Nye publikasjoner
Kunstig intelligens forutser malariautbrudd i Sør-Asia
Sist anmeldt: 02.07.2025

Alt iLive-innhold blir gjennomgått med medisin eller faktisk kontrollert for å sikre så mye faktuell nøyaktighet som mulig.
Vi har strenge retningslinjer for innkjøp og kun kobling til anerkjente medieområder, akademiske forskningsinstitusjoner og, når det er mulig, medisinsk peer-evaluerte studier. Merk at tallene i parenteser ([1], [2], etc.) er klikkbare koblinger til disse studiene.
Hvis du føler at noe av innholdet vårt er unøyaktig, utdatert eller ellers tvilsomt, velg det og trykk Ctrl + Enter.

Forskere fra NDORMS har, i samarbeid med internasjonale institusjoner, vist potensialet ved å bruke miljømålinger og dyplæringsmodeller for å forutsi malariautbrudd i Sør-Asia. Studien gir oppmuntrende muligheter for å forbedre tidlige varslingssystemer for en av verdens dødeligste sykdommer.
Malaria er fortsatt et betydelig globalt helseproblem, med omtrent halvparten av verdens befolkning i faresonen for å bli smittet, spesielt i Afrika og Sør-Asia. Selv om malaria kan forebygges, gjør den varierende naturen til klima, sosiodemografiske og miljømessige risikofaktorer det vanskelig å forutsi utbrudd.
Et forskerteam ledet av førsteamanuensis Sarah Khalid fra NDORMS Planetary Health Informatics Group, University of Oxford, i samarbeid med Lahore University of Management Sciences, forsøkte å ta opp dette problemet og undersøke om en miljøbasert maskinlæringstilnærming kunne tilby potensial for stedsspesifikke verktøy for tidlig varsling av malaria.
De utviklet en multivariat LSTM-modell (M-LSTM) som samtidig analyserte miljømålinger, inkludert temperatur, nedbør, vegetasjonsmålinger og nattlysdata, for å forutsi malariaforekomst i et sørasiatisk belte som spenner over Pakistan, India og Bangladesh.
Dataene ble sammenlignet med malariaforekomstrater på distriktsnivå for hvert land mellom 2000 og 2017, hentet fra datasettene til Demographic and Health Surveys fra United States Agency for International Development.
Resultatene, publisert i The Lancet Planetary Health, viser at den foreslåtte M-LSTM-modellen konsekvent overgår den tradisjonelle LSTM-modellen med henholdsvis 94,5 %, 99,7 % og 99,8 % lavere feil for Pakistan, India og Bangladesh.
Totalt sett ble det oppnådd høyere nøyaktighet og reduserte feil med økende modellkompleksitet, noe som fremhever effektiviteten av tilnærmingen.
Sarah forklarte: «Denne tilnærmingen er generaliserbar, og derfor har modelleringen vår betydelige implikasjoner for folkehelsepolitikken. For eksempel kan den brukes på andre smittsomme sykdommer eller skaleres opp til andre høyrisikoområder med uforholdsmessig høy malariasykelighet og -dødelighet i WHO-regioner i Afrika. Det kan hjelpe beslutningstakere med å implementere mer proaktive tiltak for å håndtere malariautbrudd tidlig og nøyaktig.»
«Den virkelige appellen er muligheten til å analysere praktisk talt hvor som helst på jorden takket være raske fremskritt innen jordobservasjon, dyp læring og kunstig intelligens, samt tilgjengeligheten av høypresterende datamaskiner. Dette kan føre til mer målrettede tiltak og bedre ressursallokering i den pågående innsatsen for å utrydde malaria og forbedre folkehelseresultatene over hele verden.»