Door water overgedragen ziekten zijn een van de belangrijkste oorzaken van het uitbreken van infectieziekten in nederzettingen van vluchtelingen en intern ontheemden (IDP), maar een team onder leiding van York University heeft een nieuwe techniek ontwikkeld om drinkwater veilig te houden met behulp van machinaal leren, en het zou een spel kunnen zijn wisselaar. Het onderzoek is gepubliceerd in het tijdschrift PLOS Water .

Omdat drinkwater in de meeste nederzettingen niet via leidingen naar huizen wordt geleid, halen bewoners het in plaats daarvan op bij openbare tappunten met behulp van opslagcontainers.

"Wanneer water wordt opgeslagen in een container in een woning, loopt het een hoog risico om te worden blootgesteld aan verontreinigingen, dus het is absoluut noodzakelijk dat er voldoende vrij restchloor is om ziekteverwekkers te doden", zegt Lassonde School of Engineering Ph.D. student Michael De Santi, die deel uitmaakt van het Yorks Dahdaleh Institute for Global Health Research, en die het onderzoek leidde.

Hercontaminatie van voorheen veilig drinkwater tijdens de inzameling, het transport en de opslag is een belangrijke factor geweest bij uitbraken van cholera, hepatitis E en shigellose in nederzettingen van vluchtelingen en intern ontheemden in Kenia, Malawi, Soedan, Zuid-Soedan en Oeganda.

"Verschillende factoren kunnen het verval van chloor in opgeslagen water beïnvloeden. Je kunt op dat verzamelpunt veilig water hebben, maar als je het eenmaal thuisbrengt en opslaat, soms tot 24 uur, kun je dat resterende chloor verliezen, ziekteverwekkers kunnen gedijen en ziekte kan zich verspreiden", zegt Lassonde Adjunct Professor Syed Imran Ali, een Research Fellow aan het Dahdaleh Institute for Global Health Research in York, die uit de eerste hand ervaring heeft met het werken in een nederzetting in Zuid-Soedan.

Met behulp van machine learning heeft het onderzoeksteam, waaronder universitair hoofddocent Usman Khan, ook uit Lassonde, een nieuwe manier ontwikkeld om de kans te voorspellen dat er genoeg chloor overblijft tot het laatste glas is verbruikt. Ze gebruikten een kunstmatig neuraal netwerk (ANN) samen met ensemble-voorspellingssystemen (EFS), iets dat normaal gesproken niet wordt gedaan. EFS is een probabilistisch model dat vaak wordt gebruikt om de kans op neerslag in weersvoorspellingen te voorspellen.

"ANN-EFS kan voorspellingen genereren op het moment van consumptie die rekening houden met verschillende factoren die van invloed zijn op het restchloorgehalte, in tegenstelling tot de typisch gebruikte modellen. Deze nieuwe probabilistische modellering vervangt de momenteel gebruikte universele richtlijn voor chloorgebruik, die is ineffectief gebleken", zegt Ali.

Factoren zoals de lokale temperatuur, hoe het water wordt opgeslagen en van huis tot huis wordt verwerkt, het type en de kwaliteit van de waterleidingen, de waterkwaliteit en of een kind zijn hand in de watercontainer heeft gedompeld, kunnen allemaal een rol spelen bij de veiligheid van het water. is om te drinken.

"Het is echter heel belangrijk dat deze probabilistische modellen worden getraind op gegevens in een specifieke nederzetting, omdat elk zo uniek is als een sneeuwvlok", zegt De Santi. "Twee mensen kunnen hetzelfde water op dezelfde dag verzamelen, beide zes uur bewaren, en de een kan nog steeds al het chloor in het water hebben en de ander kan er bijna niets meer van hebben. Nog eens 10 mensen kunnen verschillende bereiken hebben van chloor."

De onderzoekers gebruikten routinematige monitoringgegevens van de waterkwaliteit van twee vluchtelingenkampen in Bangladesh en Tanzania, verzameld via het Safe Water Optimization Tool Project. In Bangladesh werden de gegevens tussen juni en december 2019 verzameld uit 2.130 monsters door Artsen Zonder Grenzen uit kamp 1 van de Kutupalong-Balukhali Extension Site, Cox's Bazaar, toen 83.000 Rohingya-vluchtelingen uit buurland Myanmar werden opgevangen.

Om te bepalen hoe de ANN-EFS moet worden geleerd om met realistische waarschijnlijkheidsvoorspellingen te komen met de kleinst mogelijke fout, was out-of-the-box denken vereist.

"Hoe die fout wordt gemeten, is de sleutel, omdat het bepaalt hoe het model zich gedraagt ​​​​in de context van probabilistische modellering", zegt De Santi. "Met behulp van kostengevoelig leren, een tool die de kostenfunctie verandert in een gericht gedrag bij het gebruik van machine learning, ontdekten we dat het probabilistische voorspellingen en betrouwbaarheid kon verbeteren. We zijn ons niet bewust dat dit in deze context eerder is gedaan."

Dit model kan bijvoorbeeld zeggen dat er onder bepaalde omstandigheden aan de kraan met een bepaalde hoeveelheid vrij restchloor in het water 90 procent kans is dat het resterende chloor in het opgeslagen water na 15 uur onder het veiligheidsniveau voor drinken.

"Dat is het soort probabilistische vastberadenheid dat deze modellering ons kan geven", zegt De Santi. "Net als bij weersvoorspellingen, moet je een paraplu meenemen als er 90 procent kans op regen is. In plaats van een paraplu kunnen we waterbeheerders vragen om de chloorconcentratie te verhogen, zodat er een groter percentage mensen met veilig drinkwater zal zijn ."

"Onze Safe Water Optimization Tool neemt dit machine learning-werk over en stelt het beschikbaar aan hulpverleners in het veld. Het enige verschil voor de waterbeheerders is dat we hen vragen water te proeven in de container bij de kraan en in diezelfde container thuis na enkele uren", zegt Ali.

"Dit werk dat Michael doet, bevordert de praktijk van machinale leermodellen. Dit kan niet alleen worden gebruikt om veilig drinkwater te garanderen in vluchtelingen- en ontheemdennederzettingen, het kan ook in andere toepassingen worden gebruikt." + Verder verkennen

Hoe chloorvrij drinkwater te leveren