Doenças transmitidas pela água são uma das principais causas de surtos de doenças infecciosas em assentamentos de refugiados e deslocados internos (IDP), mas uma equipe liderada pela Universidade de York desenvolveu uma nova técnica para manter a água potável segura usando aprendizado de máquina, e pode ser um jogo trocador. A pesquisa é publicada na revista PLOS Water .
Como a água potável não é canalizada para as casas na maioria dos assentamentos, os moradores a coletam em bicas públicas usando recipientes de armazenamento.

"Quando a água é armazenada em um recipiente em uma residência, ela corre alto risco de ser exposta a contaminantes, por isso é imperativo que haja cloro residual livre suficiente para matar quaisquer patógenos", diz Lassonde School of Engineering Ph.D. estudante Michael De Santi, que faz parte do Dahdaleh Institute for Global Health Research de York, e que liderou a pesquisa.

A recontaminação de água potável anteriormente segura durante sua coleta, transporte e armazenamento tem sido um fator importante em surtos de cólera, hepatite E e shigelose em assentamentos de refugiados e deslocados internos no Quênia, Malawi, Sudão, Sudão do Sul e Uganda.

"Uma variedade de fatores pode afetar a deterioração do cloro na água armazenada. Você pode ter água segura nesse ponto de coleta, mas depois de trazê-la para casa e armazená-la, às vezes até 24 horas, você pode perder esse cloro residual, os patógenos podem prosperar e a doença pode se espalhar", diz o professor adjunto de Lassonde, Syed Imran Ali, pesquisador do Dahdaleh Institute for Global Health Research de York, que tem experiência em trabalhar em um assentamento no Sudão do Sul.

Usando aprendizado de máquina, a equipe de pesquisa – incluindo o professor associado Usman Khan, também de Lassonde – desenvolveu uma nova maneira de prever a probabilidade de que cloro suficiente permaneça até o último copo ser consumido. Eles usaram uma rede neural artificial (RNA) junto com sistemas de previsão de conjunto (EFS), algo que normalmente não é feito. EFS é um modelo probabilístico comumente usado para prever a probabilidade de precipitação em previsões meteorológicas.

"A ANN-EFS pode gerar previsões no momento do consumo que levam em consideração diversos fatores que afetam o nível de cloro residual, diferentemente dos modelos normalmente usados. Essa nova modelagem probabilística está substituindo a diretriz universal de uso de cloro atualmente usada, que mostrou ser ineficaz", diz Ali.

Fatores como a temperatura local, como a água é armazenada e manuseada de casa em casa, o tipo e a qualidade dos canos de água, a qualidade da água e se uma criança mergulhou a mão no recipiente de água podem desempenhar um papel na segurança da água. é beber.

“No entanto, é realmente importante que esses modelos probabilísticos sejam treinados em dados em um assentamento específico, pois cada um é tão único quanto um floco de neve”, diz De Santi. "Duas pessoas podem coletar a mesma água no mesmo dia, ambas armazenam por seis horas, e uma ainda pode ter todo o cloro restante na água e a outra quase nada. Outras 10 pessoas podem ter intervalos variados de cloro."

Os pesquisadores usaram dados rotineiros de monitoramento da qualidade da água de dois assentamentos de refugiados em Bangladesh e na Tanzânia coletados por meio do Projeto Ferramenta de Otimização de Água Segura. Em Bangladesh, os dados foram coletados de 2.130 amostras por Médicos Sem Fronteiras do Campo 1 do Sítio de Extensão Kutupalong-Balukhali, Cox's Bazaar, entre junho e dezembro de 2019, quando hospedou 83.000 refugiados rohingyas do vizinho Mianmar.

Determinar como ensinar o ANN-EFS a criar previsões de probabilidade realistas com o menor erro possível exigia um pensamento inovador.

"Como esse erro é medido é fundamental, pois determina como o modelo se comporta no contexto da modelagem probabilística", diz De Santi. "Usando o aprendizado sensível ao custo, uma ferramenta que transforma a função de custo em um comportamento direcionado ao usar o aprendizado de máquina, descobrimos que isso poderia melhorar as previsões probabilísticas e a confiabilidade. Não estamos cientes de que isso tenha sido feito antes neste contexto."

Por exemplo, este modelo pode dizer que sob certas condições na torneira com uma determinada quantidade de cloro residual livre na água, há 90% de chance de que o cloro restante na água armazenada após 15 horas esteja abaixo do nível de segurança para bebendo.

"Esse é o tipo de determinação probabilística que esta modelagem pode nos dar", diz De Santi. "Como nas previsões do tempo, se houver 90% de chance de chuva, você deve trazer um guarda-chuva. Em vez de um guarda-chuva, podemos pedir aos operadores de água que aumentem a concentração de cloro para que haja uma porcentagem maior de pessoas com água potável. ."

"Nossa Ferramenta de Otimização de Água Segura pega esse trabalho de aprendizado de máquina e o disponibiliza para ajudar os trabalhadores em campo. A única diferença para os operadores de água é que pedimos que eles provem água no recipiente na torneira e no mesmo recipiente em casa depois de várias horas", diz Ali.

"Este trabalho que Michael está fazendo está avançando no estado da prática dos modelos de aprendizado de máquina. Isso não apenas pode ser usado para garantir água potável em assentamentos de refugiados e deslocados internos, mas também pode ser usado em outras aplicações". + Explorar mais

Como fornecer água potável sem cloro