Nástroj pro umělou inteligenci (AI), který předpovídá akutní podvýživu dítěte až šest měsíců předem, by mohl pomoci v boji proti stavu v Keni a v Africe, téměř polovina úmrtí u dětí mladších pěti spojená s akutní podvýživou – většina z nich v zemích s nízkým a středním příjmem – podle Světové zdravotnické organizace.
Mezery v datech však mohou ztěžovat vědět, kde zaměřit zdroje v zemích, jako je Keňa.
Podle průzkumu demografického zdraví v Keni v Keni, pět procent dětí v Keni je akutně podvyživeno.
Vědci přišli s modelem strojového učení, který používá klinické údaje o zdraví a satelitní snímky k předpovídání trendů podvýživy po celé zemi.
Tento nástroj byl vyvinut týmem z University of Southern California (USC) ve spolupráci s AI Microsoft pro Good Research Lab, AMREF Health Africa a Keniho ministerstvu zdravotnictví.
Cílem je hlavní výzkumník Laura Ferguson, ředitel pro výzkum v Institutu USC pro nerovnosti v globálním zdraví, a to je vybavit zdravotnické úřady včasnými varováními, která podporují účinné prevence a léčebné reakce.
„Nástroj je navržen tak, aby předpovídal podvýživu napříč hrabstvími v Keni (a)… Připravte se strategie prevence a léčby“Řekl Ferguson Scidev.net.
Aby se tyto předpovědi vytvořily, model vytáhne data z vládního softwarového softwarového systému okresního zdravotnického informačního softwaru (DHIS2) a kombinuje je se satelitními snímky, aby bylo možné určit, kde a kdy pravděpodobně dojde k podvýživě.
Na rozdíl od tradičních modelů, které závisí pouze na historických trendech, tento nástroj AI integruje klinická data z více než 17 000 keňských zdravotnických zařízení.
Dosáhl 89 % přesnosti pro jednoměsíční předpovědi a 86 % přesnosti během šesti měsíců, což znamenalo významné zlepšení oproti základním modelům.
Tento nástroj může také integrovat veřejně dostupné údaje o zemědělské vegetaci odvozené ze satelitních snímků do modelu, aby naznačoval dostupné zdroje potravy, dodal Ferguson.
Vědci, kteří jsou povzbuzeni výsledky v Keni, doufají, že nástroj může být upraven pro použití v téměř 125 dalších zemích, které také používají DHIS2- zejména v 80 zemích s nízkými a středními příjmy, kde podvýživa zůstává hlavní příčinou úmrtnosti na děti.
„Tento model je měnič her“řekla Bistra Dilkina, docentka počítačové vědy a spoluzakladatelka USC Center for AI ve společnosti.
„Pomocí modelů AI založených na údajích můžete zachytit složitější vztahy mezi více proměnnými, které nám spolupracují, aby nám pomohly přesněji předvídat podvýživu.„Vysvětlila.
Pro maximalizaci dopadu nástroje je klíčová spolupráce napříč odvětvími, říká Samuel Mburu, vedoucí digitální transformace v AMREF Health Africa, který také pracoval na projektu. Navrhuje sladit zdravotnické služby s úsilím o řízení zemědělství a katastrof.
„Kritické je také pokračující investice do infrastruktury digitálního zdraví a školení„Řekl Mburu Scidev.net.
Peter ofware, ředitelka země v Keni pro Helen Keller International, nezisková organizace se sídlem v USA, zaměřená na výživu a zdraví, souhlasí s tím, že integrace údajů o vegetaci s DHIS2 zlepšuje přesnost předpovídání.
„To zlepšuje přesnost předpovědí„řekl Osware, který se nezúčastnil výzkumu.
„Data DHIS, která je jejich primárním zdrojem, však mají mnoho omezení v kvalitě – zejména pro podvýživu.„
Děti jsou obvykle vyšetřeny pouze na podvýživu v zařízeních, kde je k dispozici léčba, což omezuje, jak reprezentativní jsou data, dodal.
