Nye publikationer
Kunstig intelligens forudsiger malaria-udbrud i Sydasien
Sidst revideret: 02.07.2025
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 ved at bruge miljømålinger og deep learning-modeller til at forudsige malariaudbrud i Sydasien. Undersøgelsen giver lovende perspektiver for at forbedre tidlige varslingssystemer for en af verdens dødeligste sygdomme.
Malaria er fortsat et betydeligt globalt sundhedsproblem, hvor cirka halvdelen af verdens befolkning er i risiko for infektion, 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 forskerhold ledet af lektor Sarah Khalid fra NDORMS Planetary Health Informatics Group, University of Oxford, forsøgte i samarbejde med Lahore University of Management Sciences at adressere dette problem og undersøge, om en miljøbaseret maskinlæringstilgang kunne tilbyde potentiale for stedspecifikke tidlige varslingsværktøjer for malaria.
De udviklede en multivariat LSTM (M-LSTM) model, der samtidig analyserede miljømæssige målinger, herunder temperatur, nedbør, vegetationsmålinger og natlysdata, for at forudsige malariaforekomsten i et sydasiatisk bælte, der spænder over Pakistan, Indien og Bangladesh.
Dataene blev sammenlignet med malariaincidensrater på distriktsniveau for hvert land mellem 2000 og 2017, indhentet fra United States Agency for International Developments datasæt for demografiske og sundhedsundersøgelser.
Resultaterne, der er offentliggjort i The Lancet Planetary Health, viser, at den foreslåede M-LSTM-model konsekvent overgår den traditionelle LSTM-model med henholdsvis 94,5 %, 99,7 % og 99,8 % lavere fejl for Pakistan, Indien og Bangladesh.
Samlet set blev der opnået højere nøjagtighed og færre fejl med stigende modelkompleksitet, hvilket fremhæver tilgangens effektivitet.
Sarah forklarede: "Denne tilgang er generaliserbar, og derfor har vores modellering betydelige konsekvenser for folkesundhedspolitikken. For eksempel kan den anvendes på andre infektionssygdomme eller skaleres op til andre højrisikoområder med uforholdsmæssigt høj malariamorbiditet og -dødelighed i WHO-regioner i Afrika. Det kan hjælpe beslutningstagere med at implementere mere proaktive foranstaltninger til at håndtere malariaudbrud tidligt og præcist."
"Den virkelige appel er evnen til at analysere stort set hvor som helst på Jorden takket være hurtige fremskridt inden for jordobservation, deep learning og AI, samt tilgængeligheden af højtydende computere. Dette kan føre til mere målrettede interventioner og bedre ressourceallokering i den igangværende indsats for at udrydde malaria og forbedre folkesundhedsresultaterne på verdensplan."