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

Προέβλεψη BlueDot AI

Στις 6 Ιανουαρίου, το Κέντρο Ελέγχου και Πρόληψης Νοσημάτων των Ηνωμένων Πολιτειών (CDC) ενημέρωσε το κοινό ότι μια έξαρση παρόμοια με την γρίπη εξαπλωνόταν στην πόλη Γουχάν, στην επαρχία Χουμπέι 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 το 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;

• Επιβίωση ασθένειας, 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 πληθυσμού είναι ένας παράγοντας πίσω από την εξάπλωση του ιού)
• Δεδομένα κλίματος σε πραγματικό χρόνο από τη NASA, NOAA, κ.λπ. (Οι ιοί εξαπλώνονται γρηγορότερα σε ορισμένες περιβαλλοντικές συνθήκες)
• Εντόμων διανέμονται και ζωικά αποθέματα (Σημαντικά όταν ο ιός μπορεί να εξαπλωθεί από είδος σε είδος).

Η BlueDot εργάζεται目前 με διάφορες κυβερνητικές υπηρεσίες, συμπεριλαμβανομένων των Global Affairs Canada, Public Health Agency of Canada, του Καναδικού Ιατρικού Συλλόγου και του Υπουργείου Υγείας της Σιγκαπούρης. Το προϊόν BlueDot Insights στέλνει προειδοποιήσεις για λοιμώξεις σε σχεδόν πραγματικό χρόνο. Ορισμένα πλεονεκτήματα πίσω από αυτό το προϊόν περιλαμβάνουν:

• Μείωση του κινδύνου έκθεσης σε υγειονομικούς εργαζόμενους
• Παγκόσμια ορατότητα επιτρέπει την экономία χρόνου στην επιτήρηση λοιμώξεων
• Ευκαιρία να επικοινωνούν κρίσιμες πληροφορίες σαφώς πριν είναι quá αργά.
• Ικανότητα προστασίας πληθυσμών από λοιμώξεις

Πώς η Προβλέψιμη Ικανότητα του AI Μπορεί να Βελτιωθεί

Τι εμποδίζει το BlueDot AI και παρόμοια AI από τη βελτίωση; Ο αριθμός ένα περιοριστικός παράγοντας είναι η αδυναμία πρόσβασης στα απαραίτητα μεγάλων δεδομένων σε πραγματικό χρόνο.

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

Αυτό ουσιαστικά σημαίνει ότι τι εμποδίζει το AI από το να σηματοδοτήσει μια πιθανή έξαρση νωρίτερα παρά αργότερα, είναι απλώς η έλλειψη πρόσβασης στα απαραίτητα δεδομένα. Σε χώρες όπως η Κίνα, που παρακολουθούν και φιλτράρουν τα νέα, αυτές οι καθυστερήσεις στα απαραίτητα δεδομένα είναι ακόμη πιο εκτεταμένες. Η διαδικασία φιλτραρίσματος κάθε δεδομένου σημείου μπορεί να μειώσει σημαντικά την ποσότητα των διαθέσιμων δεδομένων και χειρότερα, μπορεί ακόμη και να αφαιρέσει完全 την ακρίβεια αυτών των δεδομένων, που αφαιρεί την πιθανή χρησιμότητα αυτών των δεδομένων. Λάθος δεδομένα ήταν ακόμη και γιατί προηγούμενες προσπάθειες όπως το Google Flu Trends 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 χρειάζεται να αφαιρέσουν τον εαυτό τους από οποιοδήποτε είδος φιλτραρίσματος δεδομένων και να ενεργοποιήσουν την πλήρη πρόσβαση στον τύπο να αναφέρει σε παγκόσμια προβλήματα υγείας.

