Kaikki iLive-sisältö tarkistetaan lääketieteellisesti tai se tarkistetaan tosiasiallisen tarkkuuden varmistamiseksi.
Meillä on tiukat hankintaohjeet ja vain linkki hyvämaineisiin mediasivustoihin, akateemisiin tutkimuslaitoksiin ja mahdollisuuksien mukaan lääketieteellisesti vertaisarvioituihin tutkimuksiin. Huomaa, että suluissa ([1], [2] jne.) Olevat numerot ovat napsautettavia linkkejä näihin tutkimuksiin.
Jos sinusta tuntuu, että jokin sisältö on virheellinen, vanhentunut tai muuten kyseenalainen, valitse se ja paina Ctrl + Enter.
Tekoäly ennustaa malariaepidemioita Etelä-Aasiassa
Viimeksi tarkistettu: 02.07.2025
NDORMS:n tutkijat ovat yhteistyössä kansainvälisten instituutioiden kanssa osoittaneet ympäristömittausten ja syväoppimismallien käytön potentiaalin malarian puhkeamisen ennustamisessa Etelä-Aasiassa. Tutkimus tarjoaa rohkaisevia näkymiä yhden maailman tappavimmista taudeista varhaisvaroitusjärjestelmien parantamiseksi.
Malaria on edelleen merkittävä maailmanlaajuinen terveysongelma, ja noin puolet maailman väestöstä on tartuntariskissä, erityisesti Afrikassa ja Etelä-Aasiassa. Vaikka malaria on ehkäistävissä, ilmaston, sosiodemografisten ja ympäristöön liittyvien riskitekijöiden vaihteleva luonne tekee epidemioiden ennustamisesta vaikeaa.
Oxfordin yliopiston NDORMS Planetary Health Informatics Groupin apulaisprofessori Sarah Khalidin johtama tutkijaryhmä pyrki yhteistyössä Lahoren hallintotieteiden yliopiston kanssa ratkaisemaan tämän ongelman ja selvittämään, voisiko ympäristöön perustuva koneoppimismenetelmä tarjota potentiaalia paikkakohtaisille malarian varhaisvaroitustyökaluille.
He kehittivät monimuuttujaisen LSTM-mallin (M-LSTM), joka analysoi samanaikaisesti ympäristömittareita, kuten lämpötilaa, sademäärää, kasvillisuuden mittauksia ja yöaikaista valodataa, ennustaakseen malarian ilmaantuvuutta Etelä-Aasian vyöhykkeellä, joka ulottuu Pakistaniin, Intiaan ja Bangladeshiin.
Tietoja verrattiin kunkin maan piiritason malarian ilmaantuvuuslukuihin vuosina 2000–2017, jotka saatiin Yhdysvaltain kansainvälisen kehityksen viraston (Agency for International Development) väestö- ja terveystutkimusten aineistoista.
The Lancet Planetary Health -lehdessä julkaistut tulokset osoittavat, että ehdotettu M-LSTM-malli suoriutuu johdonmukaisesti perinteisestä LSTM-mallista paremmin, sillä sen virhemarginaalit ovat Pakistanissa 94,5 %, Intiassa 99,7 % ja Bangladeshissa 99,8 % pienemmät.
Kaiken kaikkiaan mallin monimutkaisuuden kasvaessa saavutettiin suurempi tarkkuus ja vähentyneet virheet, mikä korostaa lähestymistavan tehokkuutta.
Sarah selitti: ”Tämä lähestymistapa on yleistettävissä, joten mallinnuksellamme on merkittäviä vaikutuksia kansanterveyspolitiikkaan. Sitä voitaisiin esimerkiksi soveltaa muihin tartuntatauteihin tai laajentaa muille korkean riskin alueille, joilla on suhteettoman korkea malarian sairastuvuus ja kuolleisuus WHO:n alueilla Afrikassa. Se voisi auttaa päätöksentekijöitä toteuttamaan ennakoivampia toimenpiteitä malarian puhkeamisen hallitsemiseksi varhaisessa vaiheessa ja tarkasti.”
"Todellinen vetovoima on kyky analysoida käytännössä missä tahansa maapallolla kaukokartoituksen, syväoppimisen ja tekoälyn nopean kehityksen sekä tehokkaiden tietokoneiden saatavuuden ansiosta. Tämä voisi johtaa kohdennetumpiin interventioihin ja resurssien parempaan kohdentamiseen jatkuvassa pyrkimyksessä hävittää malaria ja parantaa kansanterveystilannetta maailmanlaajuisesti."