Künstliche Intelligenz sagt Malariaausbrüche in Südasien voraus
Zuletzt überprüft: 14.06.2024
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 von NDORMS haben in Zusammenarbeit mit internationalen Institutionen das Potenzial der Verwendung von Umweltmessungen und Deep-Learning-Modellen demonstriert um Malariaausbrüche in Südasien vorherzusagen. Die Studie bietet vielversprechende Aussichten für die Verbesserung von Frühwarnsystemen für eine der tödlichsten Krankheiten der Welt.
Malaria bleibt ein erhebliches globales Gesundheitsproblem, wobei das Infektionsrisiko etwa die Hälfte der Weltbevölkerung betrifft, insbesondere in Afrika und Südasien. Obwohl Malaria vermeidbar ist, erschwert die variable Natur von Klima-, soziodemografischen und umweltbedingten 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 versuchte in Zusammenarbeit mit der Lahore University of Management Sciences, dieses Problem zu lösen und zu untersuchen, ob ein umweltbasierter maschineller Lernansatz Potenzial für Tools zur ortsspezifischen Frühwarnung vor Malaria bieten könnte.
Sie entwickelten ein multivariates LSTM-Modell (M-LSTM), das gleichzeitig Umweltindikatoren wie Temperatur, Niederschlag, Vegetationsmessungen und Nachtlichtdaten analysierte, um die Malariahäufigkeit im südasiatischen Gürtel, der Pakistan, Indien und Bangladesch umfasst, vorherzusagen.
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 Agency for International Development stammen.
Die in The Lancet Planetary Health veröffentlichten Ergebnisse zeigen, dass das vorgeschlagene M-LSTM-Modell das traditionelle LSTM-Modell mit Fehlern von 94,5 %, 99,7 % und 99,8 % für Pakistan, Indien bzw. Bangladesch durchweg übertrifft.
Insgesamt wurden mit zunehmender Modellkomplexität eine höhere Genauigkeit und Fehlerreduzierung erreicht, was die Wirksamkeit des Ansatzes unterstreicht.
Sarah erklärte: „Dieser Ansatz ist universell und daher hat unsere Modellierung erhebliche Auswirkungen für die öffentliche Gesundheitspolitik. Beispielsweise könnte es auf andere Infektionskrankheiten angewendet oder auf andere Hochrisikogebiete mit überproportional hoher Inzidenz und Mortalität durch Malaria in Regionen der WHO in Afrika ausgeweitet werden. Dies kann Entscheidungsträgern helfen, proaktivere Maßnahmen zu ergreifen, um Malariaausbrüche frühzeitig und genau zu bekämpfen.
„Der eigentliche Reiz liegt in der Fähigkeit, dank der schnellen Fortschritte in der Erdbeobachtung, im Deep Learning und in der KI sowie der Verfügbarkeit von Hochleistungscomputern praktisch überall auf der Erde Analysen durchführen zu können. Dies könnte zu gezielteren Eingriffen und einer besseren Ressourcenverteilung bei den laufenden Ausrottungsbemühungen gegen Malaria führen und die Ergebnisse der öffentlichen Gesundheit auf der ganzen Welt verbessern.“