库廷（10月24日）：马来西亚技术大学（UTM）东盟学习网络秘书阿卜杜拉·诺尔哈亚蒂教授表示，将人工智能（AI）与基于废水的流行病学（WBE）数据相结合，为改善对传染病的公共卫生应对提供了一种有前景的策略。
诺尔哈亚蒂博士代表莫纳什大学的阿拉什·扎米亚迪博士，在2024年婆罗洲国际水和废水展览及会议（BIWWEC）上发表了题为“人工智能在基于废水的流行病学数据中预测传染病传播的应用及扩展”的演讲。
诺尔哈亚蒂博士强调了阿拉什博士及其团队的工作，他们利用先进的AI技术分析大量数据集，特别是在监测新冠病毒RNA片段的污水中，这在疫情期间发挥了关键作用。
她提到，在研究中，一个关键问题是：虽然收集了大量样本，但如何有效地使用AI管理如此庞大的数据量？
通过纳入额外的参数如体积流量和流域人口，该团队能够计算社区中的活跃新冠病例并预测传染病的传播。
诺尔哈亚蒂博士解释说：“这种方法允许高效分配医疗资源，减轻医疗系统的压力，并使卫生当局了解社区内疾病的传播情况。”
她进一步详细介绍了机器学习模型在管理大量数据中的作用。这些模型可以识别数据集中的模式并做出准确预测，且需要最少的人工干预。它们能够根据提供的数据自我改进，从而在管理公共卫生危机中发挥更大的价值。
“面对如此庞大的数据，手动管理变得不切实际。机器学习使我们能够选择特定的模型，识别模式，并以最少的人工输入进行预测。”她说道。
她还提到，阿拉什博士的工作还强调了使用大数据进行疾病预测的重要性，其中基于每日采样的预测可以帮助预测趋势并指导未来的数据收集工作。
诺尔哈亚蒂博士总结道，通过优化采样频率，可以提高WBE预测的准确性，从而使AI算法更有效地识别模式。然而，预测的准确性也可能受到诸如人口流动性、采样方法、废水成分和环境条件等因素的影响。
“有趣的是，过多的数据有时会负面影响预测性能。”尽管机器学习算法非常有效，诺尔哈亚蒂博士警告说，它们的成功取决于其使用的上下文。“单一算法可能不适合所有数据集或用例。”她强调了为每种情况选择合适工具的重要性。
(全文结束)
