L'intelligenza artificiale prevede i focolai di malaria nell'Asia meridionale

I ricercatori del NDORMS, in collaborazione con istituzioni internazionali, hanno dimostrato il potenziale dell'utilizzo di misurazioni ambientali e modelli di apprendimento profondo per prevedere le epidemie di malaria nell'Asia meridionale. Lo studio offre prospettive incoraggianti per il miglioramento dei sistemi di allerta precoce per una delle malattie più letali al mondo.

La malaria rimane un significativo problema sanitario globale, con circa metà della popolazione mondiale a rischio di infezione, in particolare in Africa e nell'Asia meridionale. Sebbene la malaria sia prevenibile, la natura variabile dei fattori di rischio climatici, sociodemografici e ambientali rende difficile prevedere le epidemie.

Un team di ricercatori guidato dalla professoressa associata Sarah Khalid del NDORMS Planetary Health Informatics Group dell'Università di Oxford, in collaborazione con la Lahore University of Management Sciences, ha cercato di affrontare questo problema e di verificare se un approccio di apprendimento automatico basato sull'ambiente potesse offrire il potenziale per strumenti di allerta precoce sulla malaria specifici per un determinato luogo.

Hanno sviluppato un modello LSTM multivariato (M-LSTM) che ha analizzato simultaneamente parametri ambientali, tra cui temperatura, precipitazioni, misurazioni della vegetazione e dati sulla luce notturna, per prevedere l'incidenza della malaria in una fascia dell'Asia meridionale che si estende tra Pakistan, India e Bangladesh.

I dati sono stati confrontati con i tassi di incidenza della malaria a livello distrettuale per ciascun Paese tra il 2000 e il 2017, ottenuti dai set di dati Demographic and Health Surveys dell'Agenzia statunitense per lo sviluppo internazionale.

I risultati, pubblicati su The Lancet Planetary Health, dimostrano che il modello M-LSTM proposto supera costantemente il modello LSTM tradizionale con errori inferiori rispettivamente del 94,5%, 99,7% e 99,8% per Pakistan, India e Bangladesh.

Nel complesso, con l'aumentare della complessità del modello si è ottenuta una maggiore accuratezza e una riduzione degli errori, evidenziando l'efficacia dell'approccio.

Sarah ha spiegato: "Questo approccio è generalizzabile, quindi la nostra modellizzazione ha implicazioni significative per le politiche di sanità pubblica. Ad esempio, potrebbe essere applicato ad altre malattie infettive o esteso ad altre aree ad alto rischio con una morbilità e mortalità per malaria sproporzionatamente elevate nelle regioni africane gestite dall'OMS. Potrebbe aiutare i decisori a implementare misure più proattive per gestire le epidemie di malaria in modo tempestivo e accurato.

"Il vero vantaggio è la possibilità di analizzare praticamente qualsiasi punto della Terra grazie ai rapidi progressi nell'osservazione della Terra, nel deep learning e nell'intelligenza artificiale, nonché alla disponibilità di computer ad alte prestazioni. Ciò potrebbe portare a interventi più mirati e a una migliore allocazione delle risorse nell'impegno continuo per eradicare la malaria e migliorare i risultati in termini di salute pubblica in tutto il mondo."