Kredit:CC0 Public Domain
Vattenburen sjukdom är en av de främsta orsakerna till utbrott av infektionssjukdomar i bosättningar för flyktingar och internt fördrivna personer (IDP), men ett team ledd av York University har utvecklat en ny teknik för att hålla dricksvatten säkert med hjälp av maskininlärning, och det kan vara ett spel växlare. Forskningen är publicerad i tidskriften PLOS Water .
Eftersom dricksvatten inte leds in i hemmen i de flesta bosättningar, hämtar invånarna det istället från offentliga kranställ med hjälp av förvaringsbehållare.
"När vatten lagras i en behållare i en bostad löper det stor risk att utsättas för föroreningar, så det är absolut nödvändigt att det finns tillräckligt med fritt kvarvarande klor för att döda alla patogener", säger Lassonde School of Engineering Ph.D. student Michael De Santi, som är en del av Yorks Dahdaleh Institute for Global Health Research, och som ledde forskningen.
Återkontaminering av tidigare säkert dricksvatten under insamling, transport och lagring har varit en viktig faktor vid utbrott av kolera, hepatit E och shigellos i flykting- och internflyktingar i Kenya, Malawi, Sudan, Sydsudan och Uganda.
"En mängd olika faktorer kan påverka sönderfall av klor i lagrat vatten. Du kan ha säkert vatten vid den uppsamlingsplatsen, men när du väl tar hem det och lagrar det, ibland upp till 24 timmar, kan du förlora det kvarvarande kloret, patogener kan frodas och sjukdom kan sprida sig", säger Lassonde adjungerad professor Syed Imran Ali, forskare vid Yorks Dahdaleh Institute for Global Health Research, som har förstahandserfarenhet av att arbeta i en bosättning i Sydsudan.
Med hjälp av maskininlärning har forskargruppen – inklusive docent Usman Khan, också från Lassonde – utvecklat ett nytt sätt att förutsäga sannolikheten att tillräckligt med klor kommer att finnas kvar tills det sista glaset är förbrukat. De använde ett artificiellt neuralt nätverk (ANN) tillsammans med ensemble forecasting systems (EFS), något som vanligtvis inte görs. EFS är en probabilistisk modell som vanligtvis används för att förutsäga sannolikheten för nederbörd i väderprognoser.
"ANN-EFS kan generera prognoser vid tidpunkten för konsumtion som tar hänsyn till en mängd olika faktorer som påverkar nivån av kvarvarande klor, till skillnad från de typiskt använda modellerna. Denna nya probabilistiska modellering ersätter den för närvarande använda universella riktlinjen för kloranvändning, som har visat sig vara ineffektivt", säger Ali.
Faktorer som lokal temperatur, hur vattnet lagras och hanteras från hem till hem, typ och kvalitet på vattenledningarna, vattenkvalitet och om ett barn doppat handen i vattenbehållaren kan alla spela roll för hur säkert vattnet är. är att dricka.
"Men det är verkligen viktigt att dessa probabilistiska modeller tränas på data vid en specifik bosättning eftersom var och en är lika unik som en snöflinga", säger De Santi. "Två personer kunde samla samma vatten på samma dag, båda lagra det i sex timmar, och en kunde fortfarande ha allt klor kvar i vattnet och den andra kunde ha nästan inget kvar. Ytterligare 10 personer kunde ha olika räckvidder av klor."
Forskarna använde rutinmässig vattenkvalitetsövervakningsdata från två flyktingbosättningar i Bangladesh och Tanzania insamlade genom Safe Water Optimization Tool Project. I Bangladesh samlades uppgifterna in från 2 130 prover av Läkare Utan Gränser från läger 1 på Kutupalong-Balukhali Extension Site, Cox's Bazaar mellan juni och december 2019 då den var värd för 83 000 rohingyaflyktingar från grannlandet Myanmar.
Att bestämma hur man ska lära ANN-EFS att komma med realistiska sannolikhetsprognoser med minsta möjliga fel krävde att man kunde tänka utanför boxen.
"Hur det felet mäts är nyckeln eftersom det avgör hur modellen beter sig i samband med probabilistisk modellering", säger De Santi. "Genom att använda kostnadskänslig inlärning, ett verktyg som omvandlar kostnadsfunktionen mot ett riktat beteende när man använder maskininlärning, fann vi att det kunde förbättra sannolikhetsprognoser och tillförlitlighet. Vi är inte medvetna om att detta har gjorts tidigare i detta sammanhang."
Till exempel kan denna modell säga att det under vissa förhållanden vid kranen med en viss mängd fritt restklor i vattnet är 90 procents chans att det kvarvarande kloret i det lagrade vattnet efter 15 timmar ligger under säkerhetsnivån för dricker.
"Det är den typen av probabilistisk beslutsamhet som denna modellering kan ge oss", säger De Santi. "Som med väderprognoser, om det finns 90 procents chans för regn, bör du ta med ett paraply. Istället för ett paraply kan vi be vattenoperatörer att öka klorkoncentrationen så att det blir en större andel människor med säkert dricksvatten ."
"Vårt Safe Water Optimization Tool tar detta maskininlärningsarbete och gör det tillgängligt för hjälparbetare på fältet. Den enda skillnaden för vattenoperatörerna är att vi ber dem att prova vatten i behållaren vid kranen och i samma behållare i hemmet efter flera timmar", säger Ali.
"Detta arbete som Michael gör är att förbättra tillståndet för maskininlärningsmodeller. Detta kan inte bara användas för att säkerställa säkert dricksvatten i flykting- och internflyktingar, det kan också användas i andra tillämpningar." + Utforska vidare