Neue Veröffentlichungen
Künstliche Intelligenz sagt Malariaausbrüche in Südasien voraus
Zuletzt überprüft: 02.07.2025
Alle iLive-Inhalte werden medizinisch überprüft oder auf ihre Richtigkeit überprüft.
Wir haben strenge Beschaffungsrichtlinien und verlinken nur zu seriösen Medienseiten, akademischen Forschungseinrichtungen und, wenn möglich, medizinisch begutachteten Studien. Beachten Sie, dass die Zahlen in Klammern ([1], [2] usw.) anklickbare Links zu diesen Studien sind.
Wenn Sie der Meinung sind, dass einer unserer Inhalte ungenau, veraltet oder auf andere Weise bedenklich ist, wählen Sie ihn aus und drücken Sie Strg + Eingabe.
Forscher des NDORMS haben in Zusammenarbeit mit internationalen Institutionen das Potenzial von Umweltmessungen und Deep-Learning-Modellen zur Vorhersage von Malariaausbrüchen in Südasien aufgezeigt. Die Studie bietet vielversprechende Aussichten für die Verbesserung von Frühwarnsystemen für eine der tödlichsten Krankheiten der Welt.
Malaria stellt nach wie vor ein erhebliches globales Gesundheitsproblem dar. Etwa die Hälfte der Weltbevölkerung ist von einer Infektion bedroht, insbesondere in Afrika und Südasien. Obwohl Malaria vermeidbar ist, erschwert die Variabilität klimatischer, soziodemografischer und umweltbedingter Risikofaktoren die Vorhersage von Ausbrüchen.
Ein Forscherteam unter der Leitung von Associate Professor Sarah Khalid von der NDORMS Planetary Health Informatics Group der Universität Oxford wollte in Zusammenarbeit mit der Lahore University of Management Sciences dieses Problem angehen und untersuchen, ob ein umweltbasierter Ansatz des maschinellen Lernens das Potenzial für ortsspezifische Frühwarnsysteme für Malaria bieten könnte.
Sie entwickelten ein multivariates LSTM-Modell (M-LSTM), das gleichzeitig Umweltmesswerte wie Temperatur, Niederschlag, Vegetationsmessungen und Nachtlichtdaten analysierte, um das Auftreten von Malaria in einem südasiatischen Gürtel vorherzusagen, der sich über Pakistan, Indien und Bangladesch erstreckt.
Die Daten wurden mit den Malaria-Inzidenzraten auf Bezirksebene für jedes Land zwischen 2000 und 2017 verglichen, die aus den Datensätzen der Demographic and Health Surveys der US-Behörde für internationale Entwicklung stammen.
Die in The Lancet Planetary Health veröffentlichten Ergebnisse zeigen, dass das vorgeschlagene M-LSTM-Modell das traditionelle LSTM-Modell mit 94,5 %, 99,7 % bzw. 99,8 % weniger Fehlern für Pakistan, Indien und Bangladesch durchweg übertrifft.
Insgesamt wurden mit zunehmender Modellkomplexität eine höhere Genauigkeit und weniger Fehler erreicht, was die Wirksamkeit des Ansatzes unterstreicht.
Sarah erklärte: „Dieser Ansatz ist verallgemeinerbar, und unsere Modellierung hat daher erhebliche Auswirkungen auf die Gesundheitspolitik. Sie könnte beispielsweise auf andere Infektionskrankheiten angewendet oder auf andere Hochrisikogebiete mit überproportional hoher Malaria-Morbidität und -Mortalität in den WHO-Regionen Afrikas ausgeweitet werden. Sie könnte Entscheidungsträgern helfen, proaktivere Maßnahmen zu ergreifen, um Malariaausbrüche frühzeitig und gezielt zu bekämpfen.“
Der eigentliche Reiz liegt in der Möglichkeit, dank der rasanten Fortschritte in der Erdbeobachtung, im Deep Learning und in der künstlichen Intelligenz sowie der Verfügbarkeit von Hochleistungsrechnern praktisch überall auf der Erde Analysen durchführen zu können. Dies könnte zu gezielteren Interventionen und einer besseren Ressourcenverteilung im laufenden Kampf gegen Malaria und zur Verbesserung der öffentlichen Gesundheit weltweit führen.