Πώς το AI Προέβλεψε τον Κορονοϊό και Πώς Μπορεί να Προληφθούν Μελλοντικά Πανδημίες – Γνώμη

Προβλέψεις του BlueDot AI

Στις 6 Ιανουαρίου, το Κέντρο Ελέγχου και Πρόληψης Νοσημάτων των Ηνωμένων Πολιτειών (CDC) ενημέρωσε το κοινό ότι μια έξαρση παρόμοια με τη γρίπη εξαπλωνόταν στην πόλη Wuhan, στην επαρχία Hubei της Κίνας. Αργότερα, ο Παγκόσμιος Οργανισμός Υγείας (ΠΟΥ) εξέδωσε μια παρόμοια αναφορά στις 9 Ιανουαρίου.

Αν και αυτές οι απαντήσεις μπορεί να φαίνονται своєчасτες, ήταν αργές σε σύγκριση με μια εταιρεία AI που ονομάζεται BlueDot. Η BlueDot εξέδωσε μια αναφορά στις 31 Δεκεμβρίου, μια πλήρη εβδομάδα πριν η CDC εξέδωσε παρόμοια πληροφορίες.

Ακόμη πιο εντυπωσιακό, η BlueDot προέβλεψε την έξαρση του Zika στη Φλόριντα έξι μήνες πριν από την πρώτη περίπτωση το 2016.

Ποια είναι κάποια από τα σύνολα δεδομένων που αναλύει η BlueDot;

• Εpidειμιολογική επιτήρηση, που περιλαμβάνει σάρωση 10.000+ μέσων ενημέρωσης και δημόσιων πηγών σε πάνω από 60 γλώσσες.
• Δημογραφικά δεδομένα από εθνικές απογραφές και εθνικές στατιστικές αναφορές. (Η πυκνότητα του πληθυσμού είναι ένας παράγοντας πίσω από τη διάδοση του ιού)
• Δεδομένα κλίματος σε πραγματικό χρόνο από τη NASA, NOAA, κ.λπ. (Οι ιοί εξαπλώνουν πιο γρήγορα σε ορισμένες περιβαλλοντικές συνθήκες)
• Εντόμων διανέμεων και ζωικών αποθεμάτων (Σημαντικό όταν ο ιός μπορεί να εξαπλωθεί από είδος σε είδος).

Η BlueDot συνεργάζεται目前 με διάφορες κυβερνητικές υπηρεσίες, συμπεριλαμβανομένων των Global Affairs Canada, Public Health Agency of Canada, Canadian Medical Association και Singapore Ministry of Health. Το προϊόν BlueDot Insights στέλνει προειδοποιήσεις για λοιμώξεις σε πραγματικό χρόνο. Ορισμένα πλεονεκτήματα αυτού του προϊόντος περιλαμβάνουν:

• Μείωση του κινδύνου έκθεσης σε εργαζόμενους υγείας στην πρώτη γραμμή
• Παγκόσμια ορατότητα που επιτρέπει εξοικονόμηση χρόνου στην επιτήρηση λοιμώξεων
• Ευκαιρία να επικοινωνούνται κρίσιμες πληροφορίες σαφώς πριν είναι αργά.
• Ικανότητα να προστατεύουν πληθυσμούς από λοιμώξεις

Πώς η Προβλέψιμη Ικανότητα του AI Μπορεί να Βελτιωθεί

Τι εμποδίζει το BlueDot AI και παρόμοια AI να βελτιωθούν; Ο основικός περιοριστικός παράγοντας είναι η αδυναμία πρόσβασης στα αναγκαία μεγάλης κλίμακας δεδομένα σε πραγματικό χρόνο.

Αυτού του είδους τα προβλεπτικά συστήματα βασίζονται σε μεγάλης κλίμακας δεδομένα που τροφοδοτούν ένα τεχνητό νευρωνικό δίκτυο (ANN), το οποίο χρησιμοποιεί βαθιά μάθηση για να αναζητήσει μοτίβα. Όσο περισσότερα δεδομένα τροφοδοτούνται σε αυτό το ANN, τόσο πιο ακριβής γίνεται ο αλγόριθμος μηχανικής μάθησης.

