USC İleri Hesaplama Okulu ve Keck Tıp Fakültesi'nden araştırmacılar, Microsoft AI for Good Lab, Amref Health Africa ve Kenya Sağlık Bakanlığı'ndan uzmanlarla iş birliği yaparak, Kenya'da akut çocuk yetersiz beslenmesini altı aya kadar önceden tahmin edebilen bir yapay zeka modeli geliştirdi. Bu araç, hükümetlere ve insani yardım kuruluşlarına, risk altındaki bölgelere hayat kurtarıcı gıda, sağlık hizmetleri ve malzemeleri ulaştırmak için kritik bir öncü zaman sağlıyor. Makine öğrenimi modeli, 17.000'den fazla Kenya sağlık tesisinden alınan klinik verileri, ürün sağlığı ve verimliliğine ilişkin uydu verileriyle birleştirerek geleneksel yaklaşımlardan daha iyi performans gösteriyor.
Model, bir ay öncesinden tahmin yaparken %89 doğruluk elde ediyor ve altı ay boyunca %86 doğruluk oranını koruyor; bu, yalnızca son tarihsel çocuk yetersiz beslenme yaygınlığı eğilimlerine dayanan daha basit temel modellere göre önemli bir gelişme. Mevcut modellere kıyasla, yeni araç, yaygınlığın dalgalandığı ve ani artışların tahmin edilmesinin zor olduğu bölgelerde yetersiz beslenmeyi tahmin etmede özellikle etkili. USC Yapay Zeka Toplumda Merkezi'nin eş direktörü ve bilgisayar bilimi doçenti Bistra Dilkina, bu modelin oyunun kurallarını değiştirdiğini ve veri odaklı AI modelleri kullanılarak yetersiz beslenme yaygınlığını daha doğru tahmin etmeye yardımcı olan çoklu değişkenler arasındaki daha karmaşık ilişkilerin yakalanabileceğini belirtiyor.
Kenya'da beş yaşın altındaki çocukların %5'i (tahmini 350.000 kişi) akut yetersiz beslenmeden muzdarip; bu durum bağışıklık sistemini zayıflatır ve ishal ve sıtma gibi yaygın hastalıklardan ölüm riskini önemli ölçüde artırır. Bazı bölgelerde bu oran %25'e kadar çıkmakta. Küresel olarak, yetersiz beslenme, beş yaşın altındaki tüm çocuk ölümlerinin yaklaşık yarısıyla ilişkilidir. USC Küresel Sağlıkta Eşitsizlikler Enstitüsü direktörü Laura Ferguson, yetersiz beslenmenin Kenya'da bir halk sağlığı acil durumu olduğunu ve çocukların gereksiz yere hasta olduğunu ve ne yazık ki bu sebeple öldüğünü ifade ediyor.
Kenya'daki mevcut tahmin çabaları büyük ölçüde uzman yargısına ve tarihsel bilgiye dayanıyor; bu yöntemler hızlı değişimleri tahmin etmede zorlanıyor. Bunun yerine, ekibin modeli, Kenya'nın Rutin Sağlık Bilgi Sistemi 2 (DHIS2) aracılığıyla toplanan rutin sağlık verilerini, ürün sağlığı ve verimliliği gibi uydu kaynaklı göstergelerle birlikte kullanarak ortaya çıkan risk alanlarını çok daha yüksek bir hassasiyetle belirliyor. Araştırmacılar, bölgesel yetersiz beslenme riskini görselleştiren bir prototip kontrol paneli geliştirdiler ve bu da çocuk yetersiz beslenme risklerine daha hızlı ve daha iyi hedeflenmiş yanıtlar verilmesini sağlıyor.
