Hinuhulaan ng artificial intelligence ang paglaganap ng malaria sa Timog Asya
Huling nasuri: 14.06.2024
Ang lahat ng nilalaman ng iLive ay medikal na nasuri o naka-check ang katotohanan upang masiguro ang mas tumpak na katumpakan hangga't maaari.
Mayroon kaming mahigpit na mga panuntunan sa pag-uukulan at nag-uugnay lamang sa mga kagalang-galang na mga site ng media, mga institusyong pang-akademikong pananaliksik at, hangga't maaari, ang mga pag-aaral ng medikal na pag-aaral. Tandaan na ang mga numero sa panaklong ([1], [2], atbp) ay maaaring i-click na mga link sa mga pag-aaral na ito.
Kung sa tingin mo na ang alinman sa aming nilalaman ay hindi tumpak, hindi napapanahon, o kung hindi pinag-uusapan, mangyaring piliin ito at pindutin ang Ctrl + Enter.
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. Nag-aalok ang pag-aaral ng mga magagandang prospect para sa pagpapabuti ng mga sistema ng maagang babala para sa isa sa mga pinakanakamamatay na sakit sa mundo.
Malaria ay nananatiling isang makabuluhang pandaigdigang problema sa kalusugan, na may panganib ng impeksyon na nakakaapekto sa humigit-kumulang kalahati ng populasyon ng mundo, 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.
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 lutasin ang problemang ito at tuklasin kung ang isang environment-based na machine learning approach ay maaaring nag-aalok ng potensyal para sa mga tool na partikular sa site na maagang babala para sa malaria.
Bumuo sila ng multivariate na modelo ng LSTM (M-LSTM) na sabay-sabay na nagsuri ng mga tagapagpahiwatig ng kapaligiran kabilang ang temperatura, pag-ulan, mga sukat ng halaman at data ng liwanag sa gabi upang mahulaan ang insidente ng malaria sa South Asian belt na sumasaklaw sa Pakistan, India at Bangladesh.
Inihambing ang data sa mga rate ng saklaw ng malaria sa antas ng county para sa bawat bansa sa pagitan ng 2000 at 2017, na nakuha mula sa mga dataset ng Demographic at Health Survey ng US Agency for International Development.
Ang mga resultang na-publish sa The Lancet Planetary Health ay nagpapakita na ang iminungkahing M-LSTM na modelo ay patuloy na nangunguna sa tradisyunal na modelo ng LSTM na may mga error na 94.5%, 99. 7% at 99.8 % ay mas mababa para sa Pakistan, India at Bangladesh ayon sa pagkakabanggit.
Sa pangkalahatan, nakamit ang mas mataas na katumpakan at pagbawas ng error sa pagtaas ng pagiging kumplikado ng modelo, na nagha-highlight sa pagiging epektibo ng diskarte.
Paliwanag ni Sarah: "Ang diskarte na ito ay pangkalahatan at samakatuwid 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 up sa iba pang mga lugar na may mataas na peligro na may hindi katimbang na mataas na insidente at mortalidad mula sa malaria sa mga rehiyon WHO sa Africa Makakatulong ito sa mga gumagawa ng desisyon na magpatupad ng mas maagap na mga hakbang upang pamahalaan ang mga paglaganap ng malaria nang maaga at tumpak.
"Ang tunay na atraksyon ay nakasalalay sa kakayahang magsuri halos saanman sa Earth salamat sa mabilis na pag-unlad sa pagmamasid sa Earth, malalim na pag-aaral at AI, at ang pagkakaroon ng mga computer na may mataas na pagganap. Ito ay maaaring humantong sa mas naka-target na mga interbensyon at mas mahusay na paglalaan ng mga mapagkukunan sa patuloy na pagsusumikap sa pagpuksa sa malaria at pagpapabuti ng mga resulta ng pampublikong kalusugan sa buong mundo."