Вештачка интелигенција предвиђа избијање маларије у Јужној Азији
Последње прегледано: 14.06.2024
Сви иЛиве садржаји су медицински прегледани или проверени како би се осигурала што већа тачност.
Имамо стриктне смјернице за набавку и само линкамо на угледне медијске странице, академске истраживачке институције и, кад год је то могуће, медицински прегледане студије. Имајте на уму да су бројеви у заградама ([1], [2], итд.) Везе које се могу кликнути на ове студије.
Ако сматрате да је било који од наших садржаја нетачан, застарио или на неки други начин упитан, одаберите га и притисните Цтрл + Ентер.
Истраживачи из НДОРМС-а, у сарадњи са међународним институцијама, показали су потенцијал коришћења мерења животне средине и модела дубоког учења за предвиђање избијања маларије у Јужној Азији. Студија нуди обећавајуће изгледе за побољшање система раног упозорења за једну од најсмртоноснијих болести на свету.
Маларија остаје значајан глобални здравствени проблем, са ризиком од инфекције који погађа отприлике половину светске популације, посебно у Африци и Јужној Азији. Иако се маларија може спречити, променљива природа климатских, социодемографских и еколошких фактора ризика отежава предвиђање избијања.
Тим истраживача на челу са ванредном професорком Сарах Кхалид из НДОРМС Планетари Хеалтх Информатицс Гроуп, Универзитет у Оксфорду, у сарадњи са Лахоре Университи оф Манагемент Сциенцес, покушао је да реши овај проблем и истражи да ли приступ машинског учења заснованог на окружењу може нуде потенцијал за алате за рано упозорење на маларију за специфичну локацију.
Развили су мултиваријантни ЛСТМ модел (М-ЛСТМ) који је истовремено анализирао индикаторе животне средине, укључујући температуру, падавине, мерења вегетације и податке о ноћном осветљењу како би предвидели појаву маларије у јужноазијском појасу који покрива Пакистан, Индију и Бангладеш.
Подаци су упоређени са стопама инциденције маларије на нивоу округа за сваку земљу између 2000. И 2017. Године, добијене из скупова података демографских и здравствених истраживања Америчке агенције за међународни развој.
Резултати објављени у Тхе Ланцет Планетари Хеалтх показују да предложени М-ЛСТМ модел доследно надмашује традиционални ЛСТМ модел са грешкама од 94,5%, 99,7% и 99,8 % су нижи за Пакистан, Индију и Бангладеш.
Све у свему, већа прецизност и смањење грешака постигнути су повећањем сложености модела, наглашавајући ефикасност приступа.
Сара је објаснила: „Овај приступ је универзалан и стога наше моделирање има значајне импликације на политику јавног здравља. На пример, може се применити на друге заразне болести или проширити на друга подручја високог ризика са несразмерно високом инциденцом и морталитетом од маларије у регионима СЗО у Африци. Ово може помоћи доносиоцима одлука да спроводе проактивније мере за рано и прецизно управљање епидемијама маларије.
„Права привлачност лежи у могућности да се анализира практично било где на Земљи захваљујући брзом напретку у посматрању Земље, дубоком учењу и вештачкој интелигенцији, као и доступности рачунара високих перформанси. Ово би могло довести до циљанијих интервенција и боље алокације ресурсе у текућим напорима на искорењивању маларије и побољшању резултата јавног здравља широм света."