IA e dati climatici contro il colera.

I dati climatici ripresi dai satelliti in orbita terrestre, combinati con tecniche di apprendimento automatico, stanno aiutando a prevedere meglio le epidemie di colera e a salvare vite umane.

Redazione. (Fonte: ESA)

Il colera è una malattia trasmessa attraverso l’acqua e dall’ingestione di cibo contaminato dal batterio Vibrio cholerae , che si trova in molte regioni costiere delle aree tropicali densamente popolate. L’agente patogeno responsabile vive generalmente a temperature calde, salinità e torbidità moderate e può essere ospitato da plancton e detriti sciolti nell’acqua.

Il riscaldamento globale e l’aumento degli eventi meteorologici estremi stanno guidando le epidemie di colera, una malattia che colpisce da 1,3 a 4 milioni di persone ogni anno in tutto il mondo e causa fino a 143.000 vittime. 

Un nuovo studio mostra come si possano prevedere epidemie di colera nelle regioni costiere dell’India con un tasso di successo dell’89%, nella prima dimostrazione dell’uso della salinità della superficie del mare per prevedere il colera. La ricerca  pubblicata ieri  dall’International Journal of Environmental Research  si concentra sulla previsione di epidemie di colera in tutto il nord dell’Oceano Indiano, dove sono stati segnalati più della metà dei casi a livello mondiale della malattia nel periodo 2010-16.

La relazione tra i fattori ambientali dell’incidenza del colera è complessa e varia stagionalmente, con diversi effetti ritardati, ad esempio dalla stagione dei monsoni. Gli algoritmi di apprendimento automatico possono aiutare a superare questi problemi imparando a riconoscere modelli in set di dati di grandi dimensioni al fine di effettuare previsioni verificabili.

Lo studio è stato condotto da Amy Campbell durante un tirocinio di laurea di un anno presso l’ESA Climate Office. Amy, insieme ai suoi coautori presso il Plymouth Marine Laboratory (PML), ha utilizzato un algoritmo di apprendimento automatico popolare nelle applicazioni di scienze ambientali – il classificatore casuale delle foreste – che può riconoscere modelli in lunghi set di dati e fare previsioni verificabili.

L’algoritmo è stato addestrato sui focolai di malattie segnalati nei distretti costieri in India tra il 2010 e il 2018 e ha appreso le relazioni con sei record climatici satellitari generati dalla Climate Change Initiative (CCI) dell’ESA . 

Includendo o rimuovendo le variabili ambientali e le sotto-impostazioni per le diverse stagioni, l’algoritmo ha identificato le variabili chiave per prevedere le epidemie di colera come la temperatura della superficie terrestre, la salinità della superficie del mare, la concentrazione di clorofilla e la differenza del livello del mare rispetto alla media (anomalia del livello del mare).

Amy Campbell ha dichiarato: “Il modello ha mostrato risultati promettenti e c’è molto spazio per sviluppare questo lavoro utilizzando diversi set di dati di sorveglianza del colera o in luoghi diversi. Nel nostro studio, abbiamo testato diverse tecniche di apprendimento automatico e abbiamo riscontrato che il classificatore di foresta casuale è il migliore, ma ci sono molte più tecniche che potrebbero essere studiate.

“Sarebbe interessante testare l’impatto dell’inclusione di set di dati socioeconomici; I dati del telerilevamento potrebbero essere utilizzati per sviluppare registrazioni per tenere conto di fattori umani importanti per l’incidenza del colera, come l’accesso alle risorse idriche “. 

Lo studio ha contribuito al progetto UKRI-NERC Pathways Of Dispersal for Cholera And Solution Tools guidato dalla coautrice Marie-Fanny Racault presso PML, che sta valutando l’impatto del riscaldamento climatico e degli estremi climatici sugli habitat preferiti dal Vibrio cholerae . 

I risultati dello studio saranno dimostrati al meeting COP26 dell’UNFCCC nel 2021 tramite uno strumento di previsione basato sul web come parte del progetto PODCAST-DEMO . Ciò è supportato dal programma congiunto ESA-Future Earth e realizzato in collaborazione con la rete Health Knowledge-Action di Future Earth .