Kecerdasan buatan memprediksi wabah malaria di Asia Selatan
Terakhir ditinjau: 14.06.2024
Semua konten iLive ditinjau secara medis atau diperiksa fakta untuk memastikan akurasi faktual sebanyak mungkin.
Kami memiliki panduan sumber yang ketat dan hanya menautkan ke situs media terkemuka, lembaga penelitian akademik, dan, jika mungkin, studi yang ditinjau secara medis oleh rekan sejawat. Perhatikan bahwa angka dalam tanda kurung ([1], [2], dll.) Adalah tautan yang dapat diklik untuk studi ini.
Jika Anda merasa salah satu konten kami tidak akurat, ketinggalan zaman, atau dipertanyakan, pilih dan tekan Ctrl + Enter.
Para peneliti dari NDORMS, bekerja sama dengan lembaga-lembaga internasional, telah menunjukkan potensi penggunaan pengukuran lingkungan dan pembelajaran mendalam model untuk memprediksi wabah malaria di Asia Selatan. Studi ini menawarkan prospek yang menjanjikan untuk meningkatkan sistem peringatan dini untuk salah satu penyakit paling mematikan di dunia.
Malaria tetap menjadi masalah kesehatan global yang signifikan, dengan risiko infeksi yang memengaruhi sekitar setengah dari populasi dunia, terutama di Afrika dan Asia Selatan. Meskipun malaria dapat dicegah, sifat variabel dari faktor risiko iklim, sosiodemografi, dan lingkungan membuat prediksi wabah menjadi sulit.
Sebuah tim peneliti yang dipimpin oleh Associate Professor Sarah Khalid dari NDORMS Planetary Health Informatics Group, University of Oxford, bekerja sama dengan Lahore University of Management Sciences, berusaha memecahkan masalah ini dan mengeksplorasi apakah pendekatan pembelajaran mesin berbasis lingkungan dapat menawarkan potensi untuk alat peringatan dini malaria di lokasi tertentu.
Mereka mengembangkan model LSTM multivariat (M-LSTM) yang secara bersamaan menganalisis indikator lingkungan termasuk suhu, curah hujan, pengukuran vegetasi, dan data cahaya malam hari untuk memprediksi kejadian malaria di kawasan Asia Selatan yang mencakup Pakistan, India, dan Bangladesh.
Data tersebut dibandingkan dengan tingkat kejadian malaria di tingkat kabupaten untuk setiap negara antara tahun 2000 dan 2017, yang diperoleh dari kumpulan data Survei Demografi dan Kesehatan Badan Pembangunan Internasional AS.
Hasil yang dipublikasikan di The Lancet Planetary Health menunjukkan bahwa model M-LSTM yang diusulkan secara konsisten mengungguli model LSTM tradisional dengan kesalahan sebesar 94,5%, 99,7%, dan 99,8 % lebih rendah masing-masing di Pakistan, India, dan Bangladesh.
Secara keseluruhan, akurasi yang lebih tinggi dan pengurangan kesalahan dicapai dengan meningkatnya kompleksitas model, sehingga menyoroti efektivitas pendekatan ini.
Sarah menjelaskan: “Pendekatan ini bersifat universal dan oleh karena itu pemodelan kami memiliki implikasi yang signifikan terhadap kebijakan kesehatan masyarakat. Misalnya, hal ini dapat diterapkan pada penyakit menular lainnya atau diperluas ke wilayah berisiko tinggi lainnya yang memiliki insiden dan kematian akibat malaria yang sangat tinggi di wilayah WHO di Afrika. Hal ini dapat membantu pengambil keputusan menerapkan langkah-langkah yang lebih proaktif untuk menangani wabah malaria secara dini dan akurat.
"Daya tarik sebenarnya terletak pada kemampuan untuk menganalisis secara virtual di mana saja di Bumi berkat kemajuan pesat dalam observasi Bumi, pembelajaran mendalam dan AI, serta ketersediaan komputer berkinerja tinggi. Hal ini dapat mengarah pada intervensi yang lebih tepat sasaran dan alokasi sumber daya yang lebih baik. Sumber daya dalam upaya pemberantasan malaria yang berkelanjutan dan meningkatkan hasil kesehatan masyarakat di seluruh dunia."