كيف يمكن أن يساعدنا الذكاء الاصطناعي في الاستعداد للموجة الثانية - قادة الفكر

By إريك باتيرنوستر، الرئيس التنفيذي لشركة Infosys Public Services

حتى الآن ، لم تقم نماذج علم البيانات الحالية بأفضل عمل في التنبؤ بسهولة انتقال COVID-19 ، ومدى تطوره ، وانتشاره في المناطق الساخنة الجديدة. تم تطوير العديد منها في عجلة من أمره ، بمعلومات محدودة.

ومع ذلك ، سيكون نموذج الذكاء الاصطناعي متكيفًا ، ومبنيًا على نطاق واسع ، ومؤتمتًا ، ويجمع البيانات الصحية الاجتماعية والاقتصادية والمتعلقة بـ COVID معًا لتمكين الاقتصادات من إعادة الانفتاح بنجاح في حالة حدوث موجة أخرى.

يجب أن تكون البيانات المستخدمة في هذا النموذج دقيقة وذات دلالة إحصائية. يجب أن تكون أيضًا موثوقة. حتى الآن ، كان من الصعب للغاية تقدير أشياء مثل قيم R ، ومستويات مناعة القطيع ، ومعدلات الوفيات عبر المناطق الجغرافية ، خاصة في الأماكن التي لا يوجد بها اختبار متماسك واستراتيجية تتبع جهات الاتصال. كانت هناك مشكلة أخرى ، حتى عندما يتم إجراء اختبار جيد ، كانت هناك اختلافات كبيرة في معدلات الحساسية والنوعية ، بسبب التباين في أنواع اختبارات التشخيص المناعي وتقنيات جمع العينات.

ليست البيانات باهتة فحسب ، بل إن النماذج نفسها بها عيوب. فشل النموذج الذي استخدمه البيت الأبيض ، الذي بناه معهد القياسات الصحية والتقييم ، في مراعاة الاختلافات في المعايير الإقليمية الرئيسية وافترض أن الفيروس سيؤثر على السكان بنفس الطريقة التي أثر بها في الصين وإسبانيا وإيطاليا. . بالطبع ، لدى الولايات المتحدة خصائص سكانية مختلفة جدًا ، ومستويات الحجر الصحي ، وتوافر الاختبارات.

كانت النماذج الأخرى ، التي غالبًا ما طورتها جامعات رائدة حول العالم ، أفضل قليلاً. قاموا بدمج تقديرات العدوى ، إلى جانب العوامل التي تزيد من خطر الإصابة بأمراض خطيرة أو الوفاة. لكن حتى هذه كانت تستند إلى افتراضات غير دقيقة ، مما أدى إلى أخطاء في نموذج العمل. على سبيل المثال ، فشل النموذج الذي طورته كلية إمبريال كوليدج في لندن في استنتاج التغيير الواضح في سلوك السكان الذي سيظل ينشأ في غياب التدخلات الحكومية. كما أنها تفتقر إلى فهم كيفية تغيير رقم تكاثر الفيروس (R0) بسبب هذا السلوك.

لا عجب إذن أن الكثير من الالتباس قد نتج عن ذلك ، خاصة في الولايات المتحدة والمملكة المتحدة. كان تخفيف الضوابط دون الاستعداد للتداعيات مكلفًا ، حتى عندما يحتمل عودة المرض. يجب اتخاذ التدابير الآن لإرشاد عملية صنع القرار على مستوى أكثر دقة. يجب تقسيم السكان إلى طبقات لتحديد من سيخرج من الإغلاق أولاً. يجب تنفيذ استراتيجية لتمكين تتبع المخالطين على نطاق واسع والتأكد من أن الرعاية الصحية كافية في المستقبل.

وللمساعدة في تحقيق هذه الغاية، ينبغي استخدام الشبكات العصبية الاصطناعية وتقنيات التعلم العميق، لتعزيز النماذج الوبائية الحالية وجعلها أكثر ديناميكية واستجابة في الوقت الحقيقي. سيستخدم نموذج الذكاء الاصطناعي هذا التعلم شبه الخاضع للإشراف أو غير الخاضع للإشراف ويمكن أن يعمل حتى مع مدخلات محدودة من تقارير الاختبار واسعة النطاق. سيكون مكتفيًا ذاتيًا ويتطلب كمية أقل من البيانات للتعلم والتنبؤ، مقارنة بالنماذج الحالية. من خلال الضبط المستمر لمعلمات الإدخال والتعلم المستمر، سيولد النموذج تنبؤات لن تعاني من تأخيرات التعديل الحتمية.

مع التعلم العميق ، يمكن للذكاء الاصطناعي اكتشاف الأنماط المعقدة والتعلم الذاتي والشفاء الذاتي تلقائيًا. يمكنه اكتشاف الحالات الشاذة تلقائيًا وسيكون قادرًا أيضًا على الحكم على دقة المتغيرات ، مما ينتج عنه نتائج أكثر موثوقية من نماذج علوم بيانات COVID الحالية.

ستستند المعلمات الرئيسية في نموذج الذكاء الاصطناعي هذا من تقارير الاختبارات السريرية ، وبيانات تتبع الاتصال ومجموعات البيانات الإقليمية الكبيرة ، وتشمل الخصائص السكانية الإقليمية ، والحالة الاجتماعية والاقتصادية ، وعوامل الخطر مثل التدخين ، والاعتماد على المخدرات ، والسمنة. سيتم دمج عدد الأفراد المصابين الذين وضعوا الحجر الصحي ولم يعد بإمكانهم نشر العدوى في النموذج.

وهذا من شأنه أن يمنح قادة فرق العمل الرؤى اللازمة لاستئصال هذا المرض الخطير بطريقة استباقية ، وتمكينهم من اتخاذ قرارات عقلانية في الوقت التالي إلى الوقت الحقيقي ، مما يوفر للاقتصادات العالمية استراتيجية خروج قوية ومستنيرة.