande modellkomplexitet, vilket belyser metodens effektivitet.
Sarah förklarade: ”Denna metod är generaliserbar, och därför har vår modellering betydande konsekvenser för folkhälsopolitiken. Den skulle till exempel kunna tillämpas på andra infektionssjukdomar eller skalas upp till andra högriskområden med oproportionerligt hög malariasjuklighet och dödlighet i WHO-regioner i Afrika. Den skulle kunna hjälpa beslutsfattare att implementera mer proaktiva åtgärder för att hantera malariautbrott tidigt och korrekt.”
"Den verkliga lockelsen är möjligheten att analysera praktiskt taget var som helst på jorden tack vare snabba framsteg inom jordobservation, djupinlärning och AI, samt tillgången till högpresterande datorer. Detta skulle kunna leda till mer riktade insatser och bättre resursfördelning i det pågående arbetet med att utrota malaria och förbättra folkhälsoutfallet över hela världen."