Naujos publikacijos
Dirbtinis intelektas prognozuoja maliarijos protrūkius Pietų Azijoje
Paskutinį kartą peržiūrėta: 02.07.2025
Visas „iLive“ turinys yra peržiūrėtas medicinoje arba tikrinamas, kad būtų užtikrintas kuo didesnis faktinis tikslumas.
Mes turime griežtas įsigijimo gaires ir susiejamos tik su geros reputacijos žiniasklaidos svetainėmis, akademinių tyrimų institucijomis ir, jei įmanoma, medicininiu požiūriu peržiūrimais tyrimais. Atkreipkite dėmesį, kad skliausteliuose ([1], [2] ir tt) esantys numeriai yra paspaudžiami nuorodos į šias studijas.
Jei manote, kad bet koks mūsų turinys yra netikslus, pasenęs arba kitaip abejotinas, pasirinkite jį ir paspauskite Ctrl + Enter.
NDORMS tyrėjai, bendradarbiaudami su tarptautinėmis institucijomis, pademonstravo aplinkos matavimų ir gilaus mokymosi modelių potencialą prognozuojant maliarijos protrūkius Pietų Azijoje. Tyrimas siūlo daug žadančių perspektyvų tobulinti ankstyvojo perspėjimo sistemas, skirtas vienai iš mirtingiausių ligų pasaulyje.
Maliarija išlieka reikšminga pasauline sveikatos problema, kuria užsikrėsti rizikuoja maždaug pusė pasaulio gyventojų, ypač Afrikoje ir Pietų Azijoje. Nors maliarijos galima išvengti, dėl kintamo klimato, socialinių demografinių ir aplinkos rizikos veiksnių pobūdžio sunku prognozuoti protrūkius.
Oksfordo universiteto NDORMS planetinės sveikatos informatikos grupės docentės Saros Khalid vadovaujama tyrėjų komanda, bendradarbiaudama su Lahoro vadybos mokslų universitetu, siekė išspręsti šią problemą ir ištirti, ar aplinka pagrįstas mašininio mokymosi metodas galėtų pasiūlyti konkrečioms vietovėms skirtų ankstyvojo perspėjimo apie maliariją priemonių potencialą.
Jie sukūrė daugiamatį LSTM (M-LSTM) modelį, kuris vienu metu analizavo aplinkos rodiklius, įskaitant temperatūrą, kritulius, augmenijos matavimus ir nakties šviesos duomenis, kad prognozuotų maliarijos paplitimą Pietų Azijos juostoje, apimančioje Pakistaną, Indiją ir Bangladešą.
Duomenys buvo palyginti su kiekvienos šalies rajonų lygmens maliarijos paplitimo rodikliais nuo 2000 iki 2017 m., gautais iš Jungtinių Valstijų Tarptautinės plėtros agentūros demografinių ir sveikatos tyrimų duomenų rinkinių.
Žurnale „The Lancet Planetary Health“ paskelbti rezultatai rodo, kad siūlomas M-LSTM modelis nuosekliai lenkia tradicinį LSTM modelį, o paklaidos Pakistane, Indijoje ir Bangladeše yra atitinkamai 94,5 %, 99,7 % ir 99,8 % mažesnės.
Apskritai, didėjant modelio sudėtingumui buvo pasiektas didesnis tikslumas ir sumažintos klaidos, o tai pabrėžia šio metodo efektyvumą.
Sarah paaiškino: „Šis metodas yra apibendrinamas, todėl mūsų modeliavimas turi didelę įtaką visuomenės sveikatos politikai. Pavyzdžiui, jis galėtų būti taikomas kitoms infekcinėms ligoms arba išplėstas į kitas didelės rizikos zonas, kuriose PSO regionuose Afrikoje yra neproporcingai didelis sergamumas maliarija ir mirtingumas. Tai galėtų padėti sprendimus priimantiems asmenims įgyvendinti aktyvesnes priemones maliarijos protrūkiams anksti ir tiksliai valdyti.“
„Tikrasis patrauklumas yra galimybė analizuoti praktiškai bet kurią Žemės vietą dėl sparčios Žemės stebėjimo, gilaus mokymosi ir dirbtinio intelekto pažangos, taip pat dėl didelio našumo kompiuterių prieinamumo. Tai galėtų paskatinti tikslingesnes intervencijas ir geresnį išteklių paskirstymą, siekiant išnaikinti maliariją ir pagerinti visuomenės sveikatos rezultatus visame pasaulyje.“