Inteligência artificial prevê surtos de malária no Sul da Ásia
Última revisão: 14.06.2024
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.
Investigadores do NDORMS, em colaboração com instituições internacionais, demonstraram o potencial da utilização de medições ambientais e modelos de aprendizagem profunda para prever surtos de malária no Sul da Ásia. O estudo oferece perspectivas promissoras para melhorar os sistemas de alerta precoce para uma das doenças mais mortais do mundo.
AMalária continua a ser um problema de saúde global significativo, com o risco de infecção afectando aproximadamente metade da população mundial, especialmente em África e no Sul da Ásia. Embora a malária seja evitável, 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 NDORMS Planetary Health Informatics Group da Universidade de Oxford, em colaboração com a Lahore University of Management Sciences, procurou resolver esse problema e explorar se uma abordagem de aprendizado de máquina baseada no ambiente poderia oferecem potencial para ferramentas de alerta precoce para malária específicas do local.
Eles desenvolveram um modelo LSTM multivariado (M-LSTM) que analisou simultaneamente indicadores ambientais, incluindo temperatura, precipitação, medições de vegetação e dados de luz noturna para prever a incidência de malária no cinturão do sul da Ásia, abrangendo Paquistão, Índia e Bangladesh. p>
Os dados foram comparados com as taxas de incidência de malária em nível de condado para cada país entre 2000 e 2017, obtidas dos conjuntos de dados de Pesquisas Demográficas e de Saúde da Agência dos EUA 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 de 94,5%, 99,7% e 99,8 % são mais baixas 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: “Esta abordagem é universal e, portanto, a nossa modelização tem implicações significativas para as políticas de saúde pública. Por exemplo, poderia ser aplicado a outras doenças infecciosas ou alargado a outras áreas de alto risco com incidência e mortalidade desproporcionalmente elevadas por malária em regiões da OMS em África. Isto pode ajudar os decisores a implementar medidas mais pró-activas para gerir os surtos de malária de forma precoce e precisa.
"A verdadeira atração reside na capacidade de analisar praticamente qualquer lugar da Terra, graças aos rápidos avanços na observação da Terra, na aprendizagem profunda e na IA, e na disponibilidade de computadores de alto desempenho. Isto poderia levar a intervenções mais direcionadas e a uma melhor alocação de recursos. Recursos nos esforços contínuos de erradicação da malária e na melhoria dos resultados de saúde pública em todo o mundo."