سامانه‌های هوش مصنوعی موجود می‌توانند از داده‌های ماهواره‌ای برای پیش‌بینی امنیت غذایی محلی استفاده کنند اما معمولا به ویژگی‌های قابل مشاهده مستقیم متکی هستند. برای مثال، بهره‌وری کشاورزی از طریق مشاهده پوشش گیاهی قابل تخمین است. نکته اینجاست که محاسبه در دسترس بودن ریزمغذی‌ها، سخت‌تر خواهد بود زیرا ویژگی‌های قابل‌مشاهده مستقیم در آن کمتر است. محققان این پروژه یعنی الیزابت باندی و همکارانش، پس از بررسی تحقیقاتی که نشان می‌دهد مناطق نزدیک به جنگل دارای تنوع غذایی بهتری هستند، به این فکر افتادند که برای تشخیص مناطق در خطر سوءتغذیه، دقیقا از همین نشانه‌های کمتر شناخته شده و  پنهان بهره ببرند. نتایج کار این محققان مشخص کرد استفاده و  ترکیب داده‌هایی مانند آب و هوا، پوشش گیاهی و حضور آب می‌تواند کمک کند تا بفهمند مردم در کجا کمبود آهن، ویتامین B12 یا ویتامین A دارند.
این تیم در مرحله بعد، اندازه‌گیری‌های ماهواره‌ای خام را بررسی کردند و از مقامات بهداشت محلی مشورت گرفتند، سپس از هوش مصنوعی برای غربال‌کردن داده‌ها و مشخص‌کردن ویژگی‌های کلیدی، استفاده کردند. برای مثال یک بازار مواد غذایی که براساس جاده‌ها و ساختمان‌های قابل مشاهده تحلیل می‌شود، یک ویژگی حیاتی برای پیش‌بینی سطح خطر منطقه محسوب می‌شود. مرحله بعدی کار آنها این بود تا ویژگی‌های کلیدی را با مواد مغذی خاصی که در جمعیت‌های چهار منطقه در سراسر ماداگاسکار وجود نداشت، مرتبط کنند. آنها از داده‌های واقعی نشانه‌های زیستی، کمبود مواد مغذی مثل نمونه‌های خون آزمایش‌شده در آزمایشگاه برای آموزش دادن به برنامه هوش‌مصنوعی خود استفاده کردند.
پیش‌بینی کمبود ریزمغذی‌ها در سطح دیگر مناطق فوق‌العاده است. صحت تخمین‌ها براساس نظرسنجی‌هایی که از سوی مقامات بهداشت آن مناطق انجام شده، نه تنها رضایت‌بخش است بلکه گاهی فراتر از انتظار است. خانم باندی می‌گوید: «کار ما با شناسایی و هدف‌گیری جمعیت‌های آسیب‌پذیر، حمایت تغذیه‌ای از آنها را فراهم می‌کند که ممکن است به‌عنوان یک مکمل در کنار روش‌های دیگر در نظر گرفته شود.» کریستین اِکنگا، اپیدمیولوژیست دانشگاه اِموری که در این مطالعه شرکت نداشته، می‌گوید: «این کار جدیدی است که ظرفیت هوش مصنوعی را در ارتقای سلامت عمومی نشان می‌دهد.»

 منبع: Scientific American
حمیدرضا قنبریها - گروه دانش و سلامت