Bagaimana AI Dapat Membantu Kita Mempersiapkan Gelombang Kedua – Pemimpin Pikiran

Oleh Eric Paternoster, CEO of Infosys Public Services

Sampai sekarang, model ilmu data yang ada belum melakukan pekerjaan yang baik dalam memprediksi kemudahan penularan COVID-19, luasnya perkembangan, dan wabah di tempat-tempat baru. Banyak di antaranya dikembangkan dalam terburu-buru, dengan informasi yang terbatas.

Namun, model AI dapat beradaptasi, dibangun untuk skala besar, dan otomatis, menghimpun data sosial, ekonomi, dan kesehatan terkait COVID untuk memungkinkan perekonomian dibuka kembali dengan sukses jika gelombang kedua terjadi.

Data yang digunakan dalam model ini harus akurat dan memiliki signifikansi statistik. Data tersebut juga harus dapat diandalkan. Sampai sekarang, hal-hal seperti nilai R, tingkat kekebalan kelompok, dan tingkat kematian telah sangat sulit untuk diperkirakan di seluruh wilayah, terutama di tempat-tempat tanpa strategi pengujian dan pelacakan kontak yang koheren. Masalah lainnya adalah bahwa, bahkan ketika pengujian yang baik telah dilakukan, ada perbedaan yang luas dalam tingkat sensitivitas dan spesifisitas, disebabkan oleh variasi dalam jenis tes immunodiagnostik dan teknik pengumpulan spesimen.

Tidak hanya data yang kurang, tetapi model itu sendiri juga memiliki kelemahan. Model yang digunakan oleh Gedung Putih, yang dibangun oleh Institute for Health Metrics and Evaluation, gagal mempertimbangkan perbedaan dalam parameter regional kunci dan menganggap bahwa virus akan memengaruhi populasi dengan cara yang sama seperti di Cina, Spanyol, dan Italia. Tentu saja, AS memiliki karakteristik populasi yang sangat berbeda, tingkat karantina, dan ketersediaan pengujian.

Model lain, yang sering dikembangkan oleh universitas-universitas terkemuka di seluruh dunia, melakukan sedikit lebih baik. Mereka mengincorporasi perkiraan penularan, bersama dengan faktor-faktor yang meningkatkan risiko penyakit serius atau kematian. Namun, bahkan model tersebut didasarkan pada asumsi yang tidak akurat, yang menyebabkan kesalahan dalam model kerja. Misalnya, model yang awalnya dikembangkan oleh Imperial College London gagal memperkirakan perubahan perilaku populasi yang jelas yang akan terjadi bahkan tanpa intervensi pemerintah. Model tersebut juga tidak memahami bagaimana angka reproduksi virus (R0) akan berubah karena perilaku tersebut.

Tidak heran bahwa banyak kebingungan telah terjadi, terutama di AS dan Inggris. Mengurangi kontrol tanpa persiapan untuk dampaknya telah sangat mahal, bahkan ketika penyakit tersebut kemungkinan akan kembali. Langkah-langkah harus diambil sekarang untuk memandu pengambilan keputusan pada tingkat yang lebih rinci. Populasi harus dibagi untuk menentukan siapa yang pertama kali keluar dari karantina. Strategi harus diimplementasikan untuk memungkinkan pelacakan kontak pada skala besar dan memastikan bahwa perawatan kesehatan cukup di masa depan.

Untuk membantu dalam hal ini, jaringan saraf tiruan dan teknik pembelajaran dalam harus digunakan, melengkapi model epidemiologi yang ada dan membuatnya lebih dinamis dan responsif dalam waktu nyata. Model AI ini akan menggunakan pembelajaran semi-terawasi atau pembelajaran tak terawasi dan dapat bekerja bahkan dengan input terbatas dari laporan pengujian skala besar. Model tersebut akan mandiri dan memerlukan jumlah data yang lebih sedikit untuk belajar dan memprediksi, dibandingkan dengan model yang ada. Dengan terus menyesuaikan parameter input dan terus belajar, model tersebut akan menghasilkan prediksi yang tidak akan menderita dari keterlambatan penyesuaian yang tidak dapat dihindari.

Dengan pembelajaran dalam, AI dapat menemukan pola yang kompleks, belajar sendiri, dan menyembuhkan sendiri secara otomatis. AI juga dapat mendeteksi anomali dan dapat menilai akurasi variabel, menghasilkan hasil yang jauh lebih dapat diandalkan daripada model ilmu data COVID yang ada.

Parameter kunci dalam model AI ini akan mengambil dari laporan tes klinis, data pelacakan kontak, dan data regional besar, dan termasuk karakteristik populasi regional, status sosioekonomi, dan faktor risiko seperti merokok, ketergantungan obat, dan obesitas. Jumlah individu yang terinfeksi yang dikarantina dan tidak lagi dapat menyebarkan infeksi akan dimasukkan ke dalam model.

Hal ini akan memberikan pemimpin tim tugas wawasan yang dibutuhkan untuk mengatasi penyakit berbahaya ini dengan cara proaktif, memungkinkan mereka untuk membuat keputusan rasional dalam waktu nyata, memberikan perekonomian dunia dengan strategi keluar yang kuat dan terinformasi dengan baik.