Koleraudbrud forudsagt ved hjælp af klimadata og AI

Klimadata taget fra satellitter, der kredser om jorden, kombineret med maskinlæringsteknikker, er med til bedre at forudsige udbrud af kolera og potentielt redde liv.

Kolera er en vandbåren sygdom forårsaget af indtagelse af vand eller mad, der er forurenet med bakterien Vibrio cholerae, som kan findes i mange kystområder rundt om i verden, især i tæt befolkede tropiske områder. Det ansvarlige patogen lever generelt under varme temperaturer, moderat saltholdighed og uklarhed, og kan rummes af plankton og detritus i vandet.

Global opvarmning og en stigning i ekstreme vejrbegivenheder driver udbrud af kolera - en sygdom, der rammer 1,3 til 4 millioner mennesker hvert år på verdensplan og forårsager op til 143.000 dødsfald. En ny undersøgelse viser, hvordan koleraudbrud i kystområder i Indien kan forudsiges med en succesrate på 89 %, i den første demonstration af at bruge havoverflades saltholdighed til at forudsige kolera.

Forskningen offentliggjort i går i International Journal of Environmental Research and Public Health fokuserer på at forudsige udbrud af kolera omkring det nordlige Indiske Ocean, hvor mere end halvdelen af ​​de globale tilfælde af sygdommen blev rapporteret i perioden 2010-16.

Forholdet mellem de miljømæssige årsager til koleraforekomst er komplekst, og varierer sæsonmæssigt, med forskellige forsinkede effekter, for eksempel fra monsunsæsonen. Maskinlæringsalgoritmer kan hjælpe med at overvinde disse problemer ved at lære at genkende mønstre på tværs af store datasæt for at lave testbare forudsigelser.

Undersøgelsen blev ledet af Amy Campbell under et årelangt praktikophold hos ESA Climate Office. Amy, sammen med sine medforfattere ved Plymouth Marine Laboratory (PML), brugt en maskinlæringsalgoritme, der er populær i miljøvidenskabelige applikationer - den tilfældige skovklassifikator - som kan genkende mønstre på tværs af lange datasæt og lave testbare forudsigelser.

Algoritmen blev trænet på sygdomsudbrud rapporteret i kystdistrikter i Indien mellem 2010 og 2018, og lærte relationerne til seks satellitbaserede klimarekorder genereret af ESA's Climate Change Initiative (CCI).

Ved at inkludere eller fjerne miljøvariabler og underindstillinger for forskellige årstider, Algoritmen identificerede nøglevariabler til at forudsige koleraudbrud som jordoverfladetemperatur, saltindhold i havets overflade, klorofyl-a koncentration og havniveauforskel fra gennemsnit (havniveauanomali).

Amy Campbell sagde, "Modellen viste lovende resultater, og der er masser af muligheder for at udvikle dette arbejde ved hjælp af forskellige koleraovervågningsdatasæt eller forskellige steder. I vores undersøgelse, vi testede forskellige maskinlæringsteknikker og fandt, at den tilfældige skovklassificering var den bedste, men der er langt flere teknikker, der kunne undersøges.

"Det ville være interessant at teste virkningen af ​​at inkludere socioøkonomiske datasæt; fjernmålingsdata kunne bruges til at udvikle registreringer til at tage højde for menneskelige faktorer, der er vigtige for koleraforekomsten, såsom adgang til vandressourcer."

Undersøgelsen og dens nye indsigt har bidraget til UKRI-NERC Pathways Of Dispersal for Cholera And Solution Tools (PODCAST)-projektet ledet af medforfatter Marie-Fanny Racault ved PML, som vurderer virkningen af ​​klimaopvarmning og klimaekstremer på levesteder, der er egnede til Vibrio cholerae.

Resultaterne fra undersøgelsen vil blive demonstreret på UNFCCCs COP26-møde i 2021 via et webbaseret prognoseværktøj som en del af PODCAST-DEMO-projektet.