Αυτό ουσιαστικά σημαίνει ότι τι εμποδίζει το AI από το να σημάνει μια πιθανή έξαρση νωρίτερα μάλλον αργότερα, είναι απλά η έλλειψη πρόσβασης στα αναγκαία δεδομένα. Σε χώρες όπως η Κίνα, που τακτικά παρακολουθούν και φιλτράρουν τα νέα, αυτές οι καθυστερήσεις στα αναγκαία δεδομένα είναι ακόμη πιο έντονες. Η διαδικασία φιλτραρίσματος κάθε σημείου δεδομένων μπορεί να μειώσει σημαντικά την ποσότητα των διαθέσιμων δεδομένων και χειρότερα, μπορεί ακόμη και να αφαιρέσει完全 την ακρίβεια αυτών των δεδομένων, η οποία αφαιρεί τη δυνατότητα αυτών των δεδομένων. Λανθασμένα δεδομένα ήταν ακόμη και γιατί προηγούμενες προσπάθειες όπως η Google Flu Trends (GOOGL ) απέτυχαν.

Με άλλα λόγια, το κύριο πρόβλημα που εμποδίζει τα συστήματα AI από το να προβλέψουν μια έξαρση όσο το δυνατόν νωρίτερα είναι η κυβερνητική παρέμβαση. Κυβερνήσεις όπως η Κίνα και η τρέχουσα διοίκηση Trump πρέπει να αφαιρέσουν τον εαυτό τους από οποιαδήποτε είδους φιλτράρισμα δεδομένων και να ενεργοποιήσουν την πλήρη πρόσβαση στον τύπο για να αναφέρει για παγκόσμια ζητήματα υγείας.

Όπως αναφέρθηκε, οι δημοσιογράφοι μπορούν να εργαστούν μόνο με τις πληροφορίες που είναι διαθέσιμες σε αυτούς. Η παράκαμψη των αναφορών ειδήσεων και η πρόσβαση σε πηγές απευθείας θα επέτρεπε στα συστήματα μηχανικής μάθησης να έχουν πρόσβαση σε δεδομένα με πιο αποτελεσματικό και αποτελεσματικό τρόπο.

Τι πρέπει να Γίνει

Από τη στιγμή που ξεκινάμε, οι κυβερνήσεις που είναι πραγματικά ενδιαφερμένες για τη μείωση του κόστους της υγείας και την πρόληψη μιας έξαρσης, πρέπει να ξεκινήσουν μια υποχρεωτική ανασκόπηση του πώς τα κέντρα υγείας και τα νοσοκομεία τους μπορούν να διανέμουν ορισμένα σημεία δεδομένων σε πραγματικό χρόνο σε αξιωματούχους, δημοσιογράφους και συστήματα AI.

Οι πληροφορίες που αφορούν τον ιδιωτικό ασθενή μπορούν να αφαιρεθούν完全 από κάθε ασθενή, επιτρέποντας στον ασθενή να παραμείνει ανώνυμος ενώ τα σημαντικά δεδομένα μοιράζονται.

Ένα δίκτυο νοσοκομείων σε οποιαδήποτε πόλη που συλλέγει δεδομένα σε πραγματικό χρόνο και μοιράζεται αυτά τα δεδομένα θα ήταν σε θέση να προσφέρει υπεροχή υγειονομική περίθαλψη. Για παράδειγμα, θα μπορούσε να καταγραφεί ότι ένα συγκεκριμένο νοσοκομείο έχει δείξει αύξηση ασθενών με συμπτώματα παρόμοια με τη γρίπη, με 3 ασθενείς στις 10:00 π.μ., σε 7 ασθενείς στις 1:00 μ.μ., σε 49 ασθενείς μέχρι τις 5:00 μ.μ. Αυτά τα δεδομένα θα μπορούσαν να συγκριθούν με νοσοκομεία στην ίδια περιοχή, για άμεσες προειδοποιήσεις ότι μια συγκεκριμένη περιοχή είναι πιθανό ζώνη κινδύνου.

Μόλις συλλεχθούν και συντεθούν αυτά τα δεδομένα, το σύστημα AI θα μπορούσε να ενεργοποιήσει προειδοποιήσεις σε όλες τις γειτονικές περιοχές, ώστε να μπορέσουν να ληφθούν τα αναγκαία μέτρα.

