Hoe AI het coronavirus voorspelde en toekomstige pandemieën kan voorkomen – Opinie

BlueDot AI-voorspelling

Op 6 januari heeft het Amerikaanse Centers for Disease Control and Prevention (CDC) de publieke kennis gegeven dat een griepachtige uitbraak zich verspreidde in Wuhan City, in de provincie Hubei van China. Vervolgens bracht de Wereldgezondheidsorganisatie (WHO) op 9 januari een soortgelijk rapport uit.

Terwijl deze reacties mogelijk tijdig lijken, waren ze langzaam in vergelijking met een AI-bedrijf genaamd BlueDot. BlueDot bracht op 31 december een rapport uit, een volle week voordat het CDC soortgelijke informatie vrijgaf.

Nog indrukwekkender is dat BlueDot de Zika-uitbraak in Florida voorspelde zes maanden voordat de eerste zaak in 2016 plaatsvond.

Wat zijn enkele van de datasets die BlueDot analyseert?

• Ziektebewaking, dit omvat het scannen van 10.000+ media- en openbare bronnen in meer dan 60 talen.
• Demografische gegevens uit nationale volkstellingen en nationale statistische rapporten. (Bevolkingsdichtheid is een factor achter viruspropagatie)
• Realtime klimaatgegevens van NASA, NOAA, enz. (Virussen verspreiden zich sneller in bepaalde omgevingsomstandigheden)
• Insectenvectoren en dierreservoirs (Belangrijk wanneer een virus van soort tot soort kan worden overgedragen).

BlueDot werkt momenteel samen met verschillende overheidsinstanties, waaronder Global Affairs Canada, Public Health Agency of Canada, de Canadese Medische Vereniging en het Singaporese Ministerie van Volksgezondheid. Het BlueDot Insights-product verzendt bijna realtime waarschuwingen voor infectieziekten. Enkele voordelen van dit product zijn:

• Het risico van blootstelling aan eerstelijns zorgverleners verminderen
• Wereldwijde zichtbaarheid bespaart tijd bij de bewaking van infectieziekten
• Mogelijkheid om cruciale informatie duidelijk te communiceren voordat het te laat is.
• Mogelijkheid om bevolkingen te beschermen tegen infecties

Hoe AI-voorspelbaarheid verbeterd kan worden

Wat voorkomt dat de BlueDot AI en soortgelijke AI’s verbeteren? De belangrijkste beperkende factor is de onmogelijkheid om toegang te krijgen tot de benodigde big data in real-time.

Deze soort voorspellingsystemen zijn afhankelijk van big data die worden gevoed in een kunstmatig neurale netwerk (ANN), dat diepe leer gebruikt om patronen te zoeken. Hoe meer gegevens die in dit ANN worden gevoed, hoe nauwkeuriger het machine learning-algoritme wordt.

Dit betekent eigenlijk dat wat de AI ervan weerhoudt om een potentiële uitbraak eerder dan later te signaleren, simpelweg een gebrek aan toegang tot de benodigde gegevens is. In landen zoals China, die regelmatig nieuws controleren en filteren, zijn deze vertragingen in de benodigde gegevens nog groter. Het censuurproces van elk gegevenspunt kan de hoeveelheid beschikbare gegevens aanzienlijk verminderen en kan zelfs de nauwkeurigheid van deze gegevens volledig verwijderen, wat de potentiële bruikbaarheid van deze gegevens verwijderd. Gebrekkige gegevens waren zelfs de reden waarom eerdere inspanningen zoals Google Flu Trends (GOOGL ) faalden.

Met andere woorden, het grote probleem dat AI-systemen ervan weerhoudt om een uitbraak zo vroeg mogelijk te voorspellen, is overheidsinmenging. Overheden zoals China en de huidige regering-Trump moeten zichzelf verwijderen van elke vorm van gegevensfiltering en moeten volledige toegang tot de pers mogelijk maken om te rapporteren over mondiale gezondheidskwesties.

Daar staat tegenover dat journalisten alleen kunnen werken met de informatie die beschikbaar is voor hen. Het omzeilen van nieuwsberichten en het rechtstreeks toegang geven tot bronnen zou machine learning-systemen in staat stellen om gegevens op een tijdiger en efficiëntere manier te benaderen.

