Kunstmatige intelligentie voorspelt malaria-uitbraken in Zuid-Azië
Laatst beoordeeld: 14.06.2024
Alle iLive-inhoud wordt medisch beoordeeld of gecontroleerd op feiten om zo veel mogelijk feitelijke nauwkeurigheid te waarborgen.
We hebben strikte richtlijnen voor sourcing en koppelen alleen aan gerenommeerde mediasites, academische onderzoeksinstellingen en, waar mogelijk, medisch getoetste onderzoeken. Merk op dat de nummers tussen haakjes ([1], [2], etc.) klikbare links naar deze studies zijn.
Als u van mening bent dat onze inhoud onjuist, verouderd of anderszins twijfelachtig is, selecteert u deze en drukt u op Ctrl + Enter.
Onderzoekers van NDORMS hebben in samenwerking met internationale instellingen het potentieel aangetoond van het gebruik van milieumetingen en diepgaande leermodellen om malaria-uitbraken in Zuid-Azië te voorspellen. De studie biedt veelbelovende perspectieven voor het verbeteren van systemen voor vroegtijdige waarschuwing voor een van de dodelijkste ziekten ter wereld.
Malaria blijft een aanzienlijk mondiaal gezondheidsprobleem, waarbij het risico op infectie ongeveer de helft van de wereldbevolking treft, vooral in Afrika en Zuid-Azië. Hoewel malaria te voorkomen is, maakt de variabele aard van klimaat-, sociaal-demografische en ecologische risicofactoren het voorspellen van uitbraken lastig.
Een team van onderzoekers onder leiding van universitair hoofddocent Sarah Khalid van de NDORMS Planetary Health Informatics Group, Universiteit van Oxford, in samenwerking met Lahore University of Management Sciences, probeerde dit probleem op te lossen en te onderzoeken of een op de omgeving gebaseerde benadering van machinaal leren zou kunnen bieden mogelijkheden voor instrumenten voor locatiespecifieke vroegtijdige waarschuwing voor malaria.
Ze ontwikkelden een multivariaat LSTM-model (M-LSTM) dat tegelijkertijd milieu-indicatoren analyseerde, waaronder temperatuur, regenval, vegetatiemetingen en nachtelijke lichtgegevens om de incidentie van malaria te voorspellen in de Zuid-Aziatische gordel die Pakistan, India en Bangladesh omvat.
De gegevens werden vergeleken met de malaria-incidentiecijfers op provinciaal niveau voor elk land tussen 2000 en 2017, verkregen uit de datasets van de Demographic and Health Surveys van het US Agency for International Development.
Resultaten gepubliceerd in The Lancet Planetary Health laten zien dat het voorgestelde M-LSTM-model consequent beter presteert dan het traditionele LSTM-model met fouten van 94,5%, 99,7% en 99,8 % is lager voor respectievelijk Pakistan, India en Bangladesh.
Over het geheel genomen werden hogere nauwkeurigheid en foutreductie bereikt met de toenemende complexiteit van het model, wat de effectiviteit van de aanpak benadrukt.
Sarah legde uit: “Deze aanpak is universeel en daarom heeft onze modellering aanzienlijke implicaties voor het volksgezondheidsbeleid. Het zou bijvoorbeeld kunnen worden toegepast op andere infectieziekten of kunnen worden opgeschaald naar andere risicogebieden met een onevenredig hoge incidentie en mortaliteit als gevolg van malaria in regio's van de WHO in Afrika. Dit kan besluitvormers helpen proactievere maatregelen te implementeren om malaria-uitbraken vroegtijdig en nauwkeurig te beheersen.
"De echte aantrekkingskracht ligt in de mogelijkheid om vrijwel overal op aarde te analyseren dankzij de snelle vooruitgang op het gebied van aardobservatie, deep learning en AI, en de beschikbaarheid van krachtige computers. Dit zou kunnen leiden tot meer gerichte interventies en een betere toewijzing van middelen voor de voortdurende uitroeiing van malaria en het verbeteren van de volksgezondheidsresultaten over de hele wereld."