Mākslīgais intelekts prognozē malārijas uzliesmojumus Dienvidāzijā
Pēdējā pārskatīšana: 14.06.2024
Visi iLive saturs ir medicīniski pārskatīts vai pārbaudīts, lai nodrošinātu pēc iespējas lielāku faktisko precizitāti.
Mums ir stingras iegādes vadlīnijas un tikai saikne ar cienījamiem mediju portāliem, akadēmiskām pētniecības iestādēm un, ja vien iespējams, medicīniski salīdzinošiem pārskatiem. Ņemiet vērā, ka iekavās ([1], [2] uc) esošie numuri ir klikšķi uz šīm studijām.
Ja uzskatāt, ka kāds no mūsu saturiem ir neprecīzs, novecojis vai citādi apšaubāms, lūdzu, atlasiet to un nospiediet Ctrl + Enter.
Pētnieki no NDORMS sadarbībā ar starptautiskām institūcijām ir pierādījuši iespējas izmantot vides mērījumus un dziļās mācīšanās modeļus, lai prognozētu malārijas uzliesmojumus Dienvidāzijā. Pētījums piedāvā daudzsološas izredzes uzlabot agrīnās brīdināšanas sistēmas par vienu no pasaulē nāvējošākajām slimībām.
Malārija joprojām ir nozīmīga globāla veselības problēma, un inficēšanās risks skar aptuveni pusi pasaules iedzīvotāju, īpaši Āfrikā un Dienvidāzijā. Lai gan malāriju ir iespējams novērst, klimata, sociāldemogrāfisko un vides riska faktoru mainīgais raksturs apgrūtina uzliesmojumu prognozēšanu.
Pētnieku komanda, ko vadīja asociētā profesore Sāra Khalid no Oksfordas Universitātes NDORMS Planetārās veselības informātikas grupas, sadarbībā ar Lahoras Vadības zinātņu universitāti mēģināja atrisināt šo problēmu un izpētīt, vai uz vidi balstīta mašīnmācīšanās pieeja varētu piedāvāt potenciālus rīkus, kas paredzēti vietai specifiskai agrīnai brīdināšanai par malāriju.
Viņi izstrādāja daudzfaktoru LSTM modeli (M-LSTM), kas vienlaikus analizēja vides rādītājus, tostarp temperatūru, nokrišņu daudzumu, veģetācijas mērījumus un nakts gaismas datus, lai prognozētu malārijas izplatību Dienvidāzijas joslā, kas aptver Pakistānu, Indiju un Bangladešu.
Dati tika salīdzināti ar apgabala līmeņa malārijas saslimstības rādītājiem katrā valstī laikposmā no 2000. Līdz 2017. gadam, kas iegūti no ASV Starptautiskās attīstības aģentūras demogrāfisko un veselības apsekojumu datu kopām.
Rezultāti, kas publicēti vietnē The Lancet Planetary Health liecina, ka piedāvātais M-LSTM modelis konsekventi pārspēj tradicionālo LSTM modeli ar kļūdām 94,5%, 99,7% un 99,8 % ir zemāki attiecīgi Pakistānai, Indijai un Bangladešai.
Kopumā augstāka precizitāte un kļūdu samazināšana tika sasniegta, palielinoties modeļa sarežģītībai, izceļot pieejas efektivitāti.
Sāra paskaidroja: “Šī pieeja ir universāla, un tāpēc mūsu modelēšanai ir būtiska ietekme uz sabiedrības veselības politiku. Piemēram, to varētu attiecināt uz citām infekcijas slimībām vai attiecināt uz citām augsta riska zonām ar nesamērīgi augstu malārijas sastopamību un mirstību reģionos PVO Āfrikā. Tas var palīdzēt lēmumu pieņēmējiem īstenot aktīvākus pasākumus malārijas uzliesmojumu agrīnai un precīzai pārvaldībai.
"Patiesā pievilcība slēpjas spējā analizēt praktiski jebkur uz Zemes, pateicoties straujiem sasniegumiem Zemes novērošanā, dziļās mācīšanās un mākslīgā intelekta jomā, kā arī augstas veiktspējas datoru pieejamībai. Tas varētu novest pie mērķtiecīgākas iejaukšanās un labākas resursi notiekošajos malārijas izskaušanas pasākumos un uzlabotu sabiedrības veselības rezultātus visā pasaulē."