Új kiadványok
Mesterséges intelligencia előrejelzi a malária kitörését Dél-Ázsiában
Utolsó ellenőrzés: 02.07.2025
Minden iLive-tartalmat orvosi szempontból felülvizsgáltak vagy tényszerűen ellenőriznek, hogy a lehető legtöbb tényszerű pontosságot biztosítsák.
Szigorú beszerzési iránymutatásunk van, és csak a jó hírű média oldalakhoz, az akadémiai kutatóintézetekhez és, ha lehetséges, orvosilag felülvizsgált tanulmányokhoz kapcsolódik. Ne feledje, hogy a zárójelben ([1], [2] stb.) Szereplő számok ezekre a tanulmányokra kattintható linkek.
Ha úgy érzi, hogy a tartalom bármely pontatlan, elavult vagy más módon megkérdőjelezhető, jelölje ki, és nyomja meg a Ctrl + Enter billentyűt.
Az NDORMS kutatói nemzetközi intézményekkel együttműködve bebizonyították, hogy a környezeti mérések és a mélytanulási modellek használatában rejlő lehetőségek rejlenek a dél-ázsiai maláriajárványok előrejelzésében. A tanulmány biztató kilátásokat kínál a világ egyik leghalálosabb betegségének korai figyelmeztető rendszereinek fejlesztésére.
A malária továbbra is jelentős globális egészségügyi probléma, a világ népességének körülbelül fele fertőzésveszélynek van kitéve, különösen Afrikában és Dél-Ázsiában. Bár a malária megelőzhető, az éghajlati, társadalmi-demográfiai és környezeti kockázati tényezők változó jellege megnehezíti a járványkitörések előrejelzését.
Az Oxfordi Egyetem NDORMS Planetary Health Informatics Groupjának Sarah Khalid docense vezette kutatócsoportja a Lahore-i Vezetéstudományi Egyetemmel együttműködve megpróbálta megoldani ezt a problémát, és megvizsgálni, hogy egy környezetalapú gépi tanulási megközelítés kínálhat-e lehetőséget a malária helyspecifikus korai figyelmeztető eszközeinek kifejlesztésére.
Kifejlesztettek egy többváltozós LSTM (M-LSTM) modellt, amely egyszerre elemezte a környezeti mutatókat, beleértve a hőmérsékletet, a csapadékmennyiséget, a vegetációs méréseket és az éjszakai fényadatokat, hogy megjósolják a malária előfordulását egy Pakisztánt, Indiát és Bangladest átszelő dél-ázsiai övezetben.
Az adatokat összehasonlították az egyes országok 2000 és 2017 közötti kerületi szintű malária előfordulási arányaival, amelyeket az Egyesült Államok Nemzetközi Fejlesztési Ügynökségének demográfiai és egészségügyi felméréseinek adatkészleteiből szereztek be.
A The Lancet Planetary Health című folyóiratban publikált eredmények azt mutatják, hogy a javasolt M-LSTM modell következetesen felülmúlja a hagyományos LSTM modellt, Pakisztán, India és Banglades esetében rendre 94,5%-kal, 99,7%-kal és 99,8%-kal alacsonyabb hibákkal.
Összességében a modell komplexitásának növekedésével nagyobb pontosságot és csökkent hibákat sikerült elérni, ami kiemeli a megközelítés hatékonyságát.
Sarah így magyarázta: „Ez a megközelítés általánosítható, így modellezésünknek jelentős következményei vannak a közegészségügyi politikára nézve. Például alkalmazható más fertőző betegségekre is, vagy kiterjeszthető más, magas kockázatú területekre, ahol aránytalanul magas a malária okozta morbiditás és mortalitás az afrikai WHO régiókban. Segíthet a döntéshozóknak abban, hogy proaktívabb intézkedéseket hajtsanak végre a maláriajárványok korai és pontos kezelése érdekében.”
„Az igazi vonzerő abban rejlik, hogy a Földmegfigyelés, a mélytanulás és a mesterséges intelligencia gyors fejlődésének, valamint a nagy teljesítményű számítógépek elérhetőségének köszönhetően gyakorlatilag a Föld bármely pontján elemezhetünk. Ez célzottabb beavatkozásokhoz és az erőforrások jobb elosztásához vezethet a malária felszámolására és a közegészségügyi eredmények javítására irányuló folyamatos erőfeszítésekben világszerte.”