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. همچنین، نتایج آزمایش مدل‌ها با داده‌های جدید جمع‌آوری‌شده در ژانویه و فوریه ۲۰۲۶ نشان داد که بیشتر آنها می‌توانند آلودگی را در دوره‌های زمانی جدید نیز پیش‌بینی کنند.

سپس پژوهشگران میزان پیش‌بینی‌شده عوامل بیماری‌زا را با استفاده از روشی برای ارزیابی خطر سلامت بررسی کردند. بیشتر خطرهای برآورد شده پایین‌تر از حد معیار سازمان جهانی بهداشت بود، اما در شرایط نامطلوب، خطر ناشی از سالمونلا، شیگلا و انتروویروس می‌توانست از این حد فراتر رود. نتایج همچنین کارایی فرایند گندزدایی را مهم‌ترین عامل موثر بر خطر سلامت شناسایی و بر اهمیت تصفیه پایدار و موثر آب آشامیدنی تاکید کرد.

آنان برای درک بهتر نحوه عملکرد مدل‌های یادگیری ماشین، از روشی به نام  «تحلیل حساسیت مدل‌های هوش مصنوعی»  (SHAP) استفاده کردند. نتایج نشان داد، کدر بودن آب، یکی از مهم‌ترین عوامل در پیش‌بینی باکتری‌های شاخص آلودگی مدفوعی است و بین ۴۱.۶ تا ۶۲.۱ درصد از اهمیت پیش‌بینی را به خود اختصاص می‌دهد. دمای آب، میزان اکسیژن محلول، بارندگی و دیگر شاخص‌های کیفیت آب نیز بر اساس نوع عامل بیماری‌زا، تاثیر متفاوتی بر پیش‌بینی‌ها داشتند.

نتایج این پژوهش نشان داد، داده‌های معمول مربوط به ویژگی‌های فیزیکی و شیمیایی آب می‌توانند اطلاعات مفیدی برای پیش‌بینی میزان عوامل بیماری‌زا و خطر احتمالی آنها برای سلامت فراهم کنند. با این حال، پژوهشگران تاکید کردند که این چارچوب باید در شرایط مختلف، ازجمله حوضه‌های آبریز، فصل‌ها، سامانه‌های تصفیه و کاربری‌های مختلف زمین، بیشتر آزمایش و اعتبارسنجی شود.

طبق گزارش مدیکال، در آینده، ترکیب این مدل‌های یادگیری ماشین با سامانه‌های پایش لحظه‌ای می‌تواند به مدیران آب کمک کند دوره‌های افزایش خطر آلودگی میکروبی را زودتر شناسایی و اقدامات ایمنی مناسب‌تری را هدف‌گذاری کنند.

نتایج این پژوهش در نشریه Biocontaminant منتشر شده است.

انتهای پیام