Dengė yra uodų platinama liga, kuria kasmet pasaulyje užkrečia apie 390 mln. Pastaraisiais metais atvejų skaičius nuolat augo, o sunkiausi ligos protrūkiai kilo tropiniuose Pietų Amerikos regionuose. Norint geriau prognozuoti, kaip liga plinta, mokslininkams bus labai svarbu visiškai suprasti, kaip dengės karštligės atvejų skaičius yra susijęs su skirtingais atogrąžų klimato aspektais.
Per naują analizę, paskelbtą m Europos fizinio žurnalo specialios temoskomanda, vadovaujama Enrique'o Gabricko iš Potsdamo klimato poveikio instituto, Vokietijoje, pabrėžia, kaip dengės karštligės prognozės gali tapti tikslesnės įtraukus klimato duomenis, tačiau taip pat parodo, kad šio metodo sėkmė skirtinguose regionuose gali skirtis. Grupės rezultatai gali padėti tyrėjams parengti tikslesnes dengės karštligės plitimo prognozes, kurios galiausiai gali padėti išgelbėti tūkstančius gyvybių.
Pasauliniu mastu žmonių, užsikrėtusių dengės karštligė, skaičius per pastaruosius 20 metų rodo nerimą keliančią tendenciją – nuo maždaug 500 000 atvejų 2000 m. iki 5,2 mln. 2019 m. “ – aiškina Gabrikas. „Šią geografinę pirmenybę lemia aplinkos sąlygos ir klimato veiksniai, tokie kaip temperatūra, drėgmė ir krituliai, kurie yra labai svarbūs uodų gyvenimo ciklams.”
Pietų Amerikoje per pastaruosius metus dengės karštligės atvejų dar labiau padaugėjo – per pirmąsias penkias 2024 m. savaites užregistruota daugiau nei 670 000 atvejų. Siekiant, kad visuomenės sveikatos intervencijos sulėtintų šį užsikrėtimo lygį, mokslininkams bus labai svarbu sukurti tikslesnius nuspėjamuosius modelius, kurie apima visus kintamuosius, turinčius išmatuojamą poveikį būsimų atvejų skaičiui.
Siekdama išspręsti iššūkį, Gabricko komanda taikė mašininio mokymosi techniką, pagrįstą „atsitiktiniais miško“ algoritmais. Šis metodas veikia sukuriant daug, šiek tiek skirtingų „sprendimų medžių“: kiekvienas iš esmės yra struktūrinė schema, kuri, remiantis algoritmo mokymo duomenimis, savarankiškai interpretuoja naujus duomenis.
„Mes pasirinkome atsitiktinį miško algoritmą dėl jo tvirtumo ir nuspėjamumo”, – aiškina Gabrickas. „Jis pagrįstas ansamblio mokymosi metodu ir susideda iš kelių sprendimų medžių, leidžiančių tiksliau prognozuoti nei atskiri modeliai. Be to, algoritmas įvertina įvesties kintamųjų svarbą, suteikdamas vertingų įžvalgų apie veiksnius, turinčius įtakos prognozėms.”
Siekdama išbandyti savo metodą, komanda parengė algoritmą, naudodama istorinius dengės karštligės atvejų skaičius iš trijų skirtingų Brazilijos, Peru ir Kolumbijos miestų, kurių kiekviename vyrauja atogrąžų klimatas. Tada jie naudojo jį prognozuodami dengės karštligės atvejų skaičių vienai savaitei į priekį, remdamiesi trimis atskirais svarstymais: vien dabartiniais dengės karštligės atvejais; Dengės karštligės atvejai kartu su klimato duomenimis (įskaitant temperatūrą, kritulius ir drėgmę); ir dengės karštligės atvejai kartu su drėgme.
Keista, bet kiekvienas iš šių svarstymų davė geriausią prognozę viename iš kiekvieno iš komandos tyrinėtų miestų. Apskritai rezultatas atskleidė, kaip klimato kintamųjų įtraukimas lemia nevienodą sėkmę prognozuojant būsimų atvejų skaičių ir ne visada padeda pagerinti prognozes. Tačiau tai taip pat rodo, kad atidžiai apsvarstę, ar derinti atvejų skaičius su klimato duomenimis, tik drėgmės duomenimis, ar ne, mokslininkai galiausiai galėtų pagerinti savo prognozių tikslumą.
„Be to, pabrėžiame mašininio mokymosi metodų svarbą derinant meteorologinius ir epidemiologinius duomenis, kad pagerintume prognozes“, – sako Gabrickas. „Tikimės, kad mūsų rezultatai turės didelį potencialą pagerinti dengės karštligės prognozavimą ir suteikti vertingų įžvalgų apie visuomenės sveikatos intervencijas.