هوش مصنوعی خطر آلودگی آب آشامیدنی را تشخیص می‌دهد

پژوهشگران یادگیری ماشین (مطالعه الگوریتم‌ها و مدل‌های آماری مورد استفاده سیستم‌های کامپیوتری است که به‌جای استفاده از دستورالعمل‌های واضح، از الگوها و استنباط برای انجام وظایف استفاده می‌کنند) را با ارزیابی کمی خطر میکروبی (QMRA) ترکیب و چارچوبی موسوم به «ام‌ال-کیوام‌آرای» (ML-QMRA) برای پایش منابع آب آشامیدنی ایجاد کردند. این رویکرد می‌تواند در کنار آزمایش‌های متداول میکروبی مورد استفاده قرار گیرد و با بهره‌گیری از داده‌های در دسترس درباره کیفیت آب، برآوردهای سریع‌تری از خطر آلودگی ارائه دهد.

چانگ‌ژنگ کوی، پژوهشگر ارشد این پژوهش از دانشگاه علم و فناوری شرق چین گفت: پایش معمول، حجم زیادی از اطلاعات محیطی را تولید می‌کند. هدف ما این بود که مشخص کنیم آیا این متغیرهایی که به‌طور معمول اندازه‌گیری می‌شوند، می‌توانند به پیش‌بینی آلودگی میکروبی و تبدیل این پیش‌بینی‌ها به برآوردهای معنادار از خطر سلامت نیز کمک کنند.

پژوهشگران بین ماه مه ۲۰۲۴ تا دسامبر ۲۰۲۵، ۹۵ نمونه آب سطحی از دو منبع آب آشامیدنی در یکی از شهرهای بزرگ شرق چین جمع‌آوری کردند. آنان سه باکتری شاخص مورد استفاده در پایش آب، کلیفرم‌های مدفوعی، اشریشیا کلی و انتروکوکوس فکالیس را همراه با ۶ عامل بیماری‌زا شامل سودوموناس آئروژینوزا، گونه‌های سالمونلا، گونه‌های شیگلا، آدنوویروس، نوروویروس و انتروویروس بررسی کردند.

نتایج، محدودیت مهم شاخص‌های میکروبی متداول را نشان داد. اگرچه میان سه باکتری شاخص مدفوعی ارتباط معناداری وجود داشت، ارتباط آنها با عوامل بیماری‌زای ویروسی در بیشتر موارد ضعیف یا نامنظم بود. این مورد نشان می‌دهد شاخص‌های باکتریایی به‌تنهایی ممکن است همیشه تصویر دقیقی از آلودگی ویروسی ارائه نکنند.

گروه پژوهشی برای بهبود پیش‌بینی‌ها، ۶ روش یادگیری ماشین را با یکدیگر مقایسه کرد و دریافت که برخی مدل‌ها بهترین عملکرد را دارند و یکی از مدل‌ها توانست میزان یکی از باکتری‌های بیماری‌زا را با دقت بیش از ۹۰ درصد پیش‌بینی کند. …