A mesterséges intelligencia dél-ázsiai maláriajárványt jósol
Utolsó ellenőrzés: 14.06.2024
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 kimutatták a környezeti mérések és a mély tanulási modellek alkalmazásának lehetőségét a dél-ázsiai maláriajárvány előrejelzésére. A tanulmány ígéretes kilátásokat kínál a világ egyik leghalálosabb betegségével kapcsolatos korai figyelmeztető rendszerek javítására.
Amalária továbbra is jelentős globális egészségügyi probléma, a fertőzés kockázata a világ lakosságának körülbelül a felét érinti, különösen Afrikában és Dél-Ázsiában. Bár a malária megelőzhető, az éghajlat, a társadalmi-demográfiai és a környezeti kockázati tényezők változó természete megnehezíti a járványok előrejelzését.
Az Oxfordi Egyetem NDORMS Planetary Health Informatics Group munkatársa, Sarah Khalid docens vezette kutatócsoport a Lahore University of Management Sciences-szel együttműködve megpróbálta megoldani ezt a problémát, és feltárni, hogy a környezet-alapú gépi tanulási megközelítés lehetséges-e. Lehetőséget kínálnak a maláriára vonatkozó helyspecifikus korai figyelmeztető eszközökre.
Kidolgoztak egy többváltozós LSTM-modellt (M-LSTM), amely egyidejűleg elemezte a környezeti mutatókat, beleértve a hőmérsékletet, a csapadékot, a növényzet méréseit és az éjszakai fényadatokat, hogy előre jelezze a malária előfordulását a Pakisztánt, Indiát és Bangladest lefedő dél-ázsiai övezetben.
Az adatokat az egyes országok megyei szintű malária előfordulási arányaival hasonlítottuk össze 2000 és 2017 között, amelyet az Egyesült Államok Nemzetközi Fejlesztési Ügynöksége Demográfiai és Egészségügyi Felméréseinek adatkészleteiből kaptunk.
A The Lancet Planetary Health-ben közzétett eredmények azt mutatják, hogy a javasolt M-LSTM modell folyamatosan felülmúlja a hagyományos LSTM modellt 94,5%, 99,7% és 99,8 hibával. % alacsonyabb Pakisztánban, Indiában és Bangladesben.
Összességében nagyobb pontosságot és hibacsökkentést értünk el a modell összetettségének növekedésével, ami kiemeli a megközelítés hatékonyságát.
Sarah kifejtette: „Ez a megközelítés univerzális, ezért modellezésünk jelentős hatással van a közegészségügyi politikára. Alkalmazható például más fertőző betegségekre, vagy kiterjeszthető más magas kockázatú területekre, ahol aránytalanul magas a malária előfordulása és halálozása a WHO afrikai régióiban. Ez segíthet a döntéshozóknak proaktívabb intézkedések végrehajtásában a maláriajárvány korai és pontos kezelésére.
"Az igazi vonzerő abban rejlik, hogy a Föld-megfigyelés, a mélytanulás és a mesterséges intelligencia gyors fejlődésének, valamint a nagy teljesítményű számítógépek elérhetőségének köszönhetően gyakorlatilag bárhol elemezni lehet a Földön. Ez célzottabb beavatkozásokhoz és az adatok jobb elosztásához vezethet. A malária felszámolására irányuló folyamatban lévő erőfeszítések forrásai és a közegészségügyi eredmények javítása világszerte."