Le malattie trasmesse dall’acqua sono una delle principali cause di focolai di malattie infettive negli insediamenti di rifugiati e sfollati interni (IDP), ma un team guidato dalla York University ha sviluppato una nuova tecnica per mantenere sicura l’acqua potabile utilizzando la macchina apprendimento, e potrebbe essere un punto di svolta.
Poiché l’acqua potabile non viene convogliata nelle case nella maggior parte degli insediamenti, i residenti la raccolgono invece dai rubinetti pubblici utilizzando contenitori di stoccaggio.
“Quando l’acqua viene conservata in un contenitore in un’abitazione, è ad alto rischio di essere esposta a contaminanti, quindi è imperativo che ci sia abbastanza cloro residuo libero per uccidere eventuali agenti patogeni”, afferma Michael De Santi, dottorando della Lassonde School of Engineering, membro di Dahdaleh Institute for Global Health Research di York, che ha guidato la ricerca.
La ricontaminazione dell’acqua potabile precedentemente sicura durante la raccolta, il trasporto e lo stoccaggio è stato un fattore importante nei focolai di colera, epatite E e shigellosi negli insediamenti di rifugiati e sfollati interni in Kenya, Malawi, Sudan, Sud Sudan e Uganda.
“Una varietà di fattori può influenzare il decadimento del cloro nell’acqua immagazzinata. Puoi avere acqua sicura in quel punto di raccolta, ma una volta che la porti a casa e la conservi, a volte fino a 24 ore, puoi perdere quel cloro residuo, gli agenti patogeni possono prosperare e la malattia può diffondersi “, afferma Syed Imran Ali , professore aggiunto di Lassonde , un ricercatore presso il Dahdaleh Institute for Global Health Research di York, che ha esperienza diretta di lavoro in un insediamento in Sud Sudan.
Utilizzando l’apprendimento automatico, il team di ricerca, tra cui il Professore Associato Usman Khan anche lui di Lassonde, ha sviluppato un nuovo modo per prevedere la probabilità che rimanga abbastanza cloro fino al consumo dell’ultimo bicchiere. Hanno utilizzato una rete neurale artificiale (ANN) insieme a sistemi di previsione dell’insieme (EFS), cosa che in genere non viene eseguita. EFS è un modello probabilistico comunemente utilizzato per prevedere la probabilità di precipitazioni nelle previsioni meteorologiche.
“ANN-EFS è in grado di generare previsioni al momento del consumo che prendono in considerazione una serie di fattori che influiscono sul livello di cloro residuo, a differenza dei modelli tipicamente utilizzati. Questa nuova modellazione probabilistica sta sostituendo le linee guida universali attualmente utilizzate per l’uso del cloro, che si sono rivelate inefficaci”, afferma Ali.
Fattori come la temperatura locale, il modo in cui l’acqua viene conservata e gestita da casa a casa, il tipo e la qualità dei tubi dell’acqua, la qualità dell’acqua o se un bambino ha immerso la mano nel contenitore dell’acqua, possono tutti svolgere un ruolo nella sicurezza del l’acqua è da bere.
“Tuttavia, è davvero importante che questi modelli probabilistici siano addestrati sui dati di un insediamento specifico poiché ognuno è unico come un fiocco di neve”, afferma De Santi. “Due persone potrebbero raccogliere la stessa acqua lo stesso giorno, entrambe conservarla per sei ore, e una potrebbe avere ancora tutto il cloro rimasto nell’acqua e l’altra potrebbe non averne quasi più. Altre 10 persone potrebbero avere gamme di cloro variabili”.
I ricercatori hanno utilizzato i dati di monitoraggio di routine della qualità dell’acqua provenienti da due insediamenti di rifugiati in Bangladesh e Tanzania raccolti attraverso il progetto Safe Water Optimization Tool Project . In Bangladesh, i dati sono stati raccolti da 2.130 campioni da Medici senza frontiere dal campo 1 del sito di estensione di Kutupalong-Balukhali, Cox’s Bazaar tra giugno e dicembre 2019, quando ha ospitato 83.000 rifugiati Rohingya dal vicino Myanmar.
Determinare come insegnare all’ANN-EFS a elaborare previsioni probabilistiche realistiche con il minor errore possibile richiedeva un pensiero pronto all’uso.
“Il modo in cui viene misurato l’errore è fondamentale in quanto determina il comportamento del modello nel contesto della modellazione probabilistica”, afferma De Santi. “Utilizzando l’apprendimento sensibile ai costi, uno strumento che trasforma la funzione di costo in un comportamento mirato quando si utilizza l’apprendimento automatico, abbiamo scoperto che potrebbe migliorare le previsioni probabilistiche e l’affidabilità. Non siamo consapevoli che ciò sia stato fatto prima in questo contesto”.
Ad esempio, questo modello può dire che in determinate condizioni al rubinetto con una particolare quantità di cloro residuo libero nell’acqua, c’è una probabilità del 90% che il cloro residuo nell’acqua immagazzinata dopo 15 ore sia al di sotto del livello di sicurezza per bere.
“Questo è il tipo di determinazione probabilistica che questa modellazione può darci”, afferma De Santi. “Come per le previsioni del tempo, se c’è una probabilità del 90% di pioggia, dovresti portare un ombrello. Invece di un ombrello, possiamo chiedere agli operatori idrici di aumentare la concentrazione di cloro in modo che ci sia una percentuale maggiore di persone con acqua potabile sicura”.
“Il nostro strumento di ottimizzazione dell’acqua sicura prende questo lavoro di apprendimento automatico e lo rende disponibile per aiutare i lavoratori sul campo. L’unica differenza per gli operatori idrici è che chiediamo loro di campionare l’acqua nel contenitore al rubinetto e nello stesso contenitore a casa dopo diverse ore”, afferma Ali.
“Questo lavoro che Michael sta facendo sta facendo avanzare lo stato della pratica dei modelli di apprendimento automatico. Questo non solo può essere utilizzato per garantire acqua potabile sicura negli insediamenti di rifugiati e sfollati interni, ma può anche essere utilizzato in altre applicazioni”.
Il documento Modeling point-of-consumption residuo cloro nella risposta umanitaria: l’apprendimento sensibile ai costi può migliorare le previsioni probabilistiche? , sarà pubblicato sulla rivista PLOS Water .
