Η τεχνητή νοημοσύνη προβλέπει κρούσματα ελονοσίας στη Νότια Ασία
Τελευταία επισκόπηση: 14.06.2024
Όλα τα περιεχόμενα του iLive ελέγχονται ιατρικά ή ελέγχονται για να διασφαλιστεί η όσο το δυνατόν ακριβέστερη ακρίβεια.
Έχουμε αυστηρές κατευθυντήριες γραμμές προμήθειας και συνδέουμε μόνο με αξιόπιστους δικτυακούς τόπους πολυμέσων, ακαδημαϊκά ερευνητικά ιδρύματα και, όπου είναι δυνατόν, ιατρικά επισκοπικά μελέτες. Σημειώστε ότι οι αριθμοί στις παρενθέσεις ([1], [2], κλπ.) Είναι σύνδεσμοι με τις οποίες μπορείτε να κάνετε κλικ σε αυτές τις μελέτες.
Εάν πιστεύετε ότι κάποιο από το περιεχόμενό μας είναι ανακριβές, παρωχημένο ή αμφισβητήσιμο, παρακαλώ επιλέξτε το και πατήστε Ctrl + Enter.
Ερευνητές από το NDORMS, σε συνεργασία με διεθνή ιδρύματα, έχουν αποδείξει τη δυνατότητα χρήσης περιβαλλοντικών μετρήσεων και μοντέλων βαθιάς μάθησης για την πρόβλεψη επιδημιών ελονοσίας στη Νότια Ασία. Η μελέτη προσφέρει πολλά υποσχόμενες προοπτικές για τη βελτίωση των συστημάτων έγκαιρης προειδοποίησης για μια από τις πιο θανατηφόρες ασθένειες στον κόσμο.
ΗΗ ελονοσία παραμένει ένα σημαντικό παγκόσμιο πρόβλημα υγείας, με τον κίνδυνο μόλυνσης να επηρεάζει περίπου το ήμισυ του παγκόσμιου πληθυσμού, ειδικά στην Αφρική και τη Νότια Ασία. Αν και η ελονοσία μπορεί να προληφθεί, η μεταβλητή φύση του κλίματος, οι κοινωνικοδημογραφικοί και περιβαλλοντικοί παράγοντες κινδύνου καθιστούν δύσκολη την πρόβλεψη των επιδημιών.
Μια ομάδα ερευνητών με επικεφαλής την αναπληρώτρια καθηγήτρια Sarah Khalid από την ομάδα NDORMS Planetary Health Informatics, Πανεπιστήμιο της Οξφόρδης, σε συνεργασία με το Πανεπιστήμιο Επιστημών Διοίκησης της Λαχώρης, προσπάθησαν να λύσουν αυτό το πρόβλημα και να διερευνήσουν εάν μια προσέγγιση μηχανικής μάθησης βασισμένη στο περιβάλλον θα μπορούσε προσφέρουν δυνατότητες για εργαλεία έγκαιρης προειδοποίησης για την ελονοσία.
Ανάπτυξαν ένα πολυμεταβλητό μοντέλο LSTM (M-LSTM) που ανέλυσε ταυτόχρονα περιβαλλοντικούς δείκτες, όπως θερμοκρασία, βροχόπτωση, μετρήσεις βλάστησης και δεδομένα φωτός τη νύχτα για να προβλέψει τη συχνότητα εμφάνισης ελονοσίας στη ζώνη της Νότιας Ασίας που καλύπτει το Πακιστάν, την Ινδία και το Μπαγκλαντές.
Τα δεδομένα συγκρίθηκαν με τα ποσοστά εμφάνισης ελονοσίας σε επίπεδο κομητείας για κάθε χώρα μεταξύ 2000 και 2017, τα οποία ελήφθησαν από τα σύνολα δεδομένων δημογραφικών και ερευνών υγείας της Υπηρεσίας Διεθνούς Ανάπτυξης των ΗΠΑ.
Αποτελέσματα που δημοσιεύθηκαν στο The Lancet Planetary Health δείχνουν ότι το προτεινόμενο μοντέλο M-LSTM ξεπερνά σταθερά το παραδοσιακό μοντέλο LSTM με σφάλματα 94,5%, 99, 7% και 99,8 % είναι χαμηλότερα για το Πακιστάν, την Ινδία και το Μπαγκλαντές αντίστοιχα.
Συνολικά, επιτεύχθηκε υψηλότερη ακρίβεια και μείωση σφαλμάτων με την αυξανόμενη πολυπλοκότητα του μοντέλου, υπογραμμίζοντας την αποτελεσματικότητα της προσέγγισης.
Η Sarah εξήγησε: «Αυτή η προσέγγιση είναι καθολική και επομένως η μοντελοποίησή μας έχει σημαντικές επιπτώσεις στην πολιτική δημόσιας υγείας. Για παράδειγμα, θα μπορούσε να εφαρμοστεί σε άλλες μολυσματικές ασθένειες ή να κλιμακωθεί σε άλλες περιοχές υψηλού κινδύνου με δυσανάλογα υψηλή συχνότητα εμφάνισης και θνησιμότητα από ελονοσία σε περιοχές της ΠΟΥ στην Αφρική.
"Η πραγματική έλξη έγκειται στην ικανότητα ανάλυσης σχεδόν οπουδήποτε στη Γη χάρη στην ταχεία πρόοδο στην παρατήρηση της Γης, τη βαθιά μάθηση και την τεχνητή νοημοσύνη και τη διαθεσιμότητα υπολογιστών υψηλής απόδοσης. Αυτό θα μπορούσε να οδηγήσει σε πιο στοχευμένες παρεμβάσεις και καλύτερη κατανομή πόρους στις συνεχείς προσπάθειες εξάλειψης της ελονοσίας και στη βελτίωση των αποτελεσμάτων της δημόσιας υγείας σε όλο τον κόσμο."