Dirbtinis intelektas prognozuoja maliarijos protrūkius Pietų Azijoje
Paskutinį kartą peržiūrėta: 14.06.2024
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, įrodė, kad gali būti naudojami aplinkos matavimai ir gilaus mokymosi modeliai, siekiant numatyti maliarijos protrūkius Pietų Azijoje. Tyrimas siūlo daug žadančių perspektyvų tobulinant ankstyvojo įspėjimo apie vieną mirtingiausių pasaulyje ligų sistemas.
Maliarija tebėra svarbi pasaulinė sveikatos problema, o užsikrėtimo rizika paveikia maždaug pusę pasaulio gyventojų, ypač Afrikoje ir Pietų Azijoje. Nors maliarijos galima išvengti, dėl kintamo klimato, socialinių ir demografinių bei aplinkos rizikos veiksnių sunku numatyti protrūkius.
Tyrėjų komanda, vadovaujama docentės Sarah Khalid iš Oksfordo universiteto NDORMS planetinės sveikatos informatikos grupės, bendradarbiaudama su Lahoro vadybos mokslų universitetu, siekė išspręsti šią problemą ir ištirti, ar aplinka pagrįstas mašininio mokymosi metodas galėtų pasiūlyti įrankių, skirtų konkrečioje vietoje ankstyvam įspėjimui apie maliariją.
Jie sukūrė daugiamatį LSTM modelį (M-LSTM), kuris tuo pačiu metu analizavo aplinkos rodiklius, įskaitant temperatūrą, kritulių kiekį, augmenijos matavimus ir nakties šviesos duomenis, kad būtų galima numatyti maliarijos paplitimą Pietų Azijos juostoje, apimančioje Pakistaną, Indiją ir Bangladešą.
Duomenys buvo palyginti su kiekvienos šalies maliarija sergamumo apskrityje rodikliais 2000–2017 m., gautais iš JAV Tarptautinės plėtros agentūros demografinių ir sveikatos tyrimų duomenų rinkinių.
Rezultatai, paskelbti The Lancet Planetary Health rodo, kad siūlomas M-LSTM modelis nuolat lenkia tradicinį LSTM modelį su 94,5%, 99,7% ir 99,8 paklaidomis. % yra mažesni atitinkamai Pakistane, Indijoje ir Bangladeše.
Apskritai, didėjant modelio sudėtingumui, buvo pasiektas didesnis tikslumas ir klaidų sumažinimas, o tai pabrėžia metodo veiksmingumą.
Sara paaiškino: „Šis požiūris yra universalus, todėl mūsų modeliavimas turi reikšmingų pasekmių visuomenės sveikatos politikai. Pavyzdžiui, jis galėtų būti taikomas kitoms infekcinėms ligoms arba kitose didelės rizikos srityse, kuriose neproporcingai didelis sergamumas ir mirtingumas nuo maliarijos regionuose PSO Afrikoje. Tai gali padėti sprendimų priėmėjams įgyvendinti aktyvesnes priemones, skirtas anksti ir tiksliai valdyti maliarijos protrūkius.
"Tikrasis patrauklumas slypi gebėjime analizuoti praktiškai bet kurioje Žemės vietoje dėl sparčios Žemės stebėjimo pažangos, gilaus mokymosi ir dirbtinio intelekto bei didelio našumo kompiuterių. Tai gali paskatinti tikslingesnes intervencijas ir geriau paskirstyti ištekliai, skirti išnaikinti maliariją ir pagerinti visuomenės sveikatos rezultatus visame pasaulyje.“