Kunstig intelligens forudsiger malariaudbrud i Sydasien
Sidst revideret: 14.06.2024
Alt iLive-indhold gennemgås medie eller kontrolleres for at sikre så meget faktuel nøjagtighed som muligt.
Vi har strenge sourcing retningslinjer og kun link til velrenommerede medie websteder, akademiske forskningsinstitutioner og, når det er muligt, medicinsk peer reviewed undersøgelser. Bemærk at tallene inden for parentes ([1], [2] osv.) Er klikbare links til disse undersøgelser.
Hvis du mener, at noget af vores indhold er unøjagtigt, forældet eller på anden måde tvivlsomt, skal du vælge det og trykke på Ctrl + Enter.
Forskere fra NDORMS har i samarbejde med internationale institutioner demonstreret potentialet i at bruge miljømålinger og deep learning-modeller til at forudsige malariaudbrud i Sydasien. Undersøgelsen giver lovende udsigter til at forbedre tidlige varslingssystemer for en af verdens dødeligste sygdomme.
Malaria er fortsat et betydeligt globalt sundhedsproblem, hvor risikoen for infektion påvirker cirka halvdelen af verdens befolkning, især i Afrika og Sydasien. Selvom malaria kan forebygges, gør den varierende karakter af klima-, sociodemografiske og miljømæssige risikofaktorer det vanskeligt at forudsige udbrud.
Et team af forskere ledet af lektor Sarah Khalid fra NDORMS Planetary Health Informatics Group, University of Oxford, søgte i samarbejde med Lahore University of Management Sciences at løse dette problem og undersøge, om en miljøbaseret maskinlæringstilgang kunne tilbyde potentiale for værktøjer stedspecifik tidlig advarsel om malaria.
De udviklede en multivariat LSTM-model (M-LSTM), der samtidig analyserede miljøindikatorer, herunder temperatur, nedbør, vegetationsmålinger og nattelysdata for at forudsige malariaforekomsten i det sydasiatiske bælte, der dækker Pakistan, Indien og Bangladesh.
Dataene blev sammenlignet med malariaincidensrater på amtsniveau for hvert land mellem 2000 og 2017, hentet fra US Agency for International Developments datasæt for demografiske og sundhedsundersøgelser.
Resultater offentliggjort i The Lancet Planetary Health viser, at den foreslåede M-LSTM-model konsekvent overgår den traditionelle LSTM-model med fejl på 94,5 %, 99, 7 % og 99,8 % er lavere for henholdsvis Pakistan, Indien og Bangladesh.
Samlet set blev der opnået højere nøjagtighed og fejlreduktion med stigende modelkompleksitet, hvilket fremhæver effektiviteten af tilgangen.
Sarah forklarede: "Denne tilgang er universel, og derfor har vores modellering betydelige konsekvenser for folkesundhedspolitikken. For eksempel kan det anvendes på andre infektionssygdomme eller skaleres op til andre højrisikoområder med uforholdsmæssig høj forekomst og dødelighed af malaria i regioner WHO i Afrika. Dette kan hjælpe beslutningstagere med at implementere mere proaktive foranstaltninger til at håndtere malariaudbrud tidligt og præcist.
"Den virkelige attraktion ligger i evnen til at analysere stort set hvor som helst på Jorden takket være hurtige fremskridt inden for jordobservation, deep learning og AI og tilgængeligheden af højtydende computere. Dette kan føre til mere målrettede interventioner og bedre tildeling af ressourcer til igangværende udryddelsesbestræbelser på malaria og forbedring af folkesundhedsresultater rundt om i verden."