Nouvelles publications
L’intelligence artificielle prédit les épidémies de paludisme en Asie du Sud
Dernière revue: 14.06.2024
Tout le contenu iLive fait l'objet d'un examen médical ou d'une vérification des faits pour assurer autant que possible l'exactitude factuelle.
Nous appliquons des directives strictes en matière d’approvisionnement et ne proposons que des liens vers des sites de médias réputés, des instituts de recherche universitaires et, dans la mesure du possible, des études évaluées par des pairs sur le plan médical. Notez que les nombres entre parenthèses ([1], [2], etc.) sont des liens cliquables vers ces études.
Si vous estimez qu'un contenu quelconque de notre contenu est inexact, obsolète ou discutable, veuillez le sélectionner et appuyer sur Ctrl + Entrée.
Des chercheurs du NDORMS, en collaboration avec des institutions internationales, ont démontré le potentiel de l'utilisation de mesures environnementales et de modèles d'apprentissage profond pour prédire les épidémies de paludisme en Asie du Sud. L'étude offre des perspectives prometteuses pour améliorer les systèmes d'alerte précoce contre l'une des maladies les plus mortelles au monde.
LeLe paludisme reste un problème de santé mondial important, le risque d'infection affectant environ la moitié de la population mondiale, en particulier en Afrique et en Asie du Sud. Bien que le paludisme soit évitable, la nature variable des facteurs de risque climatiques, sociodémographiques et environnementaux rend difficile la prévision des épidémies.
Une équipe de chercheurs dirigée par le professeur agrégé Sarah Khalid du NDORMS Planetary Health Informatics Group de l'Université d'Oxford, en collaboration avec l'Université des sciences de gestion de Lahore, a cherché à résoudre ce problème et à déterminer si une approche d'apprentissage automatique basée sur l'environnement pourrait offrent un potentiel pour des outils d'alerte précoce spécifiques à un site pour le paludisme.
Ils ont développé un modèle LSTM multivarié (M-LSTM) qui a analysé simultanément des indicateurs environnementaux, notamment la température, les précipitations, les mesures de végétation et les données sur la lumière nocturne, afin de prédire l'incidence du paludisme dans la ceinture sud-asiatique couvrant le Pakistan, l'Inde et le Bangladesh.
Les données ont été comparées aux taux d'incidence du paludisme au niveau des comtés pour chaque pays entre 2000 et 2017, obtenus à partir des ensembles de données des enquêtes démographiques et sanitaires de l'Agence américaine pour le développement international.
Les résultats publiés dans The Lancet Planetary Health montrent que le modèle M-LSTM proposé surpasse systématiquement le modèle LSTM traditionnel avec des erreurs de 94,5 %, 99,7 % et 99,8. Les % sont respectivement inférieurs au Pakistan, en Inde et au Bangladesh.
Dans l'ensemble, une plus grande précision et une réduction des erreurs ont été obtenues avec une complexité croissante du modèle, soulignant l'efficacité de l'approche.
Sarah a expliqué : « Cette approche est universelle et notre modélisation a donc des implications significatives pour la politique de santé publique. Par exemple, il pourrait être appliqué à d’autres maladies infectieuses ou étendu à d’autres zones à haut risque où l’incidence et la mortalité dues au paludisme sont disproportionnellement élevées dans les régions de l’OMS en Afrique. Cela peut aider les décideurs à mettre en œuvre des mesures plus proactives pour gérer les épidémies de paludisme de manière précoce et précise.
"Le véritable attrait réside dans la capacité d'analyser pratiquement n'importe où sur Terre grâce aux progrès rapides de l'observation de la Terre, de l'apprentissage profond et de l'IA, ainsi qu'à la disponibilité d'ordinateurs hautes performances. Cela pourrait conduire à des interventions plus ciblées et à une meilleure allocation des ressources. Ressources dans les efforts d'éradication en cours du paludisme et améliorer les résultats de santé publique dans le monde. "