Visi iLive saturs ir medicīniski pārskatīts vai pārbaudīts, lai nodrošinātu pēc iespējas lielāku faktisko precizitāti.
Mums ir stingras iegādes vadlīnijas un tikai saikne ar cienījamiem mediju portāliem, akadēmiskām pētniecības iestādēm un, ja vien iespējams, medicīniski salīdzinošiem pārskatiem. Ņemiet vērā, ka iekavās ([1], [2] uc) esošie numuri ir klikšķi uz šīm studijām.
Ja uzskatāt, ka kāds no mūsu saturiem ir neprecīzs, novecojis vai citādi apšaubāms, lūdzu, atlasiet to un nospiediet Ctrl + Enter.
Mākslīgais intelekts prognozē malārijas uzliesmojumus Dienvidāzijā
Pēdējā pārskatīšana: 02.07.2025
NDORMS pētnieki sadarbībā ar starptautiskām institūcijām ir pierādījuši vides mērījumu un dziļās mācīšanās modeļu potenciālu, lai prognozētu malārijas uzliesmojumus Dienvidāzijā. Pētījums piedāvā iepriecinošas perspektīvas agrīnās brīdināšanas sistēmu uzlabošanai attiecībā uz vienu no pasaulē nāvējošākajām slimībām.
Malārija joprojām ir nozīmīga globāla veselības problēma, un aptuveni puse pasaules iedzīvotāju ir pakļauti inficēšanās riskam, īpaši Āfrikā un Dienvidāzijā. Lai gan malārija ir novēršama, klimata, sociodemogrāfisko un vides riska faktoru mainīgais raksturs apgrūtina uzliesmojumu prognozēšanu.
Pētnieku komanda, kuru vadīja asociētā profesore Sāra Halida no Oksfordas Universitātes NDORMS Planetārās veselības informātikas grupas, sadarbībā ar Lahoras Vadības zinātņu universitāti centās risināt šo problēmu un izpētīt, vai uz vidi balstīta mašīnmācīšanās pieeja varētu piedāvāt potenciālu vietai specifiskiem agrīnās brīdināšanas rīkiem malārijas apkarošanai.
Viņi izstrādāja daudzfaktoru LSTM (M-LSTM) modeli, kas vienlaikus analizēja vides rādītājus, tostarp temperatūru, nokrišņus, veģetācijas mērījumus un nakts gaismas datus, lai prognozētu malārijas izplatību Dienvidāzijas joslā, kas aptver Pakistānu, Indiju un Bangladešu.
Dati tika salīdzināti ar malārijas saslimstības rādītājiem rajona līmenī katrā valstī laikā no 2000. līdz 2017. gadam, kas iegūti no Amerikas Savienoto Valstu Starptautiskās attīstības aģentūras Demogrāfisko un veselības apsekojumu datu kopām.
Rezultāti, kas publicēti žurnālā “The Lancet Planetary Health”, liecina, ka ierosinātais M-LSTM modelis pastāvīgi pārspēj tradicionālo LSTM modeli ar attiecīgi par 94,5 %, 99,7 % un 99,8 % zemākām kļūdām Pakistānā, Indijā un Bangladešā.
Kopumā, palielinoties modeļa sarežģītībai, tika panākta lielāka precizitāte un samazinātas kļūdas, kas uzsver šīs pieejas efektivitāti.
Sāra paskaidroja: “Šī pieeja ir vispārināma, tāpēc mūsu modelēšanai ir būtiska ietekme uz sabiedrības veselības politiku. Piemēram, to varētu piemērot citām infekcijas slimībām vai paplašināt uz citām augsta riska zonām ar nesamērīgi augstu malārijas saslimstību un mirstību PVO reģionos Āfrikā. Tas varētu palīdzēt lēmumu pieņēmējiem īstenot proaktīvākus pasākumus, lai agrīni un precīzi pārvaldītu malārijas uzliesmojumus.”
"Pateicoties straujajai Zemes novērošanas, dziļās mācīšanās un mākslīgā intelekta attīstībai, kā arī augstas veiktspējas datoru pieejamībai, patiesā pievilcība ir spēja analizēt praktiski jebkuru vietu uz Zemes. Tas varētu novest pie mērķtiecīgākām intervencēm un labākas resursu sadales pastāvīgajos centienos izskaust malāriju un uzlabot sabiedrības veselības rezultātus visā pasaulē."