Hvordan AI forutså koronavirus og kan forhindre fremtidige pandemier – Kommentar

BlueDot AI-prediksjon

Den 6. januar varslet USAs sentre for sykdomskontroll og forebygging (CDC) offentligheten om en influensa-lignende utbrudd i Wuhan-byen i Hubei-provinsen i Kina. Deretter ga Verdens helseorganisasjon (WHO) ut en lignende rapport den 9. januar.

Disse reaksjonene kan synes å være tilstrekkelige, men de var langsomme sammenlignet med et AI-selskap kalt BlueDot. BlueDot ga ut en rapport den 31. desember, en hel uke før CDC ga ut lignende informasjon.

Enda mer imponerende var at BlueDot forutså Zika-utbruddet i Florida seks måneder før det første tilfelle i 2016.

Hva er noen av datasettene som BlueDot analyserer?

• Sykdoms-overvåking, inkludert scanning av 10 000+ medier og offentlige kilder på over 60 språk.
• Demografiske data fra nasjonale folketellinger og nasjonale statistikkrapporter. (Befolknings-tetthet er en faktor bak virus-spredning)
• Sanntids-klima-data fra NASA, NOAA osv. (Virus spres raskere under visse miljø-forhold)
• Insekt-vektorer og dyre-reservoarer (Viktig når virus kan spres fra art til art).

BlueDot samarbeider for tiden med ulike regjeringsetater, inkludert Global Affairs Canada, Public Health Agency of Canada, Canadian Medical Association og Singapore Ministry of Health. BlueDot Insights-produktet sender sanntids-informasjon om smittsomme sykdommer. Noen fordeler med dette produktet inkluderer:

• Reduserer risikoen for eksponering av frontlinje-helsearbeidere
• Global oversikt muliggjør tidssparing på overvåking av smittsomme sykdommer
• Mulighet til å kommunisere kritisk informasjon tydelig før det er for sent.
• Evne til å beskytte befolkninger mot infeksjoner

Hvordan AI-forutsigbarhet kan forbedres

Hva hindrer BlueDot AI og lignende AI-er fra å forbedre seg? Den viktigste begrensningen er evnen til å få tilgang til nødvendig stor data i sanntid.

Disse typene prediksjons-systemer avhenger av stor data som mates inn i et kunstig nevralt nettverk (ANN), som bruker dyp læring til å søke etter mønster. Jo mer data som mates inn i dette ANN, jo mer nøyaktig blir maskin-lærings-algoritmen.

Dette betyr i praksis at det som hindrer AI-en fra å kunne flagge en potensiell utbrudd tidligere, er bare en mangel på tilgang til nødvendig data. I land som Kina, som regelmessig overvåker og filterer nyheter, er disse forsinkelsene til nødvendig data enda mer uttalt. Sensur-prosessen av hver datapunkt kan betydelig redusere mengden tilgjengelig data, og verre, kan sogar helt fjerne nøyaktigheten av denne dataen, som fjerner potensiell nytte av denne dataen. Feil data var også grunnen til at tidligere forsøk som Google Flu Trends (GOOGL ) feilet.

Med andre ord er det største problemet som hindrer AI-systemer fra å kunne forutsi en utbrudd så tidlig som mulig, er regjeringens inngripen. Regjeringer som Kina og den nåværende Trump-administrasjonen, må fjerne seg fra enhver type data-filtering, og aktivere full tilgang til pressen for å rapportere om globale helse-problemer.

Det blir sagt, at journalister bare kan arbeide med informasjonen som er tilgjengelig for dem. Å gå utenom nyhets-rapporter og å få tilgang til kilder direkte, ville muliggjøre maskin-lærings-systemer å få tilgang til data på en mer tidlig og effektiv måte.

Hva som må gjøres

Umiddelbart, regjeringer som virkelig er interesserte i å redusere kostnadene til helse- og forebygge utbrudd, bør starte en obligatorisk gjennomgang av hvordan deres helse-klinikker og sykehus kan distribuere visse datapunkter i sanntid til offiserer, journalister og AI-systemer.

Enkeltpersoners private informasjon kan fullstendig fjernes fra hver pasient, og muliggjøre at pasienten forblir anonym mens den viktige dataen deles.

Et nettverk av sykehus i en by som samler inn data i sanntid og deler denne dataen, ville være i stand til å tilby overlegen helse. For eksempel, kunne det være sporbar at et bestemt sykehus har vist en økning i pasienter som viser influensa-lignende symptomer, med 3 pasienter kl. 10:00, til 7 pasienter kl. 13:00, til 49 pasienter kl. 17:00. Denne dataen kunne sammenlignes med sykehus i samme region, for umiddelbare varsler om at en bestemt region er en potensiell varsko-son.

Når denne informasjonen er samlet inn og satt sammen, kunne AI-systemet utløse varsler til alle naboregioner, så nødvendige forholdsregler kan tas.

Selv om dette ville være vanskelig i visse regioner i verden, kunne land med store AI-huber og mindre befolkningstetthet, som Canada, innføre et slikt avansert system. Canada har AI-huber i de mest befolkede provinsene (Waterloo og Toronto, Ontario, og Montreal, Quebec). Fordelene med denne inter-sykehus- og inter-provins-samarbeidet kunne utvides til å tilby canadiere andre fordeler, som akselerert tilgang til nødhjelp, og redusert helse-utgifter. Canada kunne bli en leder i både AI og helse, og lisensiere denne teknologien til andre jurisdiksjoner.

Det viktigste er at når et land som Canada har et slikt system på plass, kan teknologien/metodene deretter kopieres og eksporteres til andre regioner. Til slutt ville målet være å dekke hele verden, for å sikre at utbrudd er en relikt fra fortiden.

Denne type data-innsamling av helse-arbeidere har fordeler for flere anvendelser. Det er ingen grunn til at i 2020 en pasient må registrere seg selv hos hvert sykehus individuelt, og at disse sykehusene ikke kommuniserer med hverandre i sanntid. Mangel på kommunikasjon kan føre til tap av data hos pasienter som lider av demens, eller andre symptomer som kan forhindre dem fra å fullt ut kommunisere alvoret av deres tilstand, eller sogar hvor andre steder de har blitt behandlet.

Leksjoner lært

Vi kan bare håpe at regjeringer over hele verden, tar til seg de viktige leksjonene som koronavirus lærer oss. Menneskeheten bør regne seg heldige at koronavirus har en relativt mild dødelighet sammenlignet med noen infeksiøse agenter fra fortiden, som svartedøden, som er estimert å ha drept 30% til 60% av Europas befolkning.

Neste gang vi kanskje ikke er like heldige, det vi vet så langt, er at regjeringer for tiden er dårlig utrustet til å håndtere alvorligheten av et utbrudd.

Bluedot ble konseptualisert i kjølvannet av Torontos SARS-utbrudd i 2003 og lansert i 2013. Målet var å beskytte mennesker over hele verden fra smittsomme sykdommer med menneskelig og kunstig intelligens. AI-komponenten har demonstrert en bemerkelsesverdig evne til å forutsi banen til smittsomme sykdommer, hva som gjenstår er den menneskelige komponenten. Vi trenger nye politiske tiltak for å muliggjøre at selskaper som BlueDot kan utmerke seg i det de gjør best. Som mennesker må vi kreve mer fra våre politikere og helse-tilbydere.