Αν και αυτό θα ήταν δύσκολο σε ορισμένες περιοχές του κόσμου, χώρες με μεγάλους κόμβους AI και μικρότερη πυκνότητα πληθυσμού, όπως ο Καναδάς, θα μπορούσαν να θεσπίσουν ένα τόσο προηγμένο σύστημα. Ο Καναδάς έχει κόμβους AI στις πιο πυκνοκατοικημένες επαρχίες (Waterloo και Τορόντο, Οντάριο, και Μόντρεαλ, Κεμπέκ). Τα πλεονεκτήματα αυτής της συνεργασίας μεταξύ νοσοκομείων και επαρχιών θα μπορούσαν να επεκταθούν για να προσφέρουν στους Καναδούς άλλα οφέλη, όπως επιταχυνμένη πρόσβαση σε ιατρική περίθαλψη και μειωμένα έξοδα υγείας. Ο Καναδάς θα μπορούσε να γίνει ηγέτης και στην AI και στην υγεία, αδειοδοτώντας αυτή τη τεχνολογία σε άλλες δικαιοδοσίες.

Πιο σημαντικά, όταν μια χώρα όπως ο Καναδάς έχει ένα σύστημα στη θέση του, η τεχνολογία/μεθοδολογία θα μπορούσε να κλωνοποιηθεί και να εξαχθεί σε άλλες περιοχές. Τελικά, ο στόχος θα ήταν να καλύψει ολόκληρο τον κόσμο, για να διασφαλιστεί ότι οι έξαρση είναι ένα λείψανο του παρελθόντος.

Αυτή η συλλογή δεδομένων από εργαζόμενους υγείας έχει οφέλη για πολλές εφαρμογές. Δεν υπάρχει λόγος γιατί το 2020 ένας ασθενής πρέπει να εγγραφεί ξανά σε κάθε νοσοκομείο ξεχωριστά και γιατί αυτά τα νοσοκομεία δεν επικοινωνούν μεταξύ τους σε πραγματικό χρόνο. Αυτή η έλλειψη επικοινωνίας μπορεί να οδηγήσει στην απώλεια δεδομένων με ασθενείς που πάσχουν από άνοια ή άλλα συμπτώματα που μπορεί να τους εμποδίσουν να επικοινωνήσουν πλήρως τη σοβαρότητα της κατάστασής τους ή ακόμη και σε ποια άλλα νοσοκομεία έχουν υποβληθεί σε θεραπεία.

Μαθήματα που Μάθαμε

Μπορούμε μόνο να ελπίζουμε ότι οι κυβερνήσεις σε όλο τον κόσμο θα επωφεληθούν από τα σημαντικά μαθήματα που ο κορονοϊός μας διδάσκει. Η ανθρωπότητα πρέπει να θεωρεί τον εαυτό της τυχερό που ο κορονοϊός έχει một σχετικά ήπια θνησιμότητα σε σύγκριση με ορισμένα λοιμώδη παράγοντες του παρελθόντος, όπως η Μαύρη Πανώλη, η οποία εκτιμάται ότι σκότωσε το 30% έως 60% του πληθυσμού της Ευρώπης.

Την επόμενη φορά μπορεί να μην είμαστε τόσο τυχεροί, αυτό που γνωρίζουμε μέχρι τώρα είναι ότι οι κυβερνήσεις δεν είναι επαρκώς εξοπλισμένες για να αντιμετωπίσουν τη σοβαρότητα μιας έξαρσης.

Η Bluedot συστάθηκε μετά την έξαρση του SARS στο Τορόντο το 2003 και εκκίνησε το 2013. Ο στόχος ήταν να προστατεύσει τους ανθρώπους σε όλο τον κόσμο από λοιμώξεις με ανθρώπινη και τεχνητή νοημοσύνη. Το συνθετικό μέρος έχει αποδείξει αξιοσημείωτη ικανότητα να προβλέψει τη διαδρομή των λοιμώξεων, ότι παραμένει είναι το ανθρώπινο συνθετικό. Χρειαζόμαστε νέες πολιτικές για να ενεργοποιήσουμε εταιρείες όπως η BlueDot να εκτελέσουν το καλύτερο που κάνουν. Jako άνθρωποι, πρέπει να απαιτήσουμε περισσότερα από τους πολιτικούς μας και τους παρόχους υγείας.