Заболевания, передающиеся через воду, являются одной из основных причин вспышек инфекционных заболеваний в поселениях беженцев и внутренне перемещенных лиц (ВПЛ). Группа специалистов под руководством Йоркского университета разработала новую методику обеспечения безопасности питьевой воды с помощью машинного обучения, что может изменить ситуацию.
Исследование опубликовано в журнале PLOS Water.
В большинстве поселений питьевая вода не подается напрямую в дома, беженцы и ВПЛ вынуждены набирать ее из общедоступных источников, используя различные емкости для хранения.
"Когда вода хранится в таре в жилище, она подвергается высокому риску воздействия загрязняющих веществ, поэтому необходимо, чтобы в ней было достаточно свободного остаточного хлора для уничтожения любых болезнетворных микроорганизмов", - говорит аспирант инженерной школы Лассонда Майкл Де Санти, сотрудник Йоркского института глобальных исследований в области здравоохранения, возглавлявший исследование.
Повторное загрязнение ранее безопасной питьевой воды во время ее сбора, транспортировки и хранения стало основным фактором вспышек холеры, гепатита Е и шигеллёза в поселениях беженцев и ВПЛ в Кении, Малави, Судане, Южном Судане и Уганде.
"На распад хлора в хранящейся воде может влиять множество факторов. Вы можете иметь безопасную воду в точке сбора, но как только вы приносите ее домой и храните, иногда до 24 часов, вы можете потерять остаточный хлор, патогены могут процветать и болезни могут распространяться, - говорит адъюнкт-профессор Лассонда Сайед Имран Али, научный сотрудник Йоркского института глобальных исследований в области здравоохранения, имеющий непосредственный опыт работы в поселении в Южном Судане.
Используя машинное обучение, исследовательская группа, в которую входит доцент Усман Хан, также из инженерной школы Лассонда, разработала новый способ прогнозирования вероятности того, что хлора останется достаточно до тех пор, пока не будет выпит последний стакан воды. Они использовали искусственную нейронную сеть (ИНС) вместе с системой ансамблевого прогнозирования (САП), что обычно не используется. САП - это вероятностная модель, обычно используемая для прогнозирования вероятности выпадения осадков в прогнозах погоды.
"ИНС-САП может генерировать прогнозы на момент потребления, которые учитывают множество факторов, влияющих на уровень остаточного хлора, в отличие от обычно используемых моделей. Это новое вероятностное моделирование заменяет используемые в настоящее время универсальные рекомендации по использованию хлора, которые, как было показано, неэффективны", - говорит Али.
Такие факторы, как местная температура, способ хранения и транспортировки воды из дома в дом, тип и качество водопроводных труб, качество воды и то, окунал ли ребенок руку в емкость с водой, могут играть роль в том, насколько безопасна она для питья.
"Однако очень важно, чтобы эти вероятностные модели были обучены на данных конкретного населенного пункта, поскольку каждый из них уникален, как снежинка, - говорит Де Санти. - Два человека могут набрать одну и ту же воду в один и тот же день, оба хранить ее в течение шести часов, и у одного в воде может остаться весь хлор, а у другого его почти не останется. У 10 человек содержание хлора может быть разным".
Исследователи использовали данные регулярного мониторинга качества воды в двух поселениях беженцев в Бангладеш и Танзании, собранные в рамках проекта "Safe Water Optimization Tool Project". В Бангладеш данные были получены из 2130 проб воды, собранных организацией "Врачи без границ" в период с июня по декабрь 2019 года, в этот период в нем проживало 83 000 беженцев рохинджа из Мьянмы.
"То, как измеряется эта ошибка, имеет ключевое значение, поскольку определяет поведение модели в контексте вероятностного моделирования, - говорит Де Санти. - Используя обучение с учетом издержек классификации мы обнаружили, что это может улучшить вероятностные прогнозы и надежность. Мы не знаем, чтобы это было сделано ранее в данном контексте".
Например, эта модель может сказать, что при определенных условиях на водопроводном кране с определенным количеством свободного остаточного хлора в воде, существует 90-процентная вероятность того, что остаточный хлор в хранящейся воде через 15 часов будет ниже безопасного уровня для питья.
"Именно такое вероятностное определение может дать нам это моделирование, - говорит Де Санти. - Как в прогнозах погоды, если вероятность дождя составляет 90%, вам следует взять с собой зонтик. Вместо зонтика мы можем попросить операторов водоснабжения увеличить концентрацию хлора, чтобы больший процент людей имел безопасную питьевую воду".
"Наш инструмент оптимизации безопасной воды использует эту работу машинного обучения и делает ее доступной для работников, оказывающих помощь на местах. Единственное отличие для операторов водоснабжения заключается в том, что мы просим их взять пробу воды в емкости у крана и в той же емкости в доме через несколько часов, - говорит Али. - Эта работа, которую выполняет Майкл, продвигает уровень практического применения моделей машинного обучения. Это можно использовать не только для обеспечения безопасной питьевой воды в поселениях беженцев и ВПЛ, но и в других областях".
Фото: Unsplash/Julie Ricard
Комментарии
(0) Добавить комментарий