Nové publikace
Umělá inteligence předpovídá výskyt malárie v jižní Asii
Naposledy posuzováno: 02.07.2025
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.
Výzkumníci z NDORMS ve spolupráci s mezinárodními institucemi prokázali potenciál využití environmentálních měření a modelů hlubokého učení k předpovídání vypuknutí malárie v jižní Asii. Studie nabízí povzbudivé vyhlídky na zlepšení systémů včasného varování před jednou z nejsmrtelnějších nemocí na světě.
Malárie zůstává významným globálním zdravotním problémem, přičemž přibližně polovina světové populace je ohrožena nákazou, zejména v Africe a jižní Asii. Ačkoli je malárii možné předcházet, proměnlivá povaha klimatických, sociodemografických a environmentálních rizikových faktorů ztěžuje předpovídání propuknutí nákazy.
Tým výzkumníků vedený docentkou Sarah Khalidovou ze skupiny NDORMS Planetary Health Informatics Group na Oxfordské univerzitě se ve spolupráci s Lahore University of Management Sciences snažil řešit tento problém a prozkoumat, zda by přístup strojového učení založený na prostředí mohl nabídnout potenciál pro nástroje včasného varování před malárií specifické pro dané místo.
Vyvinuli vícerozměrný model LSTM (M-LSTM), který současně analyzoval environmentální metriky včetně teploty, srážek, měření vegetace a údajů o nočním osvětlení, aby předpověděl výskyt malárie v jihoasijském pásu zahrnujícím Pákistán, Indii a Bangladéš.
Data byla porovnána s mírou výskytu malárie na úrovni okresů pro každou zemi v letech 2000 až 2017, která byla získána z datových sad demografických a zdravotních průzkumů Agentury Spojených států pro mezinárodní rozvoj.
Výsledky publikované v časopise The Lancet Planetary Health ukazují, že navrhovaný model M-LSTM konzistentně překonává tradiční model LSTM s chybami nižšími o 94,5 %, 99,7 % a 99,8 % pro Pákistán, Indii a Bangladéš.
Celkově bylo s rostoucí složitostí modelu dosaženo vyšší přesnosti a snížení chyb, což zdůrazňuje efektivitu tohoto přístupu.
Sarah vysvětlila: „Tento přístup je zobecnitelný, a proto má naše modelování významné důsledky pro politiku veřejného zdraví. Mohlo by být například aplikováno na jiné infekční nemoci nebo rozšířeno na další vysoce rizikové oblasti s neúměrně vysokou morbiditou a mortalitou malárie v regionech WHO v Africe. Mohlo by to pomoci osobám s rozhodovací pravomocí zavést proaktivnější opatření k včasnému a přesnému zvládání ohnisek malárie.“
„Skutečným lákadlem je možnost analyzovat prakticky kdekoli na Zemi díky rychlému pokroku v pozorování Země, hlubokém učení a umělé inteligenci, stejně jako dostupnosti vysoce výkonných počítačů. To by mohlo vést k cílenějším intervencím a lepšímu rozdělování zdrojů v rámci probíhajícího úsilí o vymýcení malárie a zlepšení výsledků v oblasti veřejného zdraví na celém světě.“