Kecerdasan buatan meramalkan wabak malaria di Asia Selatan
Ulasan terakhir: 14.06.2024
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 menjanjikan untuk menambah baik sistem amaran awal bagi salah satu penyakit paling mematikan di dunia.
Malaria kekal sebagai masalah kesihatan global yang ketara, dengan risiko jangkitan menjejaskan kira-kira separuh daripada penduduk dunia, 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 menyelesaikan masalah ini dan meneroka sama ada pendekatan pembelajaran mesin berasaskan alam sekitar boleh menawarkan potensi untuk alat amaran awal khusus tapak untuk malaria.
Mereka membangunkan model LSTM multivariate (M-LSTM) yang menganalisis penunjuk alam sekitar secara serentak termasuk suhu, hujan, ukuran tumbuh-tumbuhan dan data cahaya waktu malam untuk meramalkan kejadian malaria di kawasan Asia Selatan yang meliputi Pakistan, India dan Bangladesh.
Data tersebut dibandingkan dengan kadar kejadian malaria peringkat daerah bagi setiap negara antara tahun 2000 dan 2017, yang diperoleh daripada set data Tinjauan Demografi dan Kesihatan Agensi AS untuk Pembangunan Antarabangsa.
Keputusan 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 % adalah lebih rendah untuk Pakistan, India dan Bangladesh masing-masing.
Secara keseluruhan, ketepatan yang lebih tinggi dan pengurangan ralat telah dicapai dengan peningkatan kerumitan model, menyerlahkan keberkesanan pendekatan.
Sarah menjelaskan: “Pendekatan ini bersifat universal dan oleh itu pemodelan kami mempunyai implikasi yang signifikan terhadap dasar kesihatan awam. Sebagai contoh, ia boleh digunakan untuk penyakit berjangkit lain atau ditingkatkan ke kawasan lain yang berisiko tinggi dengan insiden dan kematian yang tidak seimbang daripada malaria yang tinggi di wilayah WHO di Afrika Ini boleh membantu pembuat keputusan melaksanakan langkah yang lebih proaktif untuk menguruskan wabak malaria lebih awal dan tepat.
"Tarikan sebenar terletak pada keupayaan untuk menganalisis hampir di mana-mana di Bumi berkat kemajuan pesat dalam pemerhatian Bumi, pembelajaran mendalam dan AI, dan ketersediaan komputer berprestasi tinggi. Ini boleh membawa kepada campur tangan yang lebih disasarkan dan peruntukan yang lebih baik daripada sumber dalam usaha membasmi malaria yang berterusan dan meningkatkan hasil kesihatan awam di seluruh dunia."