Ότι δηλώνεται, οι δημοσιογράφοι μπορούν να εργαστούν μόνο με τις πληροφορίες που είναι διαθέσιμες σε αυτούς. Η διέλευση των αναφορών ειδήσεων και η πρόσβαση σε πηγές απευθείας θα ενεργοποιήσει τα συστήματα μάθησης μηχανής να έχουν πρόσβαση σε δεδομένα σε μια πιο своєчасτη και αποτελεσματική μορφή.

Τι Χρειάζεται να Γίνει

Από τώρα, οι κυβερνήσεις που είναι πραγματικά ενδιαφερμένες με τη μείωση του κόστους υγείας και την πρόληψη μιας έξαρσης, πρέπει να αρχίσουν μια υποχρεωτική ανασκόπηση του πώς τα κλινικά τους, και τα νοσοκομεία, μπορούν να διανέμουν ορισμένα δεδομένα σε πραγματικό χρόνο σε αξιωματούχους, δημοσιογράφους και συστήματα AI.

Ατομικές ιδιωτικές πληροφορίες 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 υγείας. Για παράδειγμα, θα μπορούσε να καταγραφεί ότι ένα συγκεκριμένο νοσοκομείο έχει δείξει αύξηση ασθενών που εμφανίζουν συμπτώματα παρόμοια με την 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 υψηλού κινδύνου.

Μόλις συλλεχθούν και συναρμολογηθούν αυτά τα δεδομένα, το σύστημα AI θα μπορούσε να ενεργοποιήσει προειδοποιήσεις σε όλες τις γειτονικές περιοχές ώστε να γίνουν οι απαραίτητες προφυλάξεις.

Ενώ αυτό θα ήταν δύσκολο σε ορισμένες περιοχές του κόσμου, χώρες με μεγάλους κόμβους AI και μικρότερη πυκνότητα πληθυσμού όπως ο Καναδάς θα μπορούσαν να θεσμοθετήσουν ένα τέτοιο προηγμένο σύστημα. Ο Καναδάς έχει κόμβους AI στις πιο πυκνοκατοικημένες επαρχίες (Γουότερλου 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 επιταχύνουσα πρόσβαση σε επείγουσες ιατρικές φροντίδες και μειωμένα έξοδα υγείας. Ο Καναδάς θα μπορούσε να γίνει ηγέτης και στην AI και στην υγεία, αδειοδοτώντας αυτή την τεχνολογία σε άλλες δικαιοδοσίες.

Πιο σημαντικά, μια φορά που 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 έξαρσεις είναι ένα παρελθόν.

Αυτού του είδους η συλλογή δεδομένων από υγειονομικούς εργαζόμενους έχει οφέλη για πολλές εφαρμογές. Δεν υπάρχει λόγος γιατί το 2020 ένας ασθενής θα πρέπει να εγγραφεί με κάθε νοσοκομείο ξεχωριστά, και ότι τα ίδια 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 την βαρύτητα της κατάστασής τους, ή ακόμη και που αλλού 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 μια σχετικά ήπια ποσοστό θνησιμότητας 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.

Η επόμενη φορά μπορεί να μην είμαστε τόσο τυχεροί, αυτό που γνωρίζουμε μέχρι τώρα, είναι ότι οι κυβερνήσεις δεν είναι目前 ικανές να αντιμετωπίσουν τη σοβαρότητα μιας έξαρσης.

Η Bluedot δημιουργήθηκε 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 ασθένειες με ανθρώπινη και τεχνητή νοημοσύνη. Το συνθετικό μέρος έχει αποδείξει αξιοσημείωτη ικανότητα να προβλέψει την πορεία λοιμώξεων, τι μένει είναι το ανθρώπινο μέρος. Χρειαζόμαστε νέες πολιτικές στη θέση τους για να ενεργοποιήσουμε τις εταιρείες όπως η BlueDot να ξεχωρίσουν στο τι κάνουν καλύτερα. Jako άνθρωποι χρειαζόμαστε να απαιτήσουμε περισσότερα από τους πολιτικούς μας, και τους παρόχους υγείας.