Învățarea automată prezice riscurile patogenilor în sursele de apă potabilă
O apă potabilă sigură depinde nu doar de tratament, ci și de cunoașterea momentului în care microorganismele dăunătoare pot fi prezente în sursele de apă.
Cercetătorii au dezvoltat un cadru bazat pe date care utilizează indicatorii de calitate a apei măsurați în mod obișnuit pentru a prezice concentrațiile de patogeni și a estima riscurile potențiale pentru sănătate.
Studiul, publicat în Biocontaminant, îmbină învățarea automată cu evaluarea cantitativă a riscurilor microbiene, sau QMRA, pentru a crea un cadru ML-QMRA destinat monitorizării surselor de apă potabilă. Această abordare ar putea completa testarea microbiană convențională, oferind estimări mai rapide ale riscurilor de contaminare pe baza datelor de calitate a apei disponibile.
„Monitorizarea de rutină generează deja o cantitate mare de informații despre mediu. Scopul nostru a fost să determinăm dacă aceste variabile măsurate frecvent ar putea ajuta, de asemenea, la anticiparea contaminării microbiene și să traducem acele predicții în estimări semnificative ale riscurilor pentru sănătate”, a declarat Changzheng Cui, autor corespunzător al studiului de la Universitatea de Știință și Tehnologie din Estul Chinei.
Cercetătorii au colectat 95 de probe de apă de suprafață din două surse de apă potabilă dintr-un oraș mare din estul Chinei între mai 2024 și decembrie 2025. Au monitorizat trei bacterii indicator folosite frecvent: coliformi fecali, Escherichia coli și Enterococcus faecalis, alături de șase patogeni: Pseudomonas aeruginosa, Salmonella spp., Shigella spp., adenovirus, norovirus și enterovirus.
Rezultatele au scos la iveală o limitare semnificativă a indicatorilor microbieni convenționali. Deși cele trei bacterii indicator fecale erau corelate între ele, relațiile lor cu patogenii virali au fost în general slabe sau inconsistente. Aceasta înseamnă că indicatorii bacterieni, singuri, nu reflectă întotdeauna cu exactitate contaminarea virală.
Pentru a îmbunătăți predicția, echipa a comparat șase abordări de învățare automată, care includ regresia liniară multiplă, învățarea prin întărire a celor mai mici pătrate, arborii de decizie, mașina cu vectori de suport, pădurea aleatoare și perceptronul multistrat.
Modelele Random Forest și Decision Tree au avut rezultate deosebit de bune, iar toate modelele optimizate au obținut valori R² de peste 0,75. Modelul Decision Tree a arătat o performanță deosebită pentru P. aeruginosa, având un R² de peste 0,90. Datele independente colectate în ianuarie și februarie 2026 au fost, de asemenea, utilizate pentru validarea temporală, susținând capacitatea majorității modelelor de a face predicții dincolo de perioada inițială de antrenament.
Cercetătorii au legat apoi concentrațiile de patogeni prezise de calculele QMRA exprimate în ani de viață ajustați în funcție de dizabilitate, sau DALY. Cele mai multe riscuri estimate au rămas sub pragul de 10⁻⁶ DALYs per persoană pe an stabilit de Organizația Mondială a Sănătății, dar Salmonella spp., Shigella spp. și enterovirus au arătat probabilități de a depăși acest prag în condiții nefavorabile de expunere.
Analiza a identificat, de asemenea, eficiența dezinfecției ca fiind factorul dominant care influențează riscul estimat pentru sănătate, subliniind importanța unui tratament stabil și eficient al apei potabile.
Pentru a face modelele de învățare automată mai transparente, cercetătorii au utilizat explicații aditive SHapley, sau SHAP. Turbiditatea a fost printre cei mai puternici predictori pentru bacteriile indicator fecale, reprezentând între 41,6% și 62,1% din importanța predictivă în acele modele. Temperatura, oxigenul dizolvat, precipitațiile și alți indicatori de calitate a apei au contribuit diferit la patogenii individuali.
Studiul arată că măsurile fizico-chimice de rutină pot oferi informații predictive utile despre nivelurile de patogeni și riscurile potențiale asociate sănătății. Totuși, autorii subliniază că cadrul necesită în continuare validare în diferite bazine hidrografice, sezoane, sisteme de tratament și condiții de utilizare a terenului.
Integrarea viitoare a modelelor ML-QMRA cu sistemele de monitorizare în timp real ar putea ajuta gestionarii ape să identifice mai devreme perioadele de risc microbian crescut și să sprijine intervenții mai targetate pentru siguranța apei.
