Modelele de învățare automată prezic riscul patogenilor în apa potabilă
Sursele de apă potabilă pot conține diverși patogeni bacterieni și virali, ceea ce face ca monitorizarea fiabilă să fie esențială pentru protecția sănătății publice.
Surveillance-ul convențional se bazează adesea pe bacteriile indicatoare fecale, dar aceste organisme nu reflectă întotdeauna prezența patogenilor specifici, în special a virusurilor. Metodele de cultură pot dura câteva zile, în timp ce testarea moleculară necesită echipamente specializate și personal instruit.
Învățarea automată oferă o modalitate de a estima concentrațiile microbiene din măsurători de mediu colectate în mod regulat, capturând relații pe care modelele lineare simple le pot omite. Cu toate acestea, multe dintre lucrările anterioare s-au concentrat pe bacteriile indicatoare, mai degrabă decât pe patogenii în sine. Astfel, conectarea predicțiilor despre patogeni cu evaluarea riscurilor pentru sănătate rămâne o nevoie importantă de cercetare, alături de determinarea dacă aceste modele pot oferi informații utile și interpretabile în condiții de mediu variabile și pe parcursul unor perioade diferite de monitorizare.
Un studiu publicat pe 10 iulie 2026 de echipa lui Changzheng Cui, de la Universitatea de Știință și Tehnologie din Estul Chinei, arată că măsurătorile de mediu ar putea susține predicțiile pentru mai multe ținte microbiene și genera estimări de risc pentru sănătate, în general consistente cu calculele bazate pe concentrațiile de patogeni măsurate.
Cercetătorii au colectat 95 de probe de apă de suprafață din cinci locații fixe situate în două surse de apă potabilă dintr-un oraș din estul Chinei, între mai 2024 și decembrie 2025. Au măsurat șapte parametri de calitate a apei, inclusiv temperatura, turbiditatea, conductivitatea, oxigenul dizolvat și substanțele solide dizolvate totale, și au încorporat șase variabile meteorologice. Filtrarea prin membrană a cuantificat trei bacterii indicatoare, în timp ce reacția în lanț a polimerazei cuantitative a măsurat șase patogeni: Pseudomonas aeruginosa, Salmonella spp., Shigella spp., adenovirus, norovirus și enterovirus.
Au fost comparate șase algoritmi, inclusiv regresia liniară, boosting, arbori de decizie, mașini cu vectori de suport, păduri aleatoare și rețele neuronale. Loturile de probe au fost păstrate împreună la divizarea seturilor de date pentru antrenare și testare, iar validarea încrucișată grupată a susținut optimizarea modelului.
Probe suplimentare colectate în ianuarie și februarie 2026 au oferit o validare temporală independentă. Măsurătorile microbiene au relevat contaminări frecvente și relații slabe sau inconsistente între bacteriile indicatoare și virusuri. Pădurile aleatoare și arborii de decizie au avut cele mai bune performanțe pentru majoritatea țintelor. Modelele selectate au atins coeficienți de determinare raportați de peste 0,75, arborul de decizie pentru P. aeruginosa depășind 0,90.
Validarea temporală a susținut în general performanța predictivă, deși incertitudinea a rămas mai mare pentru mai mulți patogeni. Analiza SHapley Additive exPlanations a identificat turbiditatea ca fiind un contributor dominant la predicțiile bacteriilor indicatoare, în timp ce modelele patogenilor s-au bazat pe combinații diferite de variabile de mediu. Echipa a încorporat apoi concentrațiile prevăzute în evaluarea cantitativă a riscurilor microbiene și a utilizat 10.000 de iterații Monte Carlo pentru a caracteriza incertitudinea.
Distribuțiile estimate ale poverii bolii au corespuns în general celor calculate din concentrațiile măsurate. Sub ipotezele de expunere și tratament modelate, Salmonella, Shigella și enterovirusul au avut probabilități estimate de 31,68%, 59,70% și, respectiv, 20,86%, de a depăși benchmark-ul poverii de sănătate al studiului. Eficiența dezinfecției a fost cel mai puternic factor care a influențat variabilitatea riscurilor. Aceste estimări descriu riscuri potențiale în scenarii specificate; detecția moleculară măsoară materialul genetic și nu stabilește independent infectivitatea patogenului sau boala reală în rândul consumatorilor.
Rezultatele subliniază, de asemenea, performanța tratamentului ca fiind esențială în controlul expunerii microbiene. Studiul oferă o cale practică de la monitorizarea de mediu de rutină la estimări interpretabile ale pericolelor microbiene și posibilele consecințe asupra sănătății. Este necesară o validare suplimentară în bazine hidrografice independente, sezoane și condiții de tratament înainte de o desfășurare mai largă. Integrarea cu platforme de monitorizare în timp real ar putea, în cele din urmă, să susțină testarea țintită, intervenții rapide și o gestionare mai reactivă a surselor de apă potabilă.
