Статья рассматривает применение ИИ (машинное обучение и глубокое обучение) для перехода от реактивного мониторинга малярии к предиктивному прецизионному общественному здравоохранению. Авторы анализируют три направления: surveillance (обнаружение случаев, мониторинг переносчиков), прогнозирование вспышек и оптимизацию вмешательств, отмечая точность диагностики свыше 90%, но подчёркивая необходимость решения проблем качества данных, алгоритмической предвзятости и локальной адаптации моделей.
В исследовании представлена новая модульная байесовская платформа, предназначенная для реконструкции сетей передачи инфекций в условиях поликлональных инфекций, когда один носитель может содержать несколько генетически различных клонов. Традиционные методы часто не справляются с такими данными, предполагая наличие только одного источника и одного гаплотипа, что критично для малярии, туберкулеза и ВИЧ. Авторы разработали фреймворк, который позволяет учитывать наличие одного, нескольких или даже ненаблюдаемых родителей инфекции. В качестве практического применения была представлена модель Plasmotrack для возбудителя Plasmodium falciparum, использующая данные таргетного ампликонного секвенирования. Результаты симуляций показали высокую точность (precision) и полноту (recall) при обнаружении направленной передачи, а также успешное восстановление агрегированных характеристик сети, таких как средняя степень исхода (out-degree). Разработанная архитектура является универсальной: другие патогены могут быть интегрированы в систему путем замены модулей правдоподобия передачи и наблюдения.
В исследовании представлена оценка эффективности расширенной информационной схемы, лежащей в основе платформы VBDs360, предназначенной для интеграции данных сложных энтомологических исследований. Основная задача заключалась в обеспечении высокоточной связки данных и прослеживаемости образцов в многоэтапных рабочих процессах, включающих полевые сборы, содержание в инсектариях и лабораторные анализы. В ходе пилотного проекта в южной Танзании система позволила успешно интегрировать 77 017 строк данных, распределенных по 6 различным таблицам и 3 типам рабочих процессов. Результаты показали 100% точность связки между полевым сбором и морфологической категоризацией для 66 108 записей диких особей F0. Также была достигнута полная прослеживаемость линий Fn и 100% точность связи между историей воздействия инсектицидов и данными о смертности для 5 654 записей. Точность связки с данными молекулярной лаборатории составила 97,3% для образцов F0 и 99,3% для образцов Fn. Данная информационная архитектура позволяет минимизировать ошибки транскрипции и обеспечивает надежность данных в масштабных распределенных исследованиях по контролю переносчиков малярии.
