En ny hybridmodell för prognos av spridning av marköverförda helminthinfektioner (STH) under marktemperaturförhållanden med Random Forest och Particle Swarm Optimization-algoritm

Varför varm mark spelar roll för dolda infektioner

I stora delar av Nigeria utsätts miljontals människor för små parasitmaskar som lever i jorden och tyst kan skada barns tillväxt och vuxnas produktivitet. Dessa infektioner frodas eller avtar beroende på hur varm marken är bara några centimeter under våra fötter. Denna studie undersöker hur kombinationen av avancerade datoralgoritmer och detaljerade data om marktemperatur kan avslöja var dessa parasiter sannolikt sprids, vilket hjälper vårdpersonal att rikta begränsade resurser dit de behövs mest.

Osynliga maskar under våra fötter

Marköverförda helminter är tarmmaskar som sprids när mänskligt avföring kontaminerar miljön och människor kommer i kontakt med infekterad jord. I Nigeria är tre huvudmisstänkta—spolmask, piskmask och hakmask—fortfarande ett stort folkhälsoproblem, särskilt för barn. Deras ägg och larver utvecklas i marken, och den utvecklingen är ytterst känslig för temperatur. Tidigare globala studier har visat att det finns ett "Guldilocks"-intervall—ungefär varmt men inte brännande—där dessa parasiter trivs. Trots årtionden av kontrollinsatser har det dock varit svårt att exakt peka ut vilka samhällen som löper störst risk, delvis eftersom kartor över infektioner inte fullt ut fångat hur markförhållandena varierar över landskapet.

Att omvandla markvärme till en riskkarta

För att ta itu med denna utmaning byggde forskarna upp en detaljerad bild av Nigerias underjordiska klimat. De använde en global markdatamängd som tillhandahåller 21 olika lager som beskriver hur marktemperaturen beter sig över året: genomsnittlig värme, säsongsvariationer, extremvärden och månad-för-månadvärden vid 0–5 cm djup. De kombinerade dessa lager med platsdata om var maskinfektioner registrerats i landet, hämtade från en internationell databas för försummade sjukdomar. Eftersom många av dessa register endast visar var infektioner upptäckts genererade teamet också noggrant utvalda "pseudo-frånvaro"-platser—platser utan kända infektioner—för att lära sina modeller att skilja mellan lämpliga och olämpliga förhållanden.

Hur en hybridsmart modell lär från landet

I studiens kärna finns en hybriddator modell som blandar två idéer: beslutsträd och svärmbeteende. Basmotorn, känd som Random Forest, fungerar genom att växa många förgrenande träd som var och ett fattar ett enkelt ja-eller-nej-beslut baserat på markförhållanden, för att sedan samla deras röster för att avgöra om en plats sannolikt hyser maskarna. Ovanpå detta lade teamet Particle Swarm Optimization, en metod inspirerad av fåglars flockning eller fiskars stim. I detta schema vandrar många "partiklar" genom olika kombinationer av modellinställningar och val av marktemperaturvariabler och pushar varandra mot kombinationer som ger mer precisa prognoser.

Skarpare prognoser med färre ledtrådar

När de jämförde modellerna presterade hybridmetoden klart bättre än både en standard Random Forest och ett mer traditionellt artificiellt neuralt nätverk. Den vanliga Random Forest nådde en noggrannhet på cirka 87 procent och det neurala nätverket cirka 81 procent, medan den optimerade hybridmodellen klättrade till ungefär 91 procent och visade mer stabil prestanda. Noterbart är att den svärmstyrda modellen uppnådde denna förbättring med hjälp av endast ungefär hälften av de tillgängliga marktemperaturvariablerna, och fokuserade in sig på ett fåtal månatliga och säsongsmässiga temperaturmönster som är viktigast för maskarnas överlevnad. Statistiska tester bekräftade att förbättringarna inte berodde på slumpen. Den resulterande kartan över Nigeria visade tydliga zoner med hög lämplighet, särskilt i centrala och middle-belt-regionerna där markvärme och variation ligger inom parasiternas föredragna intervall.

Från datorprogram till lokala kliniker

För icke-specialister är huvudbudskapet enkelt: genom att lära datorer att läsa subtila mönster i hur varm marken blir och hur denna värme förändras över tid kan vi rita mycket tydligare kartor över var maskinfektioner sannolikt kvarstår. Studiens hybridmodell omvandlar underjordisk temperatur till en praktisk vägledning för åtgärder och föreslår vilka distrikt som bör prioriteras för avmaskningskampanjer, förbättrad sanitet och fortsatt övervakning. Även om metoden utvecklades för Nigeria kan samma angreppssätt anpassas till andra länder och andra sjukdomar som är beroende av miljöförhållanden och omvandla osynliga skiften i mark och klimat till konkreta verktyg för att skydda folkhälsan.

Citering: Adekunle, T.A., Ogunwande, JM.O., Ogundoyin, I.K. et al. A novel hybrid model for species distribution prediction of soil-transmitted helminthiasis (STH) under soil temperature conditions using Random Forest and Particle Swarm Optimization Algorithm. Sci Rep 16, 9594 (2026). https://doi.org/10.1038/s41598-025-31604-y

Nyckelord: marköverförda helmintmaskar, artsfördelningsmodellering, marktemperatur, maskininlärning, Nigeria