Hvordan AI forudsagde coronavirus og kan forhindre fremtidige pandemier – Mening

BlueDot AI-forudsigelse

Den 6. januar meddelte Centers for Disease Control and Prevention (CDC) i USA offentligheden, at en influenza-lignende udbrud var under udvikling i Wuhan City i Hubei-provinsen i Kina. Herefter udgav Verdenssundhedsorganisationen (WHO) en lignende rapport den 9. januar.

Disse reaktioner kan synes rettidige, men de var langsomme i forhold til et AI-selskab kaldet BlueDot. BlueDot offentliggjorde en rapport den 31. december, en hel uge før CDC offentliggjorde lignende oplysninger.

Endnu mere imponerende var, at BlueDot forudsagde Zika-udbruddet i Florida seks måneder før det første tilfælde i 2016.

Hvad er nogle af de datasæt, som BlueDot analyserer?

• Sygdomsovervågning, herunder scanning af 10.000+ medier og offentlige kilder på over 60 sprog.
• Demografiske data fra nationale folketællinger og nationale statistikrapporter. (Befolkningstæthed er en faktor bag virusudbredelse)
• Realtidsklimadata fra NASA, NOAA osv. (Virus spreder sig hurtigere under visse miljømæssige betingelser)
• Insektvektorer og dyreservoirer (vigtigt, når virus kan sprede sig fra art til art).

BlueDot arbejder i øjeblikket med forskellige regeringsinstitutioner, herunder Global Affairs Canada, Public Health Agency of Canada, Canadian Medical Association og Singapore Ministry of Health. BlueDot Insights-produktet sender nære realtidsvarsler om infektionssygdomme. Nogle af fordelene ved dette produkt er:

• Reducerer risikoen for eksponering af sundhedsarbejdere på forkanten
• Global synlighed giver tidsbesparelse på overvågning af infektionssygdomme
• Mulighed for at kommunikere vigtige oplysninger klart, før det er for sent.
• Evne til at beskytte befolkningen mod infektioner

Hvordan AI-forudsigelighed kan forbedres

Hvad forhindrer BlueDot AI og lignende AI-systemer i at forbedre sig? Den vigtigste begrænsende faktor er manglen på adgang til de nødvendige store datasæt i realtid.

Disse types predictive systemer afhænger af store datasæt, der fødes ind i et kunstigt neuralt netværk (ANN), som bruger dyb læring til at søge efter mønstre. Jo mere data, der fødes ind i dette ANN, jo mere præcis bliver maskinlæringsalgoritmen.

Dette betyder i virkeligheden, at det, der forhindrer AI-systemet i at kunne flagge en potentiel udbrud tidligere, er simpelthen manglen på adgang til de nødvendige data. I lande som Kina, som regelmæssigt overvåger og filtrerer nyheder, er disse forsinkelser af de nødvendige data endnu mere udtalte. Censurprocessen af hver datapunkt kan betydeligt reducere mængden af tilgængelige data og endda helt fjerne nøjagtigheden af disse data, hvilket fjerner det potentielle værdi af disse data. Fejlbehæftet data var også årsagen til, at tidligere forsøg som Google Flu Trends (GOOGL ) fejlede.

Med andre ord er det store problem, der forhindrer AI-systemer i at kunne forudsige en udbrud så tidligt som muligt, regeringsindblanding. Regeringer som Kina og den nuværende Trump-administration har brug for at fjerne sig selv fra enhver form for datafiltrering og give fuld adgang til pressen til at rapportere om globale sundhedsproblemer.

Det skal dog nævnes, at journalister kun kan arbejde med de oplysninger, der er tilgængelige for dem. At omgå nyhedsrapporter og få adgang til kilder direkte ville kunne give maskinlæringsystemer adgang til data på en mere rettidig og effektiv måde.

Hvad der skal gøres

Med øjeblikkelig virkning bør regeringer, der virkelig er interesseret i at reducere omkostningerne ved sundhedspleje og forhindre udbrud, påbegynde en obligatorisk gennemgang af, hvordan deres sundhedscentre og hospitaler kan distribuere visse datapunkter i realtid til embedsmænd, journalister og AI-systemer.

Enkelte private oplysninger kan fuldstændigt fjernes fra hver patient, hvilket giver patienten mulighed for at forblive anonym, mens de vigtige data deles.

Et netværk af hospitaler i en by, der indsamler data i realtid og deler disse data, ville være i stand til at tilbyde en overlegen sundhedspleje. For eksempel kunne det registreres, at et bestemt hospital havde vist en stigning i patienter med influenza-lignende symptomer, med 3 patienter kl. 10:00, til 7 patienter kl. 13:00, til 49 patienter kl. 17:00. Disse data kunne sammenlignes med hospitaler inden for samme region for øjeblikkelige varsler om, at en bestemt region er en potentiel vardezone.

Når disse oplysninger er indsamlet og samlet, kunne AI-systemet udløse varsler til alle nærliggende regioner, således at de nødvendige foranstaltninger kan træffes.

Det ville dog være svært i visse regioner af verden, men lande med store AI-hub og mindre befolkningstæthed som Canada kunne indføre et sådant avanceret system. Canada har AI-hub i de mest befolkede provinser (Waterloo og Toronto, Ontario, og Montreal, Quebec). Fordelene ved denne inter-hospitals- og inter-provinsemæssige samarbejde kunne udvides til at tilbyde canadierne andre fordele såsom accelereret adgang til akut medicinsk hjælp og reduceret sundhedsudgift. Canada kunne blive en leder i både AI og sundhedspleje og licensere denne teknologi til andre jurisdiktioner.

Det vigtigste er, at når et land som Canada har et system på plads, kan teknologien/metoderne derefter kopieres og eksporteres til andre regioner. Til sidst ville målet være at dække hele verden for at sikre, at udbrud er en relic af fortiden.

Denne type dataindsamling af sundhedsarbejdere har fordele for multiple anvendelser. Der er ingen grund til, at en patient i 2020 skal registrere sig selv hos hvert hospital individuelt, og at disse hospitaler ikke kommunikerer med hinanden i realtid. Manglen på kommunikation kan resultere i tab af data for patienter, der lider af demens eller andre symptomer, der kan forhindre dem i at fuldt ud kommunikere alvoren af deres tilstand eller endda hvor de har været behandlet.

Lærdomme

Vi kan kun håbe, at regeringer verden over tager ud af de vigtige lærdomme, som coronavirus lærer os. Menneskeheden bør betragte sig selv som heldig, at coronavirus har en relativt mild dødelighedsrate i forhold til visse infektionssygdomme i fortiden som Den Sorte Død, som menes at have dræbt 30% til 60% af Europas befolkning.

Næste gang vi måske ikke er så heldige, hvad vi dog ved indtil videre, er, at regeringer i øjeblikket ikke er udstyret til at tackle alvoren af et udbrud.

Bluedot blev konceptueret i kølvandet på Torontos SARS-udbrud i 2003 og lanceret i 2013. Målet var at beskytte mennesker verden over mod infektionssygdomme med menneskelig og kunstig intelligens. AI-komponenten har demonstreret en bemærkelsesværdig evne til at forudsige infektionssygdommes udvikling, hvad der mangler, er den menneskelige komponent. Vi har brug for nye politikker på plads for at kunne aktivere selskaber som BlueDot til at udføre det, de er bedst til. Som mennesker har vi brug for at kræve mere af vores politikere og sundhedsudbydere.