Nuevos artículos
La inteligencia artificial predice brotes de malaria en el sur de Asia
Último revisado: 14.06.2024
Todo el contenido de iLive se revisa médicamente o se verifica para asegurar la mayor precisión posible.
Tenemos pautas de abastecimiento estrictas y solo estamos vinculados a sitios de medios acreditados, instituciones de investigación académica y, siempre que sea posible, estudios con revisión médica. Tenga en cuenta que los números entre paréntesis ([1], [2], etc.) son enlaces a estos estudios en los que se puede hacer clic.
Si considera que alguno de nuestros contenidos es incorrecto, está desactualizado o es cuestionable, selecciónelo y presione Ctrl + Intro.
Los investigadores de NDORMS, en colaboración con instituciones internacionales, han demostrado el potencial del uso de mediciones ambientales y modelos de aprendizaje profundo para predecir brotes de malaria en el sur de Asia. El estudio ofrece perspectivas prometedoras para mejorar los sistemas de alerta temprana de una de las enfermedades más mortales del mundo.
Malaria sigue siendo un importante problema de salud mundial, y el riesgo de infección afecta aproximadamente a la mitad de la población mundial, especialmente en África y el sur de Asia. Aunque la malaria se puede prevenir, la naturaleza variable de los factores de riesgo climáticos, sociodemográficos y ambientales dificulta la predicción de brotes.
Un equipo de investigadores dirigido por la profesora asociada Sarah Khalid del Grupo de Informática de Salud Planetaria NDORMS de la Universidad de Oxford, en colaboración con la Universidad de Ciencias de la Gestión de Lahore, intentó resolver este problema y explorar si un enfoque de aprendizaje automático basado en el entorno podría ofrecen potencial para herramientas de alerta temprana de malaria específicas para cada sitio.
Desarrollaron un modelo LSTM multivariado (M-LSTM) que analizó simultáneamente indicadores ambientales, incluida la temperatura, las precipitaciones, las mediciones de la vegetación y los datos de luz nocturna para predecir la incidencia de la malaria en el cinturón del sur de Asia que cubre Pakistán, India y Bangladesh.
Los datos se compararon con las tasas de incidencia de malaria a nivel de condado para cada país entre 2000 y 2017, obtenidas de los conjuntos de datos de Encuestas Demográficas y de Salud de la Agencia de EE. UU. Para el Desarrollo Internacional.
Los resultados publicados en The Lancet Planetary Health muestran que el modelo M-LSTM propuesto supera consistentemente al modelo LSTM tradicional con errores del 94,5 %, 99,7 % y 99,8 Los porcentajes son más bajos para Pakistán, India y Bangladesh respectivamente.
En general, se logró una mayor precisión y reducción de errores al aumentar la complejidad del modelo, lo que destaca la eficacia del enfoque.
Sarah explicó: “Este enfoque es universal y, por lo tanto, nuestro modelo tiene implicaciones importantes para las políticas de salud pública. Por ejemplo, podría aplicarse a otras enfermedades infecciosas o ampliarse a otras áreas de alto riesgo con una incidencia y mortalidad desproporcionadamente altas por malaria en las regiones de la OMS en África. Esto puede ayudar a los tomadores de decisiones a implementar medidas más proactivas para gestionar los brotes de malaria de manera temprana y precisa.
"El verdadero atractivo radica en la capacidad de analizar prácticamente cualquier lugar de la Tierra gracias a los rápidos avances en la observación de la Tierra, el aprendizaje profundo y la inteligencia artificial, y la disponibilidad de computadoras de alto rendimiento. Esto podría conducir a intervenciones más específicas y una mejor asignación de recursos en los esfuerzos de erradicación de la malaria en curso y mejorar los resultados de salud pública en todo el mundo."