L’intelligenza artificiale prevede epidemie di malaria nell’Asia meridionale

I ricercatori di NDORMS, in collaborazione con istituzioni internazionali, hanno dimostrato il potenziale dell'utilizzo di misurazioni ambientali e modelli di deep learning per prevedere le epidemie di malaria nell'Asia meridionale. Lo studio offre prospettive promettenti per migliorare i sistemi di allerta precoce per una delle malattie più mortali al mondo.

La

Malaria rimane un problema sanitario globale significativo, con il rischio di infezione che colpisce circa la metà della popolazione mondiale, soprattutto in Africa e nell'Asia meridionale. Sebbene la malaria sia prevenibile, la natura variabile dei fattori di rischio climatici, sociodemografici e ambientali rende difficile la previsione delle epidemie.

Un team di ricercatori guidato dalla professoressa associata Sarah Khalid del NDORMS Planetary Health Informatics Group, Università di Oxford, in collaborazione con la Lahore University of Management Sciences, ha cercato di risolvere questo problema ed esplorare se un approccio di apprendimento automatico basato sull'ambiente potrebbe offrire potenzialità per strumenti di allerta precoce specifici per il sito per la malaria.

Hanno sviluppato un modello LSTM multivariato (M-LSTM) che ha analizzato simultaneamente indicatori ambientali tra cui temperatura, precipitazioni, misurazioni della vegetazione e dati sulla luce notturna per prevedere l'incidenza della malaria nella fascia sud asiatica che comprende Pakistan, India e Bangladesh.

I dati sono stati confrontati con i tassi di incidenza della malaria a livello di contea 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 in The Lancet Planetary Health mostrano che il modello M-LSTM proposto supera costantemente il modello LSTM tradizionale con errori del 94,5%, 99,7% e 99,8% inferiori rispettivamente per Pakistan, India e Bangladesh.

Nel complesso, sono stati ottenuti una maggiore accuratezza e una riduzione degli errori con l'aumento della complessità del modello, evidenziando l'efficacia dell'approccio.

Sarah ha spiegato: "Questo approccio è universale e quindi la nostra modellazione ha implicazioni significative per la politica di sanità pubblica. Ad esempio, potrebbe essere applicato ad altre malattie infettive o esteso ad altre aree ad alto rischio con incidenza e mortalità sproporzionatamente elevate per malaria nelle regioni OMS in Africa. Ciò può aiutare i decisori a implementare misure più proattive per gestire le epidemie di malaria in modo tempestivo e accurato.

"La vera attrazione risiede nella capacità di analizzare praticamente qualsiasi punto della Terra grazie ai rapidi progressi nell'osservazione della Terra, nell'apprendimento profondo e nell'intelligenza artificiale e alla disponibilità di computer ad alte prestazioni. Ciò potrebbe portare a interventi più mirati e a una migliore allocazione delle risorse negli sforzi di eradicazione in corso della malaria e migliorare i risultati di sanità pubblica in tutto il mondo."