Semua konten iLive ditinjau secara medis atau diperiksa fakta untuk memastikan akurasi faktual sebanyak mungkin.
Kami memiliki panduan sumber yang ketat dan hanya menautkan ke situs media terkemuka, lembaga penelitian akademik, dan, jika mungkin, studi yang ditinjau secara medis oleh rekan sejawat. Perhatikan bahwa angka dalam tanda kurung ([1], [2], dll.) Adalah tautan yang dapat diklik untuk studi ini.
Jika Anda merasa salah satu konten kami tidak akurat, ketinggalan zaman, atau dipertanyakan, pilih dan tekan Ctrl + Enter.
Kecerdasan buatan memprediksi wabah malaria di Asia Selatan
Terakhir ditinjau: 02.07.2025
Para peneliti dari NDORMS, bekerja sama dengan lembaga-lembaga internasional, telah menunjukkan potensi penggunaan pengukuran lingkungan dan model pembelajaran mendalam untuk memprediksi wabah malaria di Asia Selatan. Studi ini menawarkan prospek yang menggembirakan untuk meningkatkan sistem peringatan dini untuk salah satu penyakit paling mematikan di dunia.
Malaria masih menjadi masalah kesehatan global yang signifikan, dengan sekitar setengah dari populasi dunia berisiko terinfeksi, khususnya di Afrika dan Asia Selatan. Meskipun malaria dapat dicegah, sifat variabel dari faktor risiko iklim, sosiodemografi, dan lingkungan membuat prediksi wabah menjadi sulit.
Sebuah tim peneliti yang dipimpin oleh Associate Professor Sarah Khalid dari NDORMS Planetary Health Informatics Group, Universitas Oxford, bekerja sama dengan Universitas Ilmu Manajemen Lahore, berupaya mengatasi masalah ini dan menyelidiki apakah pendekatan pembelajaran mesin berbasis lingkungan dapat menawarkan potensi untuk alat peringatan dini malaria di lokasi tertentu.
Mereka mengembangkan model LSTM multivariat (M-LSTM) yang secara bersamaan menganalisis metrik lingkungan termasuk suhu, curah hujan, pengukuran vegetasi, dan data cahaya malam untuk memprediksi kejadian malaria di wilayah Asia Selatan yang mencakup Pakistan, India, dan Bangladesh.
Data tersebut dibandingkan dengan tingkat kejadian malaria tingkat distrik untuk setiap negara antara tahun 2000 dan 2017, yang diperoleh dari kumpulan data Survei Demografi dan Kesehatan Badan Pembangunan Internasional Amerika Serikat.
Hasilnya, yang diterbitkan dalam The Lancet Planetary Health, menunjukkan bahwa model M-LSTM yang diusulkan secara konsisten mengungguli model LSTM tradisional dengan kesalahan 94,5%, 99,7%, dan 99,8% lebih rendah untuk Pakistan, India, dan Bangladesh.
Secara keseluruhan, akurasi yang lebih tinggi dan kesalahan yang berkurang dicapai dengan meningkatnya kompleksitas model, menyoroti efektivitas pendekatan tersebut.
Sarah menjelaskan: “Pendekatan ini dapat digeneralisasikan, sehingga pemodelan kami memiliki implikasi yang signifikan bagi kebijakan kesehatan publik. Misalnya, pendekatan ini dapat diterapkan pada penyakit menular lainnya atau diperluas ke area berisiko tinggi lainnya dengan morbiditas dan mortalitas malaria yang sangat tinggi di wilayah WHO di Afrika. Pendekatan ini dapat membantu para pengambil keputusan menerapkan langkah-langkah yang lebih proaktif untuk mengelola wabah malaria secara dini dan akurat.
"Daya tarik yang sesungguhnya adalah kemampuan untuk menganalisis hampir di mana saja di Bumi berkat kemajuan pesat dalam observasi Bumi, pembelajaran mendalam, dan AI, serta ketersediaan komputer berkinerja tinggi. Hal ini dapat mengarah pada intervensi yang lebih terarah dan alokasi sumber daya yang lebih baik dalam upaya berkelanjutan untuk memberantas malaria dan meningkatkan hasil kesehatan masyarakat di seluruh dunia."