Kolerautbrudd forutsagt ved bruk av klimadata og AI
Kolerautbrudd: klimadata hentet fra jorden som kretser rundt satellitter, kombinert med maskinlæringsteknikker, bidrar til å bedre forutsi utbrudd av kolera og potensielt redde liv.
Kolera er en vannbåren sykdom forårsaket av inntak av vann eller mat forurenset med bakterien Vibrio cholerae, som kan finnes i mange kystregioner rundt om i verden, spesielt i tett befolkede tropiske områder.
Kolerautbrudd, ESA knytter kunstig intelligens og kunnskap om miljøer som muliggjør
Det ansvarlige patogenet lever vanligvis under varme temperaturer, moderat saltholdighet og turbiditet, og kan være lagret av plankton og detritus i vannet.
Global oppvarming og økning i ekstreme værhendelser fører til utbrudd av kolera - en sykdom som rammer 1.3 til 4 millioner mennesker hvert år over hele verden og forårsaker opptil 143 000 omkomne.
En ny studie viser hvordan kolerautbrudd i kystregioner i India kan forutsies med en suksessrate på 89%, i den første demonstrasjonen av bruk av saltflate i havoverflaten for å forutsi kolera.
Forskningen som ble publisert i går i International Journal of Environmental Research and Public Health fokuserer på å forutsi utbrudd av kolera rundt det nordlige Indiahavet, hvor mer enn halvparten av globale tilfeller av sykdommen ble rapportert i perioden 2010-16.
Forholdet mellom miljødrivere for kolera forekomst er komplekst og varierer sesongmessig med forskjellige forsinkede effekter, for eksempel fra monsun sesongen.
Maskinlæringsalgoritmer kan hjelpe deg med å overvinne disse problemene ved å lære å gjenkjenne mønstre på tvers av store datasett for å kunne teste spådommer.
Studien av kolerautbruddet ble ledet av Amy Campbell i løpet av et år lang praktikantopphold hos ESAs klimakontor.
Amy, sammen med sine medforfattere ved Plymouth Marine Laboratory (PML), brukte en maskinlæringsalgoritme populær i miljøvitenskapelige applikasjoner - den tilfeldige skogklassifisereren - som kan gjenkjenne mønstre på tvers av lange datasett og gjøre testbare spådommer.
Algoritmen ble trent på sykdomsutbrudd rapportert i kystdistriktene i India mellom 2010 og 2018, og lærte forholdet til seks satellittbaserte klimaposter generert av ESAs Climate Change Initiative (CCI).
Ved å inkludere eller fjerne miljøvariabler og underinnstilling for forskjellige årstider, identifiserte algoritmen nøkkelvariabler for å forutsi kolerautbrudd som landoverflatetemperatur, havoverflatesalt, klorofyll-a-konsentrasjon og havnivåforskjell fra gjennomsnittet (havnivåavvik).
Amy Campbell sa: ”Modellen viste lovende resultater, og det er mye rom for å utvikle dette arbeidet ved hjelp av forskjellige datasett for koleraovervåking eller på forskjellige steder.
I studien testet vi forskjellige maskinlæringsteknikker og fant at den tilfeldige skogklassifisereren var den beste, men det er langt flere teknikker som kan undersøkes.
“Det ville være interessant å teste virkningen av å inkludere samfunnsøkonomiske datasett; Fjernmåling av data kan brukes til å utvikle poster for å redegjøre for menneskelige faktorer som er viktige for forekomst av kolera, for eksempel tilgang til vannressurser. ”
Studien og dens nye innsikt har bidratt til UKRI-NERC Pathways Of Dispersal for Cholera And Solution Tools (PODCAST) Project ledet av medforfatter Marie-Fanny Racault ved PML, som vurderer innvirkningen av klimaoppvarming og ekstreme klima på habitater. egnet for Vibrio cholerae.
Resultatene fra studien vil bli demonstrert på UNFCCCs COP26-møte i 2021 via et nettbasert prognoseverktøy som en del av PODCAST-DEMO-prosjektet.
Dette støttes av ESA-Future Earths fellesprogram og utføres i samarbeid med Future Earths Health Knowledge-Action-nettverk.
European Space Agency leder deteksjon av nye kolerautbrudd, publisert studie
ijerph-17-09378-v2Les også:
COVID-19 narkotika, rettssaken mot Remdesivir fortsetter på den internasjonale romstasjonen