Penerbitan baru
Kecerdasan buatan meramalkan wabak malaria di Asia Selatan
Ulasan terakhir: 02.07.2025
Semua kandungan iLive disemak secara perubatan atau fakta diperiksa untuk memastikan ketepatan faktual sebanyak mungkin.
Kami mempunyai garis panduan sumber yang ketat dan hanya memautkan ke tapak media yang bereputasi, institusi penyelidikan akademik dan, apabila mungkin, dikaji semula kajian secara medis. Perhatikan bahawa nombor dalam kurungan ([1], [2], dan lain-lain) boleh diklik pautan ke kajian ini.
Jika anda merasakan bahawa mana-mana kandungan kami tidak tepat, ketinggalan zaman, atau tidak dipersoalkan, sila pilih dan tekan Ctrl + Enter.
Penyelidik dari NDORMS, dengan kerjasama institusi antarabangsa, telah menunjukkan potensi menggunakan pengukuran alam sekitar dan model pembelajaran mendalam untuk meramalkan wabak malaria di Asia Selatan. Kajian itu menawarkan prospek yang menggalakkan untuk menambah baik sistem amaran awal untuk salah satu penyakit paling mematikan di dunia.
Malaria kekal sebagai masalah kesihatan global yang ketara, dengan kira-kira separuh penduduk dunia berisiko dijangkiti, terutamanya di Afrika dan Asia Selatan. Walaupun malaria boleh dicegah, faktor risiko iklim, sosiodemografi dan persekitaran yang berubah-ubah menjadikan meramalkan wabak sukar.
Pasukan penyelidik yang diketuai oleh Profesor Madya Sarah Khalid dari NDORMS Planetary Health Informatics Group, University of Oxford, dengan kerjasama Universiti Sains Pengurusan Lahore, berusaha untuk menangani isu ini dan menyiasat sama ada pendekatan pembelajaran mesin berasaskan alam sekitar boleh menawarkan potensi alat amaran awal khusus tempat untuk malaria.
Mereka membangunkan model LSTM (M-LSTM) multivariate yang menganalisis metrik alam sekitar secara serentak termasuk suhu, hujan, ukuran tumbuh-tumbuhan dan data cahaya waktu malam untuk meramalkan kejadian malaria di kawasan Asia Selatan yang merangkumi Pakistan, India dan Bangladesh.
Data tersebut dibandingkan dengan kadar kejadian malaria peringkat daerah bagi setiap negara antara 2000 dan 2017, yang diperoleh daripada set data Tinjauan Demografi dan Kesihatan Agensi Amerika Syarikat untuk Pembangunan Antarabangsa.
Hasilnya, yang diterbitkan dalam The Lancet Planetary Health, menunjukkan bahawa model M-LSTM yang dicadangkan secara konsisten mengatasi model LSTM tradisional dengan ralat 94.5%, 99.7% dan 99.8% lebih rendah untuk Pakistan, India dan Bangladesh, masing-masing.
Secara keseluruhan, ketepatan yang lebih tinggi dan ralat yang dikurangkan telah dicapai dengan peningkatan kerumitan model, menyerlahkan keberkesanan pendekatan.
Sarah menjelaskan: "Pendekatan ini boleh digeneralisasikan, jadi pemodelan kami mempunyai implikasi yang ketara untuk dasar kesihatan awam. Contohnya, ia boleh digunakan untuk penyakit berjangkit lain atau ditingkatkan ke kawasan lain yang berisiko tinggi dengan morbiditi dan mortaliti malaria yang tidak seimbang di wilayah WHO di Afrika. Ia boleh membantu pembuat keputusan melaksanakan langkah yang lebih proaktif untuk menguruskan wabak malaria secara lebih awal.
"Rayuan sebenar adalah keupayaan untuk menganalisis hampir di mana-mana di Bumi terima kasih kepada kemajuan pesat dalam pemerhatian Bumi, pembelajaran mendalam dan AI, serta ketersediaan komputer berprestasi tinggi. Ini boleh membawa kepada campur tangan yang lebih disasarkan dan peruntukan sumber yang lebih baik dalam usaha berterusan untuk membasmi malaria dan meningkatkan hasil kesihatan awam di seluruh dunia."