Novas publicações
A inteligência artificial prevê surtos de malária no Sul da Ásia
Última revisão: 02.07.2025
Todo o conteúdo do iLive é medicamente revisado ou verificado pelos fatos para garantir o máximo de precisão factual possível.
Temos diretrizes rigorosas de fornecimento e vinculamos apenas sites de mídia respeitáveis, instituições de pesquisa acadêmica e, sempre que possível, estudos médicos revisados por pares. Observe que os números entre parênteses ([1], [2], etc.) são links clicáveis para esses estudos.
Se você achar que algum dos nossos conteúdos é impreciso, desatualizado ou questionável, selecione-o e pressione Ctrl + Enter.
Pesquisadores do NDORMS, em colaboração com instituições internacionais, demonstraram o potencial do uso de medições ambientais e modelos de aprendizado profundo para prever surtos de malária no Sul da Ásia. O estudo oferece perspectivas animadoras para o aprimoramento dos sistemas de alerta precoce para uma das doenças mais mortais do mundo.
A malária continua sendo um problema de saúde global significativo, com aproximadamente metade da população mundial em risco de infecção, especialmente na África e no Sul da Ásia. Embora a malária seja prevenível, a natureza variável dos fatores de risco climáticos, sociodemográficos e ambientais dificulta a previsão de surtos.
Uma equipe de pesquisadores liderada pela Professora Associada Sarah Khalid do Grupo de Informática em Saúde Planetária do NDORMS, da Universidade de Oxford, em colaboração com a Universidade de Ciências Administrativas de Lahore, procurou abordar essa questão e investigar se uma abordagem de aprendizado de máquina baseada em ambiente poderia oferecer potencial para ferramentas de alerta precoce para malária específicas para cada local.
Eles desenvolveram um modelo LSTM multivariado (M-LSTM) que analisou simultaneamente métricas ambientais, incluindo temperatura, precipitação, medições de vegetação e dados de luz noturna para prever a incidência de malária em um cinturão do sul da Ásia que abrange Paquistão, Índia e Bangladesh.
Os dados foram comparados com as taxas de incidência de malária em nível distrital para cada país entre 2000 e 2017, obtidas dos conjuntos de dados de Pesquisas Demográficas e de Saúde da Agência dos Estados Unidos para o Desenvolvimento Internacional.
Os resultados, publicados no The Lancet Planetary Health, mostram que o modelo M-LSTM proposto supera consistentemente o modelo LSTM tradicional com erros 94,5%, 99,7% e 99,8% menores para Paquistão, Índia e Bangladesh, respectivamente.
No geral, maior precisão e redução de erros foram alcançadas com o aumento da complexidade do modelo, destacando a eficácia da abordagem.
Sarah explicou: “Essa abordagem é generalizável e, portanto, nossa modelagem tem implicações significativas para as políticas de saúde pública. Por exemplo, ela poderia ser aplicada a outras doenças infecciosas ou ampliada para outras áreas de alto risco com morbidade e mortalidade por malária desproporcionalmente altas nas regiões da OMS na África. Isso poderia ajudar os tomadores de decisão a implementar medidas mais proativas para gerenciar surtos de malária de forma precoce e precisa.”
O verdadeiro atrativo é a capacidade de analisar praticamente qualquer lugar da Terra, graças aos rápidos avanços na observação da Terra, aprendizado profundo e IA, bem como à disponibilidade de computadores de alto desempenho. Isso pode levar a intervenções mais direcionadas e a uma melhor alocação de recursos no esforço contínuo para erradicar a malária e melhorar os resultados de saúde pública em todo o mundo.