Klimaatgegevens afkomstig van satellieten in een baan om de aarde, gecombineerd met machine learning-technieken, helpen om uitbraken van cholera beter te voorspellen en mogelijk levens te redden.

Cholera is een door water overgedragen ziekte die wordt veroorzaakt door de inname van water of voedsel dat besmet is met de bacterie Vibrio cholerae, die in veel kustgebieden over de hele wereld te vinden zijn, vooral in dichtbevolkte tropische gebieden. De verantwoordelijke ziekteverwekker leeft over het algemeen onder warme temperaturen, matig zoutgehalte en troebelheid, en kan worden gehuisvest door plankton en afval in het water.

De opwarming van de aarde en een toename van extreme weersomstandigheden leiden tot uitbraken van cholera, een ziekte die wereldwijd 1,3 tot 4 miljoen mensen per jaar treft en tot 143.000 dodelijke slachtoffers veroorzaakt. Een nieuwe studie laat zien hoe cholera-uitbraken in kustgebieden van India kunnen worden voorspeld met een slagingspercentage van 89%, in de eerste demonstratie van het gebruik van het zoutgehalte van het zeeoppervlak voor het voorspellen van cholera.

Het gisteren gepubliceerde onderzoek in de International Journal of Environmental Research and Public Health richt zich op het voorspellen van uitbraken van cholera rond de noordelijke Indische Oceaan, waar meer dan de helft van de wereldwijde gevallen van de ziekte werd gemeld in de periode 2010-16.

De relatie tussen de omgevingsfactoren van cholera-incidentie is complex, en variëren per seizoen, met verschillende vertraagde effecten, bijvoorbeeld uit het moessonseizoen. Algoritmen voor machinaal leren kunnen deze problemen helpen oplossen door patronen in grote datasets te leren herkennen om toetsbare voorspellingen te doen.

Het onderzoek werd geleid door Amy Campbell tijdens een afstudeerstage van een jaar bij het ESA Climate Office. Amy, samen met haar co-auteurs bij het Plymouth Marine Laboratory (PML), gebruikte een machine learning-algoritme dat populair is in milieuwetenschappelijke toepassingen - de willekeurige bosclassificatie - die patronen in lange datasets kan herkennen en toetsbare voorspellingen kan doen.

Het algoritme is getraind op uitbraken van ziekten die zijn gemeld in kustgebieden in India tussen 2010 en 2018, en leerde de relaties met zes op satellieten gebaseerde klimaatrecords die zijn gegenereerd door ESA's Climate Change Initiative (CCI).

Door omgevingsvariabelen en subsetting voor verschillende seizoenen op te nemen of te verwijderen, het algoritme identificeerde belangrijke variabelen voor het voorspellen van cholera-uitbraken als de temperatuur van het landoppervlak, zoutgehalte van het zeeoppervlak, chlorofyl-a-concentratie en zeespiegelverschil met gemiddeld (zeespiegelafwijking).

Amy Campbell zei:"Het model liet veelbelovende resultaten zien, en er is veel ruimte om dit werk te ontwikkelen met behulp van verschillende cholera-surveillancedatasets of op verschillende locaties. In onze studie, we hebben verschillende machine learning-technieken getest en vonden de willekeurige bosclassificator de beste, maar er zijn veel meer technieken die kunnen worden onderzocht.

"Het zou interessant zijn om de impact te testen van het opnemen van sociaaleconomische datasets; teledetectiegegevens zouden kunnen worden gebruikt om records te ontwikkelen om rekening te houden met menselijke factoren die belangrijk zijn voor de incidentie van cholera, zoals toegang tot waterbronnen."

De studie en de nieuwe inzichten hebben bijgedragen aan het UKRI-NERC Pathways Of Dispersal for Cholera And Solution Tools (PODCAST) Project onder leiding van co-auteur Marie-Fanny Racault bij PML, die de impact beoordeelt van klimaatopwarming en klimaatextremen op habitats die geschikt zijn voor Vibrio cholerae.

De resultaten van de studie zullen worden gedemonstreerd tijdens de COP26-bijeenkomst van de UNFCCC in 2021 via een webgebaseerde voorspellingstool als onderdeel van het PODCAST-DEMO-project.