Hur AI förutsåg coronavirus och kan förhindra framtida pandemier – Åsikt

BlueDot AI-prediktion

Den 6 januari meddelade USA:s centrum för sjukdomskontroll och förebyggande (CDC) allmänheten att en influensaliknande utbrott spreds i Wuhan City, i Hubei-provinsen i Kina. Därefter släppte Världshälsoorganisationen (WHO) en liknande rapport den 9 januari.

Dessa svar kan tyckas vara i rätt tid, men de var långsamma jämfört med ett AI-företag som heter BlueDot. BlueDot släppte en rapport den 31 december, en hel vecka innan CDC släppte liknande information.

Ännu mer imponerande är att BlueDot förutsåg Zika-utbrottet i Florida sex månader innan det första fallet 2016.

Vilka är några av de datamängder som BlueDot analyserar?

• Sjukdomsövervakning, vilket inkluderar att scanna 10 000+ medier och offentliga källor på över 60 språk.
• Demografiska data från nationella folkräkningar och nationella statistikrapporter. (Befolkningsdensitet är en faktor bakom viruspropagation)
• Real-tidsklimatdata från NASA, NOAA etc. (Virus sprids snabbare under vissa miljöförhållanden)
• Insektsvektorer och djurreservoarer (Viktigt när virus kan spridas från art till art).

BlueDot samarbetar för närvarande med olika regeringsorgan, inklusive Global Affairs Canada, Public Health Agency of Canada, Canadian Medical Association och Singapores hälsoministerium. BlueDot Insights-produkten skickar nära real-tidsvarningar för smittsamma sjukdomar. Några fördelar med denna produkt är:

• Minskar risken för exponering för frontlinjens hälso- och sjukvårdspersonal
• Global synlighet möjliggör tidsbesparingar på smittsam sjukdomsövervakning
• Möjlighet att kommunicera viktig information tydligt innan det är för sent.
• Förmåga att skydda befolkningar från infektioner

Hur AI-predikterbarhet kan förbättras

Vad hindrar BlueDot AI och liknande AI från att förbättras? Den främsta begränsande faktorn är oförmågan att få tillgång till den nödvändiga stora datamängden i realtid.

Dessa typer av prediktiva system är beroende av stora datamängder som matas in i ett konstgjort neuronnät (ANN), som använder djupinlärning för att söka efter mönster. Ju mer data som matas in i detta ANN, desto mer exakt blir maskinlärningsalgoritmen.

Detta innebär i princip att det som hindrar AI från att kunna flagga ett potentiellt utbrott tidigare är enbart brist på tillgång till den nödvändiga datan. I länder som Kina, som regelbundet övervakar och filterar nyheter, är dessa förseningar till den nödvändiga datan ännu mer uttalade. Censurprocessen för varje datapunkt kan signifikant minska mängden tillgänglig data och, ännu värre, kan till och med helt ta bort datans exakthet, vilket tar bort datans potentiella användbarhet. Felaktig data var också varför tidigare försök som Google Flu Trends misslyckades.

Med andra ord är det stora problemet som hindrar AI-system från att fullt ut kunna förutsäga ett utbrott så tidigt som möjligt regeringsingripande. Regeringar som Kina och den nuvarande Trump-administrationen måste ta bort sig från all typ av datafiltering och möjliggöra full tillgång till pressen för att rapportera om globala hälsofrågor.

Det som sagts, kan rapporter bara arbeta med den information som är tillgänglig för dem. Att kringgå nyhetsrapporter och få tillgång till källor direkt skulle möjliggöra maskinlärningssystem att få tillgång till data på ett tidigare och mer effektivt sätt.

Vad som behöver göras

Från och med nu bör regeringar som verkligen är intresserade av att minska hälsovårdskostnaderna och förhindra ett utbrott, börja en obligatorisk granskning av hur deras hälso kliniker och sjukhus kan distribuera vissa datapunkter i realtid till tjänstemän, rapporter och AI-system.

Individuell privat information kan helt tas bort från varje patient, vilket möjliggör för patienten att förbli anonym medan den viktiga datan delas.

Ett nätverk av sjukhus i en stad som samlar in data i realtid och delar denna data skulle kunna erbjuda överlägsen hälsovård. Till exempel kunde det spåras att ett visst sjukhus har visat en ökning av patienter med influensaliknande symtom, med 3 patienter kl. 10.00, till 7 patienter kl. 13.00, till 49 patienter kl. 17.00. Denna data kunde jämföras med sjukhus inom samma region, för omedelbara varningar om att en viss region är en potentiell varzon.

När denna information samlas in och sätts samman, kunde AI-systemet utlösa varningar till alla närliggande regioner så att nödvändiga försiktighetsåtgärder kan vidtas.

Även om detta skulle vara svårt i vissa regioner i världen, kunde länder med stora AI-hubbar och mindre befolkningstäthet, som Kanada, införa ett sådant avancerat system. Kanada har AI-hubbar i de mest befolkade provinserna (Waterloo och Toronto, Ontario, och Montreal, Quebec). Fördelarna med denna inter-hospital och inter-provinciella samverkan kunde utvidgas till att erbjuda kanadensare andra fördelar, såsom accelererad tillgång till akut medicinsk vård och minskade hälsovårdskostnader. Kanada kunde bli en ledare inom både AI och hälsovård, och licensiera denna teknik till andra jurisdiktioner.

Viktigast av allt, när ett land som Kanada har ett system på plats, kan tekniken/metoderna sedan klonas och exporteras till andra regioner. Till slut skulle målet vara att täcka hela världen, för att säkerställa att utbrott är en relikt från det förflutna.

Denna typ av datainsamling av hälso- och sjukvårdspersonal har fördelar för flera tillämpningar. Det finns ingen anledning till varför en patient i år 2020 skulle behöva registrera sig hos varje sjukhus individuellt, och att dessa sjukhus inte kommunicerar med varandra i realtid. Denna brist på kommunikation kan resultera i förlust av data för patienter som lider av demens, eller andra symtom som kan förhindra dem från att fullständigt kommunicera allvaret i deras tillstånd, eller till och med var de har behandlats tidigare.

Lärdomar

Vi kan bara hoppas att regeringar runt om i världen tar till sig de viktiga lärdomarna som coronavirus lärt oss. Mänskligheten bör betrakta sig som lyckliga att coronavirus har en relativt mild dödlighet jämfört med vissa smittsamma agenter i det förflutna, såsom den svarta döden, som beräknas ha dödat 30% till 60% av Europas befolkning.

Nästa gång kanske vi inte är så lyckliga, vad vi vet hittills är att regeringar för närvarande är illa utrustade för att hantera allvaret i ett utbrott.

Bluedot konceptualiserades i kölvattnet av Torontos SARS-utbrott 2003 och lanserades 2013. Målet var att skydda människor runt om i världen från smittsamma sjukdomar med hjälp av mänsklig och artificiell intelligens. AI-komponenten har visat en remarkabel förmåga att förutsäga smittsamma sjukdomars utbredning, vad som återstår är den mänskliga komponenten. Vi behöver nya policys på plats för att möjliggöra för företag som BlueDot att excellera i det de gör bäst. Som människor behöver vi kräva mer av våra politiker och hälsovårdspersonal.