Wat er moet gebeuren

Met onmiddellijke ingang moeten overheden die echt geïnteresseerd zijn in het verminderen van de kosten van de gezondheidszorg en het voorkomen van een uitbraak, een verplichte herziening starten van hoe hun gezondheidsklinieken en ziekenhuizen bepaalde gegevenspunten in real-time kunnen distribueren aan functionarissen, journalisten en AI-systemen.

Individuele privé-informatie kan volledig worden verwijderd uit elke patiënt, waardoor de patiënt anoniem kan blijven terwijl de belangrijke gegevens worden gedeeld.

Een netwerk van ziekenhuizen in elke stad dat gegevens in real-time verzamelt en deelt, zou in staat zijn om superieure gezondheidszorg te bieden. Bijvoorbeeld, het kan worden bijgehouden dat een bepaald ziekenhuis een toename heeft laten zien in patiënten met griepachtige symptomen, met 3 patiënten om 10:00 uur, tot 7 patiënten om 13:00 uur, tot 49 patiënten om 17:00 uur. Deze gegevens kunnen worden vergeleken met ziekenhuizen in dezelfde regio, voor onmiddellijke waarschuwingen dat een bepaalde regio een potentieel brandpunt is.

Zodra deze informatie is verzameld en samengesteld, kan het AI-systeem waarschuwingen activeren voor alle omliggende regio’s, zodat noodzakelijke voorzorgsmaatregelen kunnen worden genomen.

Hoewel dit moeilijk zou zijn in bepaalde regio’s van de wereld, kunnen landen met grote AI-hubs en kleinere bevolkingsdichtheden, zoals Canada, een dergelijk geavanceerd systeem invoeren. Canada heeft AI-hubs in de meest bevolkte provincies (Waterloo en Toronto, Ontario, en Montreal, Quebec). De voordelen van deze inter-ziekenhuis- en inter-provinciale samenwerking kunnen worden uitgebreid om Canadezen andere voordelen te bieden, zoals versnelde toegang tot noodmedische zorg en verlaagde gezondheidsuitgaven. Canada kan een leider worden in zowel AI als gezondheidszorg en kan deze technologie licentiëren aan andere rechtsgebieden.

Belangrijker nog, zodra een land zoals Canada een systeem heeft ingesteld, kunnen de technologieën/methodologieën worden gekloond en geëxporteerd naar andere regio’s. Uiteindelijk zou het doel zijn om de hele wereld te bedekken, om ervoor te zorgen dat uitbraken een overblijfsel uit het verleden zijn.

Deze soort gegevensverzameling door gezondheidswerkers heeft voordelen voor meerdere toepassingen. Er is geen reden waarom in 2020 een patiënt zichzelf nog steeds moet registreren bij elk ziekenhuis afzonderlijk en dat diezelfde ziekenhuizen niet met elkaar communiceren in real-time. Dit gebrek aan communicatie kan resulteren in het verlies van gegevens bij patiënten die lijden aan dementie of andere symptomen die hen kunnen verhinderen om de ernst van hun aandoening volledig te communiceren, of zelfs waar ze elders zijn behandeld.

Lessen geleerd

We kunnen alleen maar hopen dat overheden over de hele wereld profiteren van de belangrijke lessen die het coronavirus ons leert. De mensheid moet zich gelukkig prijzen dat het coronavirus een relatief milde sterftecijfer heeft in vergelijking met sommige infectieziekten uit het verleden, zoals de Zwarte Dood, die naar schatting 30% tot 60% van de bevolking van Europa heeft gedood.

De volgende keer zullen we mogelijk niet zo gelukkig zijn, wat we tot nu toe weten, is dat overheden momenteel onvoldoende zijn toegerust om met de ernst van een uitbraak om te gaan.

Bluedot werd opgericht in de nasleep van de SARS-uitbraak in Toronto in 2003 en gelanceerd in 2013. Het doel was om mensen over de hele wereld te beschermen tegen infectieziekten met menselijke en kunstmatige intelligentie. Het AI-onderdeel heeft een opmerkelijke capaciteit aangetoond om het verloop van infectieziekten te voorspellen, wat resteert is het menselijke component. We hebben nieuwe beleidsmaatregelen nodig om bedrijven zoals BlueDot in staat te stellen om het beste te doen waar ze het beste in zijn. Als mensen moeten we meer eisen van onze politici en zorgverleners.