Umělá inteligence předpovídá vypuknutí malárie v jižní Asii
Naposledy posuzováno: 14.06.2024
Veškerý obsah iLive je lékařsky zkontrolován nebo zkontrolován, aby byla zajištěna co největší věcná přesnost.
Máme přísné pokyny pro získávání zdrojů a pouze odkaz na seriózní mediální stránky, akademické výzkumné instituce a, kdykoli je to možné, i klinicky ověřené studie. Všimněte si, že čísla v závorkách ([1], [2] atd.) Jsou odkazy na tyto studie, na které lze kliknout.
Pokud máte pocit, že některý z našich obsahů je nepřesný, neaktuální nebo jinak sporný, vyberte jej a stiskněte klávesu Ctrl + Enter.
Výzkumní pracovníci z NDORMS ve spolupráci s mezinárodními institucemi prokázali potenciál použití environmentálních měření a modelů hlubokého učení k předpovědi propuknutí malárie v jižní Asii. Studie nabízí slibné vyhlídky na zlepšení systémů včasného varování před jednou z nejsmrtelnějších nemocí světa.
Malárie zůstává významným globálním zdravotním problémem, přičemž riziko infekce postihuje přibližně polovinu světové populace, zejména v Africe a jižní Asii. Ačkoli lze malárii předejít, proměnlivá povaha klimatických, sociodemografických a environmentálních rizikových faktorů ztěžuje předpovídání propuknutí.
Tým výzkumníků vedený docentkou Sarah Khalid z NDORMS Planetary Health Informatics Group, University of Oxford, ve spolupráci s Lahore University of Management Sciences, se snažil tento problém vyřešit a prozkoumat, zda by mohl přístup strojového učení založený na prostředí nabízejí potenciál pro nástroje včasného varování před malárií specifické pro daný web.
Vyvinuli multivariační model LSTM (M-LSTM), který současně analyzoval environmentální indikátory včetně teploty, srážek, měření vegetace a nočního světla, aby předpověděl výskyt malárie v jihoasijském pásu pokrývajícím Pákistán, Indii a Bangladéš.
Údaje byly porovnány s mírou výskytu malárie na úrovni okresu pro každou zemi v letech 2000 až 2017, získanými z datových souborů demografických a zdravotních průzkumů americké Agentury pro mezinárodní rozvoj.
Výsledky zveřejněné v The Lancet Planetary Health ukazují, že navrhovaný model M-LSTM trvale překonává tradiční model LSTM s chybami 94,5 %, 99,7 % a 99,8 % jsou nižší pro Pákistán, Indii a Bangladéš.
Celkově bylo dosaženo vyšší přesnosti a snížení chyb se zvyšující se složitostí modelu, což podtrhuje efektivitu přístupu.
Sarah vysvětlila: „Tento přístup je univerzální, a proto má naše modelování významné důsledky pro politiku veřejného zdraví. Například by mohl být aplikován na jiné infekční nemoci nebo rozšířen na jiné vysoce rizikové oblasti s neúměrně vysokým výskytem a úmrtností na malárii v regionech WHO v Africe To může pomoci těm, kdo rozhodují, zavést proaktivnější opatření k včasnému a přesnému zvládnutí ohnisek malárie.
„Skutečná přitažlivost spočívá ve schopnosti analyzovat prakticky kdekoli na Zemi díky rychlému pokroku v pozorování Země, hlubokému učení a umělé inteligenci a dostupnosti vysoce výkonných počítačů. To by mohlo vést k cílenějším zásahům a lepšímu přidělování zdroje v rámci probíhajícího úsilí o vymýcení malárie a zlepšení výsledků veřejného zdraví po celém světě.“