Artificiell intelligens förutspår malariautbrott i södra Asien
Senast recenserade: 14.06.2024
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 modeller för djupinlärning för att förutsäga malariautbrott i södra Asien. Studien erbjuder lovande möjligheter att förbättra system för tidig varning för en av världens dödligaste sjukdomar.
Malaria är fortfarande ett betydande globalt hälsoproblem, med risken för infektion som drabbar ungefär hälften av världens befolkning, särskilt i Afrika och Sydasien. Även om malaria går att förebygga, gör den varierande karaktären av klimat, sociodemografiska och miljömässiga riskfaktorer det svårt att förutsäga utbrott.
Ett team av forskare ledda av docent Sarah Khalid från NDORMS Planetary Health Informatics Group, University of Oxford, i samarbete med Lahore University of Management Sciences, försökte lösa detta problem och undersöka om en miljöbaserad maskininlärningsmetod kunde erbjuder potential för verktyg platsspecifik tidig varning för malaria.
De utvecklade en multivariat LSTM-modell (M-LSTM) som samtidigt analyserade miljöindikatorer inklusive temperatur, nederbörd, vegetationsmätningar och nattljusdata för att förutsäga malariaincidensen i det sydasiatiska bältet som täcker Pakistan, Indien och Bangladesh.
Uppgifterna jämfördes med malariaincidensen på länsnivå för varje land mellan 2000 och 2017, erhållna från US Agency for International Developments datauppsättningar för demografiska och hälsoundersökningar.
Resultat publicerade i The Lancet Planetary Health visar att den föreslagna M-LSTM-modellen konsekvent överträffar den traditionella LSTM-modellen med fel på 94,5 %, 99, 7 % och 99,8 % är lägre för Pakistan, Indien respektive Bangladesh.
Sammantaget uppnåddes högre noggrannhet och felminskning med ökande modellkomplexitet, vilket framhävde effektiviteten av tillvägagångssättet.
Sarah förklarade: "Det här tillvägagångssättet är universellt och därför har vår modellering betydande konsekvenser för folkhälsopolitiken. Det skulle till exempel kunna tillämpas på andra infektionssjukdomar eller skalas upp till andra högriskområden med oproportionerligt hög incidens och dödlighet i malaria i regioner WHO i Afrika. Detta kan hjälpa beslutsfattare att implementera mer proaktiva åtgärder för att hantera malariautbrott tidigt och korrekt.
"Den verkliga attraktionen ligger i förmågan att analysera praktiskt taget var som helst på jorden tack vare snabba framsteg inom jordobservation, djupinlärning och AI, och tillgången på högpresterande datorer. Detta kan leda till mer riktade insatser och bättre allokering av resurser i pågående utrotningsinsatser för malaria och förbättra folkhälsoresultaten runt om i världen."