כיצד AI חזו את וירוס הקורונה ויכול למנוע מגיפות עתידיות - דעה

BlueDot AI חיזוי

בינואר 6^th, המרכז האמריקאי לבקרת מחלות ומניעתן (CDC) הודיע ​​לציבור כי התפרצות דמוית שפעת מתפשטת בעיר ווהאן, במחוז הוביי שבסין. לאחר מכן, ארגון הבריאות העולמי (WHO) פרסם דו"ח דומה ב-9 בינואר^th.

למרות שהתגובות הללו עשויות להיראות מתוזמנות, הן היו איטיות בהשוואה לחברת בינה מלאכותית שנקראה כחול. BlueDot פרסמה דוח ב-31 בדצמבר^st, שבוע שלם לפני שה-CDC פרסם מידע דומה.

אפילו יותר מרשים, BlueDot חזה את התפרצות הזיקה בפלורידה שישה חודשים לפני המקרה הראשון ב-2016.

מהם חלק ממערכי הנתונים ש-BlueDot מנתחת?

• מעקב אחר מחלות, זה כולל סריקת 10,000+ מקורות מדיה ומקורות ציבוריים בלמעלה מ-60 שפות.
• נתונים דמוגרפיים ממפקדי אוכלוסין לאומיים ודוחות סטטיסטיים לאומיים. (צפיפות האוכלוסין היא גורם מאחורי התפשטות הנגיף)
• נתוני אקלים בזמן אמת מנאס"א, NOAA וכו' (וירוסים מתפשטים מהר יותר בתנאים סביבתיים מסוימים)
• וקטורי חרקים ומאגרי בעלי חיים (חשוב כאשר הנגיף יכול להתפשט ממין למין).

BlueDot עובדת כיום עם סוכנויות ממשלתיות שונות, כולל Global Affairs Canada, סוכנות לבריאות הציבור של קנדה, האיגוד הרפואי הקנדי ומשרד הבריאות של סינגפור. המוצר BlueDot Insights שולח התראות כמעט בזמן אמת על מחלות זיהומיות. כמה יתרונות מאחורי מוצר זה כוללים:

• הפחתת הסיכון לחשיפה לעובדי שירותי בריאות בחזית
• הנראות העולמית מאפשרת חיסכון בזמן במעקב אחר מחלות זיהומיות
• הזדמנות לתקשר מידע חיוני בצורה ברורה לפני שיהיה מאוחר מדי.
• יכולת להגן על אוכלוסיות מפני זיהומים

כיצד ניתן לשפר את חיזוי הבינה המלאכותית

מה מונע מה-BlueDot AI ו-AI דומים להשתפר? הגורם המגביל מספר אחת הוא חוסר היכולת לגשת לנתונים הגדולים הדרושים בזמן אמת.

סוגים אלה של מערכות חיזוי מסתמכות על הזנה של נתונים גדולים לרשת עצבית מלאכותית (ANN), המשתמשת בלמידה עמוקה כדי לחפש דפוסים. ככל שיותר נתונים יוזנו ל-ANN הזה, כך אלגוריתם למידת המכונה הופך מדויק יותר.

זה בעצם אומר שמה שמונע מה-AI את היכולת לסמן התפרצות פוטנציאלית במוקדם מאשר במאוחר, הוא פשוט חוסר גישה לנתונים הדרושים. במדינות כמו סין שמפקחות באופן קבוע ומסננות חדשות, העיכובים הללו בנתונים הדרושים בולטים עוד יותר. תהליך הצנזורה של כל נקודת נתונים יכול להפחית באופן משמעותי את כמות הנתונים הזמינים, וחמור מכך, יכול אפילו להסיר לחלוטין את הדיוק של נתונים אלה, מה שמסיר את התועלת הפוטנציאלית של נתונים אלה. נתונים פגומים היו אפילו הסיבה למאמצים קודמים כגון מגמות מחלת השפעת של Google נכשל.

במילים אחרות, הבעיה העיקרית שמונעת ממערכות בינה מלאכותית את היכולת לחזות התפרצות מוקדם ככל האפשר היא התערבות ממשלתית. ממשלות כמו סין, וממשל טראמפ הנוכחי, צריכות להסיר את עצמן מכל סוג של סינון נתונים, ולאפשר גישה מלאה לעיתונות כדי לדווח על בעיות בריאות עולמיות.

כאמור, כתבים יכולים לעבוד רק עם המידע שזמין עבורם. עקיפת דיווחי חדשות וגישה ישירה למקורות יאפשרו למערכות למידת מכונה לגשת לנתונים בצורה יעילה יותר בזמן.

