Desarrollan técnica para mantener el agua potable segura utilizando inteligencia artificial

Las enfermedades transmitidas por el agua son una de las principales causas de los brotes de enfermedades infecciosas en los asentamientos de refugiados y desplazados internos (IDP), pero un equipo dirigido por la Universidad de York ha desarrollado una nueva técnica para mantener el agua potable segura mediante el aprendizaje automático.

Como el agua potable no llega a los hogares en la mayoría de los asentamientos, los residentes la recogen de los grifos públicos mediante contenedores de almacenamiento.

“Cuando el agua se almacena en un recipiente en una vivienda, corre un alto riesgo de estar expuesta a contaminantes, por lo que es imperativo que haya suficiente cloro residual libre para matar cualquier patógeno“, dice el Ph.D. de la Escuela de Ingeniería Lassonde. estudiante Michael De Santi, que forma parte del Instituto Dahdaleh de Investigación en Salud Global de York, y que dirigió la investigación.

La recontaminación del agua potable que antes era segura durante su recolección, transporte y almacenamiento ha sido un factor importante en los brotes de cólera, hepatitis E y shigellosis en asentamientos de refugiados y desplazados internos en Kenia, Malawi, Sudán, Sudán del Sur y Uganda.

“Una variedad de factores pueden afectar la descomposición del cloro en el agua almacenada.

Puede tener agua segura en ese punto de recolección, pero una vez que la lleva a casa y la almacena, a veces hasta por 24 horas, puede perder ese cloro residual, los patógenos pueden prosperar y la enfermedad se puede propagar“, dice el profesor adjunto de Lassonde, Syed Imran Ali, miembro investigador del Instituto Dahdaleh para la Investigación de la Salud Global de York, que tiene experiencia de primera mano trabajando en un asentamiento en Sudán del Sur.

Utilizando el aprendizaje automático, el equipo de investigación, incluido el profesor asociado Usman Khan, también de Lassonde, ha desarrollado una nueva forma de predecir la probabilidad de que quede suficiente cloro hasta que se consuma el último vaso.

Utilizaron una red neuronal artificial (ANN) junto con sistemas de pronóstico por conjuntos (EFS), algo que normalmente no se hace.

EFS es un modelo probabilístico comúnmente utilizado para predecir la probabilidad de precipitación en los pronósticos meteorológicos.

“ANN-EFS puede generar pronósticos en el momento del consumo que toman en consideración una variedad de factores que afectan el nivel de cloro residual, a diferencia de los modelos típicamente utilizados.

Este nuevo modelo probabilístico está reemplazando la guía universal actualmente utilizada para el uso de cloro, que ha demostrado ser ineficaz”, dice Ali.

Factores como la temperatura local, cómo se almacena y maneja el agua de un hogar a otro, el tipo y la calidad de las tuberías de agua, la calidad del agua y si un niño mojó la mano en el recipiente de agua pueden desempeñar un papel en la seguridad del agua para beber.

“Sin embargo, es muy importante que estos modelos probabilísticos se entrenen con datos de un asentamiento específico, ya que cada uno es tan único como un copo de nieve“, dice De Santi.

“Dos personas podrían recolectar la misma agua el mismo día, ambas almacenarla durante seis horas, y una todavía podría tener todo el cloro restante en el agua y la otra podría tener casi nada.

Otras 10 personas podrían tener rangos diferentes de cloro”.

Los investigadores utilizaron datos de monitoreo de rutina de la calidad del agua de dos asentamientos de refugiados en Bangladesh y Tanzania recopilados a través del Proyecto de Herramienta de Optimización de Agua Segura.

En Bangladesh, Médicos Sin Fronteras recopiló los datos de 2130 muestras del Campamento 1 del sitio de extensión Kutupalong-Balukhali, Cox’s Bazaar, entre junio y diciembre de 2019, cuando acogió a 83 000 refugiados rohingya del vecino Myanmar.

Determinar cómo enseñar a ANN-EFS a generar pronósticos de probabilidad realistas con el menor error posible requirió un pensamiento innovador.

“La forma en que se mide ese error es clave, ya que determina cómo se comporta el modelo en el contexto del modelado probabilístico“, dice De Santi.

“Usando el aprendizaje sensible a los costos, una herramienta que transforma la función de costos hacia un comportamiento específico cuando se usa el aprendizaje automático, descubrimos que podría mejorar los pronósticos probabilísticos y la confiabilidad.

No sabemos que esto se haya hecho antes en este contexto“.

Por ejemplo, este modelo puede decir que bajo ciertas condiciones en el grifo con una cantidad particular de cloro residual libre en el agua, existe un 90 por ciento de probabilidad de que el cloro restante en el agua almacenada después de 15 horas esté por debajo del nivel de seguridad para beber.

“Ese es el tipo de determinación probabilística que nos puede dar este modelo“, dice De Santi.

“Al igual que con los pronósticos del tiempo, si hay un 90 por ciento de probabilidad de lluvia, debe traer un paraguas.

En lugar de un paraguas, podemos pedirles a los operadores de agua que aumenten la concentración de cloro para que haya un mayor porcentaje de personas con agua potable segura“.

“Nuestra herramienta de optimización de agua segura toma este trabajo de aprendizaje automático y lo pone a disposición de los trabajadores de campo.

La única diferencia para los operadores de agua es que les pedimos que tomen muestras de agua en el recipiente del grifo y en el mismo recipiente en el hogar después de varias horas“, dice Ali.

“Este trabajo que está haciendo Michael está mejorando el estado de la práctica de los modelos de aprendizaje automático.

Esto no solo se puede usar para garantizar agua potable segura en los asentamientos de refugiados y desplazados internos, sino que también se puede usar en otras aplicaciones“.

Fuente: Phys.org