Сви иЛиве садржаји су медицински прегледани или проверени како би се осигурала што већа тачност.
Имамо стриктне смјернице за набавку и само линкамо на угледне медијске странице, академске истраживачке институције и, кад год је то могуће, медицински прегледане студије. Имајте на уму да су бројеви у заградама ([1], [2], итд.) Везе које се могу кликнути на ове студије.
Ако сматрате да је било који од наших садржаја нетачан, застарио или на неки други начин упитан, одаберите га и притисните Цтрл + Ентер.
Вештачка интелигенција предвиђа епидемије маларије у Јужној Азији
Последње прегледано: 02.07.2025
Истраживачи из NDORMS-а, у сарадњи са међународним институцијама, показали су потенцијал коришћења мерења животне средине и модела дубоког учења за предвиђање епидемија маларије у Јужној Азији. Студија нуди охрабрујуће изгледе за побољшање система раног упозоравања за једну од најсмртоноснијих болести на свету.
Маларија остаје значајан глобални здравствени проблем, са приближно половином светске популације у ризику од инфекције, посебно у Африци и Јужној Азији. Иако се маларија може спречити, променљива природа климатских, социодемографских и еколошких фактора ризика отежава предвиђање епидемија.
Тим истраживача који је предводила ванредна професорка Сара Халид из NDORMS групе за планетарну здравствену информатику, Универзитета у Оксфорду, у сарадњи са Универзитетом за менаџмент науке у Лахору, покушао је да се позабави овим проблемом и истражи да ли приступ машинског учења заснован на окружењу може понудити потенцијал за алате за рано упозоравање на маларију специфичне за место.
Развили су мултиваријантни ЛСТМ (М-ЛСТМ) модел који је истовремено анализирао еколошке метрике, укључујући температуру, падавине, мерења вегетације и податке о ноћном светлу, како би предвидео учесталост маларије у јужноазијском појасу који обухвата Пакистан, Индију и Бангладеш.
Подаци су упоређени са стопама инциденције маларије на нивоу округа за сваку земљу између 2000. и 2017. године, добијеним из скупова података демографских и здравствених истраживања Америчке агенције за међународни развој.
Резултати, објављени у часопису The Lancet Planetary Health, показују да предложени M-LSTM модел константно надмашује традиционални LSTM модел са 94,5%, 99,7% и 99,8% мањим грешкама за Пакистан, Индију и Бангладеш, респективно.
Генерално, већа тачност и смањене грешке су постигнуте са повећањем сложености модела, што истиче ефикасност приступа.
Сара је објаснила: „Овај приступ је генерализабилан и стога наше моделирање има значајне импликације на политику јавног здравља. На пример, могло би се применити на друге заразне болести или проширити на друга подручја високог ризика са несразмерно високим морбидитетом и морталитетом од маларије у регионима СЗО у Африци. То би могло помоћи доносиоцима одлука да спроведу проактивније мере за рано и прецизно управљање епидемијама маларије.“
„Права привлачност је могућност анализе практично било где на Земљи захваљујући брзом напретку у посматрању Земље, дубоком учењу и вештачкој интелигенцији, као и доступности високоперформансних рачунара. Ово би могло довести до циљанијих интервенција и боље расподеле ресурса у текућим напорима да се искорени маларија и побољшају исходи јавног здравља широм света.“