מה שצריך להיעשות

החל מיד, ממשלות המעוניינות באמת להפחית את עלות שירותי הבריאות ולמנוע התפרצות, צריכות להתחיל בבדיקה חובה של האופן שבו מרפאות הבריאות ובתי החולים שלהן יכולות להפיץ נקודות נתונים מסוימות בזמן אמת לפקידים, לכתבים ולמערכות בינה מלאכותית.

ניתן להסיר מידע פרטי אינדיבידואלי לחלוטין מכל מטופל, מה שמאפשר למטופל להישאר אנונימי בזמן שהנתונים החשובים משותפים.

רשת של בתי חולים בכל עיר שאוספת נתונים בזמן אמת ומשתפת נתונים אלה תוכל להציע שירותי בריאות מעולים. לדוגמה, ניתן לעקוב שבית חולים ספציפי הראה עלייה בחולים המראים תסמינים דמויי שפעת, עם 3 חולים בשעה 10:00 בבוקר, ל-7 חולים בשעה 1:00, ל-49 חולים עד השעה 5:00. ניתן להשוות נתונים אלה לבתי חולים באותו אזור, לקבלת התראות מיידיות שאזור מסוים הוא אזור חם פוטנציאלי.

לאחר איסוף והרכבה של מידע זה, מערכת הבינה המלאכותית יכולה להפעיל התראות לכל האזורים הסמוכים כך שניתן יהיה לנקוט באמצעי זהירות נחוצים.

למרות שזה יהיה קשה באזורים מסוימים בעולם, מדינות עם רכזות בינה מלאכותיות גדולות וצפיפות אוכלוסין קטנה יותר, כמו קנדה, יכולות להקים מערכת כה מתקדמת. לקנדה יש ​​רכזות בינה מלאכותית במחוזות המאוכלסים ביותר (ווטרלו וטורונטו, אונטריו ומונטריאול, קוויבק). ניתן להרחיב את היתרונות של שיתוף פעולה בין-בית חולים ובין-מחוזי זה כדי להציע לקנדים הטבות אחרות כמו גישה מואצת לטיפול רפואי חירום והפחתת הוצאות הבריאות. קנדה עשויה להפוך למובילה הן בתחום הבינה המלאכותית והן בתחום הבריאות, תוך רישוי טכנולוגיה זו לתחומי שיפוט אחרים.

והכי חשוב, ברגע שלמדינה כמו קנדה יש ​​מערכת, ניתן לשכפל את הטכנולוגיה/מתודולוגיות ולייצא לאזורים אחרים. בסופו של דבר, המטרה תהיה לכסות את העולם כולו, כדי להבטיח שהתפרצויות הן שריד לעבר.

לאיסוף נתונים מסוג זה על ידי עובדי בריאות יש יתרונות עבור יישומים מרובים. אין סיבה שבשנת 2020 מטופל יצטרך לרשום את עצמו בכל בית חולים בנפרד, ושאותם בתי חולים לא מתקשרים זה עם זה בזמן אמת. חוסר תקשורת זה עלול לגרום לאובדן נתונים עם חולים הסובלים מדמנציה, או תסמינים אחרים שעלולים למנוע מהם לתקשר באופן מלא את חומרת מצבם, או אפילו היכן אחר שבו הם טופלו.

הפקת לקחים

אנחנו יכולים רק לקוות שממשלות ברחבי העולם ינצלו את הלקחים החשובים שהקורונה מלמדת אותנו. האנושות צריכה לראות את עצמה בת מזל שלקורונה יש שיעור תמותה קל יחסית לכמה גורמי זיהום בעבר, כמו המגפה השחורה, שלפי ההערכות הרגה 30% עד 60% מאוכלוסיית אירופה.

בפעם הבאה שאולי לא יהיה לנו כל כך מזל, מה שאנחנו כן יודעים עד כה, הוא שממשלות כרגע לא מוכשרות להתמודד עם חומרת ההתפרצות.

Bluedot נוצרה בעקבות התפרצות ה-SARS של טורונטו בשנת 2003 והושקה בשנת 2013. המטרה הייתה להגן על אנשים ברחבי העולם מפני מחלות זיהומיות באמצעות אינטליגנציה אנושית ומלאכותית. רכיב הבינה המלאכותית הוכיח יכולת יוצאת דופן לחזות את דרכן של מחלות זיהומיות, מה שנשאר הוא המרכיב האנושי. אנו זקוקים למדיניות חדשה על מנת לאפשר לחברות כמו BlueDot להצטיין במה שהן עושות הכי טוב. כאנשים אנחנו צריכים לדרוש יותר מהפוליטיקאים שלנו ומספקי שירותי בריאות.