Dati climatici presi dai satelliti in orbita attorno alla Terra, combinato con tecniche di apprendimento automatico, stanno aiutando a prevedere meglio le epidemie di colera e potenzialmente a salvare vite umane.

Il colera è una malattia trasmessa dall'acqua causata dall'ingestione di acqua o cibo contaminato dal batterio Vibrio cholerae, che si trova in molte regioni costiere del mondo, soprattutto nelle aree tropicali densamente popolate. L'agente patogeno responsabile vive generalmente a temperature calde, moderata salinità e torbidità, e può essere ospitato da plancton e detriti nell'acqua.

Il riscaldamento globale e l'aumento degli eventi meteorologici estremi stanno causando epidemie di colera, una malattia che colpisce da 1,3 a 4 milioni di persone ogni anno in tutto il mondo e provoca fino a 143.000 morti. Un nuovo studio mostra come si possono 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 la previsione del colera.

La ricerca pubblicata ieri su Giornale internazionale di ricerca ambientale e sanità pubblica si concentra sulla previsione di epidemie di colera intorno all'Oceano Indiano settentrionale, dove più della metà dei casi globali della malattia è stata segnalata nel periodo 2010-16.

Le relazioni tra i fattori ambientali dell'incidenza del colera sono complesse, e variano stagionalmente, con diversi effetti ritardati, per esempio dalla stagione dei monsoni. Gli algoritmi di apprendimento automatico possono aiutare a superare questi problemi imparando a riconoscere i modelli su grandi set di dati per fare previsioni verificabili.

Lo studio è stato condotto da Amy Campbell durante un tirocinio 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 di foreste casuali, in grado di riconoscere modelli su lunghi set di dati e fare previsioni verificabili.

L'algoritmo è stato addestrato sui focolai di malattie segnalati nei distretti costieri dell'India tra il 2010 e il 2018, e ha appreso le relazioni con sei registrazioni climatiche satellitari generate dalla Climate Change Initiative (CCI) dell'ESA.

Includendo o rimuovendo variabili ambientali e sottoimpostazioni per stagioni diverse, l'algoritmo ha identificato le variabili chiave per prevedere le epidemie di colera come la temperatura della superficie terrestre, salinità superficiale del mare, concentrazione di clorofilla-a e differenza del livello del mare dalla media (anomalia del livello del mare).

Amy Campbell ha detto, "Il modello ha mostrato risultati promettenti, e ci sono molte possibilità per sviluppare questo lavoro utilizzando diversi set di dati sulla sorveglianza del colera o in luoghi diversi. Nel nostro studio, abbiamo testato diverse tecniche di apprendimento automatico e abbiamo riscontrato che il classificatore forestale 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 che tengano conto dei fattori umani che sono importanti per l'incidenza del colera, come l'accesso alle risorse idriche”.

Lo studio e le sue nuove intuizioni hanno contribuito al progetto UKRI-NERC Pathways Of Dispersal for Cholera And Solution Tools (PODCAST) guidato dalla co-autrice Marie-Fanny Racault presso PML, che sta valutando l'impatto del riscaldamento climatico e degli estremi climatici sugli habitat adatti al Vibrio cholerae.

I risultati dello studio saranno dimostrati alla riunione COP26 dell'UNFCCC nel 2021 tramite uno strumento di previsione basato sul web come parte del progetto PODCAST-DEMO.