Новые публикации
Искусственный интеллект прогнозирует вспышки малярии в Южной Азии
Последняя редакция: 14.06.2024
Весь контент Web2Health проверяется медицинскими экспертами, чтобы обеспечить максимально возможную точность и соответствие фактам.
У нас есть строгие правила по выбору источников информации и мы ссылаемся только на авторитетные сайты, академические исследовательские институты и, по возможности, доказанные медицинские исследования. Обратите внимание, что цифры в скобках ([1], [2] и т. д.) являются интерактивными ссылками на такие исследования.
Если вы считаете, что какой-либо из наших материалов является неточным, устаревшим или иным образом сомнительным, выберите его и нажмите Ctrl + Enter.
Исследователи из NDORMS в сотрудничестве с международными институтами продемонстрировали потенциал использования экологических измерений и моделей глубокого обучения для прогнозирования вспышек малярии в Южной Азии. Исследование предлагает обнадеживающие перспективы для улучшения систем раннего предупреждения одной из самых смертоносных болезней в мире.
Малярия остается значительной глобальной проблемой здравоохранения, с риском заражения для приблизительно половины населения мира, особенно в странах Африки и Южной Азии. Несмотря на то, что малярия является предотвратимой, изменчивый характер климатических, социально-демографических и экологических факторов риска делает прогнозирование вспышек затруднительным.
Группа исследователей под руководством доцента Сары Халид из Группы планетарной здравоохранительной информатики NDORMS, Оксфордского университета, в сотрудничестве с Лахорским университетом управления науками, стремилась решить эту проблему и исследовать, может ли подход машинного обучения, основанный на окружающей среде, предложить потенциал для инструментов раннего предупреждения, специфичных для конкретного места, для малярии.
Они разработали многомерную модель LSTM (M-LSTM), которая одновременно анализировала экологические показатели, включая температуру, количество осадков, измерения растительности и данные о ночном освещении для прогнозирования заболеваемости малярией в поясе Южной Азии, охватывающем Пакистан, Индию и Бангладеш.
Данные были сопоставлены с уровнями заболеваемости малярией на уровне округов для каждой страны в период с 2000 по 2017 годы, полученные из наборов данных демографических и здравоохранительных исследований Агентства США по международному развитию.
Результаты, опубликованные в журнале The Lancet Planetary Health, показывают, что предложенная модель M-LSTM постоянно превосходит традиционную модель LSTM с ошибками на 94,5%, 99,7% и 99,8% ниже для Пакистана, Индии и Бангладеша соответственно.
В целом, более высокая точность и снижение ошибок были достигнуты с увеличением сложности модели, что подчеркивает эффективность подхода.
Сара объяснила: "Этот подход является универсальным, и поэтому наше моделирование имеет значительные последствия для политики общественного здравоохранения. Например, его можно применить к другим инфекционным заболеваниям или масштабировать до других зон высокого риска с непропорционально высокой заболеваемостью и смертностью от малярии в регионах ВОЗ в Африке. Это может помочь лицам, принимающим решения, внедрить более проактивные меры для управления вспышками малярии рано и точно.
"Настоящее привлечение заключается в возможности анализировать практически везде на Земле благодаря быстрым достижениям в области наблюдения за Землей, глубокого обучения и ИИ, а также доступности высокопроизводительных компьютеров. Это может привести к более целенаправленным вмешательствам и лучшему распределению ресурсов в продолжающихся усилиях по искоренению малярии и улучшению результатов в области общественного здравоохранения во всем мире."