Terveydenhuolto

Ensimmäiset vihjeet Wuhan-viruksen puhkeamisesta havaittiin tekoälyllä

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa

Tekoälypohjainen terveydenvalvonta- ja tautien havaitsemisjärjestelmä pystyi havaitsemaan Wuhan-viruksen oireita noin viikko ennen kuin viranomaiset varoittivat julkisuutta, mikä antaa näyn siitä, miten tekoälyä voidaan käyttää tautiepidemioiden havaitsemiseen ajantasaisesti.

Virallinen Maailman terveysjärjestön ilmoitus Wuhan-viruksesta lähti liikkeelle tammikuun yhdeksäntenä ja Yhdysvaltain tautikeskus (CDC) sai tiedon puhkeamisesta tammikuun kuudentena, mutta ensimmäiset varoitusmerkit puhkeamisesta havaittiin kanadalaisessa terveydenvalvontajärjestelmässä lähes viikko aikaisemmin. Wiredin mukaan tekoälypohjainen terveydenvalvontajärjestelmä BlueDot varoitti asiakkaitaan mahdollisesta puhkeamisesta 31. joulukuuta. BlueDot käyttää tekoälyalgoritmeja seuraamaan eri maailmanlaajuisia uutislähteitä ja havaitsemaan terveysraporttien malleja. Se ottaa huomioon myös tietoa kasvi- ja eläintautiverkoista. Keräämänsä tiedon perusteella BlueDotin epidemiologit toimittavat varoituksia ja ennusteita mahdollisista terveysriskeistä ja puhkeamisista tilaajilleen.

Tautiepidemioiden torjunnassa varhainen havaitseminen on aina parempi. Mitä aikaisemmin epidemia havaitaan, sitä enemmän aikaa terveydenhuollon viranomaisilla on reagoida. Wuhan-viruksen ja muiden Kiinassa esiintyvien tautiepidemioiden kohdalla Kiinan hallitus on usein ollut hitaasti jakamassa tietoa kansainvälisille terveydenhuollon viranomaisille. Tämä aiheuttaa ongelman, koska CDC ja WHO riippuvat muiden hallitusten viestinnästä suunnitellessaan omia toimiaan. Jos kuitenkin tekoälyjärjestelmä kuten BlueDot pystyy tekemään tarkkoja ennusteita vuotavien uutisraporttien, blogien ja foorumien perusteella, se voisi mahdollistaa terveydenhuollon toimijoiden nopeamman reagoinnin epidemioihin.

BlueDotin perustaja Kamran Khanin mukaan yhtiö ei käytä sosiaalisen median tietoja tautien leviämisen ennustamisessa, koska tiedot ovat liian muuttuvia ja sekavia ollakseen hyödyllisiä. Sen sijaan yhdistetään uutisraportteja, tietoa tunnetuista eläintautiverkoista ja lentolippujen myyntitietoja luomaan malli, joka ennustaa, mistä infektiot alkavat ja minne tartunnan saaneet henkilöt saattavat matkustaa seuraavaksi. BlueDot pystyi oikein ennustamaan, että Wuhan-virus leviäisi Taipeiin, Tokioon, Soulhin ja Bangkokiin muutamassa päivässä sen ilmestyessä.

BlueDot perustettiin Khanin toimesta vuonna 2014, ja yhtiöllä on tällä hetkellä 40 työntekijää, mukaan lukien data-analyytikot, lääkärit ja ohjelmoijat, jotka työskentelevät yhdessä luomaan tautienvalvonta- ja ennustemalleja. Koneoppimisalgoritmeja ja luonnollisen kielen prosessointitekniikoita käytetään kaivamaan tietoa uutisraporteista, jotka kattavat 65 eri kieltä. Khan kertoi Wiredille:

”Mitä olemme tehneet, on käyttää luonnollisen kielen prosessointia ja koneoppimista kouluttaaksemme tämän moottorin tunnistamaan, onko kyseessä esimerkiksi antraksin puhkeama Mongoliassa vai heavy metal -yhtye Anthraxin kokoontuminen.”

Jälkeen, kun automaattinen tiedonkeruu ja alkuvaiheen analyysi on valmis, ihmisanalyytikot tarkistavat tiedot ja varmistavat, että mallin johtopäätökset vaikuttavat järkeviltä. Lopulta luodaan raportti ja lähetetään se sovelluksen asiakkaille.

BlueDotin järjestelmä ei ole ensimmäinen yritys tekoälyn käyttämisessä tautien leviämisen ennustamiseen. Data-analyytikot ovat käyttäneet jo jonkin aikaa suurta dataa ja koneoppimismalleja seuraamaan eri tautien leviämistä, ja joissakin tapauksissa yritykset ovat olleet menestyksekkäämpiä kuin toisissa. Google (GOOGL ) yritti itse seurata tautien leviämistä Google Flu Trends -palvelun avulla, mutta sen yritykset ennustaa vuoden 2013 influenssaepidemian vakavuutta oli ilmeisesti noin 140% virheellinen. Vain aika kertoo, voittaako BlueDot jatkuvasti tautien leviämisen ennustamisessa, mutta jos se onnistuu, se voisi avata tien nopeammille ja tarkemmille arvioille tautiepidemioista.

Blogger ja ohjelmoija, jolla on erityisalat Machine Learning ja Deep Learning -aiheissa. Daniel toivoo pystyvänsä auttamaan muita käyttämään tekoälyn voimaa sosiaaliseen hyvään.