ปัญญาประดิษฐ์ทำนายการระบาดของโรคมาลาเรียในเอเชียใต้
ตรวจสอบล่าสุด: 14.06.2024
เนื้อหา iLive ทั้งหมดได้รับการตรวจสอบทางการแพทย์หรือตรวจสอบข้อเท็จจริงเพื่อให้แน่ใจว่ามีความถูกต้องตามจริงมากที่สุดเท่าที่จะเป็นไปได้
เรามีแนวทางการจัดหาที่เข้มงวดและมีการเชื่อมโยงไปยังเว็บไซต์สื่อที่มีชื่อเสียงสถาบันการวิจัยทางวิชาการและเมื่อใดก็ตามที่เป็นไปได้ โปรดทราบว่าตัวเลขในวงเล็บ ([1], [2], ฯลฯ ) เป็นลิงก์ที่คลิกได้เพื่อการศึกษาเหล่านี้
หากคุณรู้สึกว่าเนื้อหาใด ๆ ของเราไม่ถูกต้องล้าสมัยหรือมีข้อสงสัยอื่น ๆ โปรดเลือกแล้วกด Ctrl + Enter
นักวิจัยจาก NDORMS ร่วมมือกับสถาบันระหว่างประเทศได้แสดงให้เห็นถึงศักยภาพของการใช้การวัดผลด้านสิ่งแวดล้อมและแบบจำลองการเรียนรู้เชิงลึกเพื่อคาดการณ์การระบาดของโรคมาลาเรียในเอเชียใต้ การศึกษานี้นำเสนอโอกาสที่น่าหวังในการปรับปรุงระบบเตือนภัยล่วงหน้าสำหรับโรคที่ร้ายแรงที่สุดโรคหนึ่งของโลก
มาลาเรียยังคงเป็นปัญหาสุขภาพที่สำคัญทั่วโลก โดยมีความเสี่ยงต่อการติดเชื้อที่ส่งผลกระทบต่อประชากรประมาณครึ่งหนึ่งของโลก โดยเฉพาะในแอฟริกาและเอเชียใต้ แม้ว่าโรคมาลาเรียจะสามารถป้องกันได้ แต่ธรรมชาติที่แปรปรวนของสภาพภูมิอากาศ ปัจจัยเสี่ยงทางสังคมและประชากร และสิ่งแวดล้อม ทำให้การทำนายการระบาดทำได้ยาก
ทีมนักวิจัยที่นำโดยรองศาสตราจารย์ Sarah Khalid จาก NDORMS Planetary Health Informatics Group, University of Oxford ร่วมมือกับ Lahore University of Management Sciences พยายามแก้ไขปัญหานี้และสำรวจว่าแนวทางการเรียนรู้ของเครื่องที่อิงตามสภาพแวดล้อมสามารถทำได้หรือไม่ เสนอศักยภาพในการเตือนภัยล่วงหน้าสำหรับโรคมาลาเรียเฉพาะสถานที่ของเครื่องมือ
พวกเขาพัฒนาแบบจำลอง LSTM หลายตัวแปร (M-LSTM) ที่วิเคราะห์ตัวบ่งชี้สิ่งแวดล้อมพร้อมกัน ได้แก่ อุณหภูมิ ปริมาณน้ำฝน การวัดพืชพรรณ และข้อมูลแสงในเวลากลางคืน เพื่อคาดการณ์อุบัติการณ์มาเลเรียในเขตเอเชียใต้ที่ครอบคลุมปากีสถาน อินเดีย และบังกลาเทศ
ข้อมูลดังกล่าวได้รับการเปรียบเทียบกับอัตราการเกิดมาเลเรียในระดับมณฑลสำหรับแต่ละประเทศระหว่างปี 2000 ถึง 2017 ซึ่งได้รับจากชุดข้อมูลการสำรวจประชากรและสุขภาพของสำนักงานเพื่อการพัฒนาระหว่างประเทศของสหรัฐอเมริกา
ผลลัพธ์ที่ตีพิมพ์ใน The Lancet Planetary Health แสดงให้เห็นว่าแบบจำลอง M-LSTM ที่เสนอมีประสิทธิภาพเหนือกว่าแบบจำลอง LSTM แบบดั้งเดิมอย่างสม่ำเสมอ โดยมีข้อผิดพลาด 94.5%, 99.7% และ 99.8% ต่ำกว่าสำหรับปากีสถาน อินเดีย และบังกลาเทศ ตามลำดับ
โดยรวมแล้ว ความแม่นยำที่สูงขึ้นและการลดข้อผิดพลาดนั้นทำได้ด้วยความซับซ้อนของแบบจำลองที่เพิ่มขึ้น ซึ่งเน้นย้ำถึงประสิทธิภาพของ แนวทาง
ซาราห์อธิบายว่า “แนวทางนี้เป็นแนวทางสากล ดังนั้น การสร้างแบบจำลองของเราจึงมีความหมายสำคัญต่อนโยบายด้านสาธารณสุข ตัวอย่างเช่น อาจนำไปใช้กับโรคติดเชื้ออื่นๆ หรือขยายไปยังพื้นที่เสี่ยงสูงอื่นๆ ที่มีอุบัติการณ์และอัตราการเสียชีวิตจากมาเลเรียสูงเกินสัดส่วนในภูมิภาคต่างๆ ขององค์การอนามัยโลกในแอฟริกา ซึ่งสามารถช่วยให้ผู้ตัดสินใจใช้มาตรการเชิงรุกมากขึ้นเพื่อจัดการกับการระบาดของมาเลเรียได้เร็วและแม่นยำยิ่งขึ้น
"สิ่งที่น่าดึงดูดใจอย่างแท้จริงอยู่ที่ความสามารถในการวิเคราะห์แทบทุกที่บนโลก ขอบคุณความก้าวหน้าอย่างรวดเร็วในการสังเกตการณ์โลก การเรียนรู้เชิงลึก และปัญญาประดิษฐ์ และความพร้อมใช้งานของคอมพิวเตอร์ประสิทธิภาพสูง ซึ่งอาจนำไปสู่การแทรกแซงที่ตรงเป้าหมายมากขึ้น และการจัดสรรทรัพยากรที่ดีขึ้นในความพยายามกำจัดมาเลเรียอย่างต่อเนื่อง และปรับปรุงผลลัพธ์ด้านสาธารณสุขทั่วโลก"