Hinuhulaan ng artificial intelligence ang paglaganap ng malaria sa Timog Asya

Ang mga mananaliksik mula sa NDORMS, sa pakikipagtulungan sa mga internasyonal na institusyon, ay nagpakita ng potensyal ng paggamit ng mga pagsukat sa kapaligiran at mga modelo ng malalim na pag-aaral upang mahulaan ang paglaganap ng malaria sa Timog Asya. Ang pag-aaral ay nag-aalok ng paghihikayat ng mga prospect para sa pagpapabuti ng maagang mga sistema ng babala para sa isa sa mga nakamamatay na sakit sa mundo.

Ang malaria ay nananatiling isang makabuluhang pandaigdigang problema sa kalusugan, na may humigit-kumulang kalahati ng populasyon ng mundo na nasa panganib ng impeksyon, lalo na sa Africa at South Asia. Bagama't maiiwasan ang malaria, ang pabagu-bagong katangian ng klima, sosyodemograpiko at mga salik sa panganib sa kapaligiran ay nagpapahirap sa paghula ng mga paglaganap.

Ang isang pangkat ng mga mananaliksik na pinamumunuan ni Associate Professor Sarah Khalid mula sa NDORMS Planetary Health Informatics Group, University of Oxford, sa pakikipagtulungan sa Lahore University of Management Sciences, ay naghangad na tugunan ang isyung ito at imbestigahan kung ang isang environment-based na machine learning approach ay maaaring mag-alok ng potensyal para sa mga tool sa maagang babala na partikular sa lugar para sa malaria.

Bumuo sila ng multivariate na modelo ng LSTM (M-LSTM) na sabay-sabay na nagsuri ng mga sukatan sa kapaligiran kabilang ang temperatura, pag-ulan, mga sukat ng halaman, at data ng liwanag sa gabi upang mahulaan ang insidente ng malaria sa isang South Asian belt na sumasaklaw sa Pakistan, India, at Bangladesh.

Inihambing ang data sa mga rate ng insidente ng malaria sa antas ng distrito para sa bawat bansa sa pagitan ng 2000 at 2017, na nakuha mula sa mga dataset ng Demographic and Health Surveys ng United States Agency for International Development.

Ang mga resulta, na inilathala sa The Lancet Planetary Health, ay nagpapakita na ang iminungkahing M-LSTM na modelo ay patuloy na lumalampas sa tradisyonal na modelo ng LSTM na may 94.5%, 99.7%, at 99.8% na mas mababang mga error para sa Pakistan, India, at Bangladesh, ayon sa pagkakabanggit.

Sa pangkalahatan, ang mas mataas na katumpakan at pinababang mga error ay nakamit sa pagtaas ng pagiging kumplikado ng modelo, na nagha-highlight sa pagiging epektibo ng diskarte.

Ipinaliwanag ni Sarah: "Ang diskarte na ito ay pangkalahatan, at kaya ang aming pagmomodelo ay may malaking implikasyon para sa patakaran sa pampublikong kalusugan. Halimbawa, maaari itong ilapat sa iba pang mga nakakahawang sakit o i-scale hanggang sa iba pang mga lugar na may mataas na panganib na may hindi katimbang na mataas na malaria morbidity at mortality sa mga rehiyon ng WHO sa Africa. Makakatulong ito sa mga gumagawa ng desisyon na magpatupad ng mas maagang at tumpak na mga hakbang sa paglaganap ng malaria.

"Ang tunay na apela ay ang kakayahang mag-analisa ng halos kahit saan sa Earth salamat sa mabilis na pag-unlad sa pagmamasid sa Earth, malalim na pag-aaral at AI, pati na rin ang pagkakaroon ng mga high-performance na computer. Ito ay maaaring humantong sa mas naka-target na mga interbensyon at mas mahusay na paglalaan ng mga mapagkukunan sa patuloy na pagsisikap na puksain ang malaria at mapabuti ang mga resulta ng pampublikong kalusugan sa buong mundo."