یک اپیدمی را قبل از شروع آن پیش بینی کنید

الگوریتم BlueDot کانادایی در تشخیص خطر جدیدترین ویروس کرونا سریعتر از کارشناسان بود. او چند روز قبل از اینکه مراکز کنترل و پیشگیری از بیماری های ایالات متحده (CDC) و سازمان بهداشت جهانی (WHO) اخطارهای رسمی را به جهان ارسال کنند، به مشتریان خود درباره تهدیدها توضیح داد.

کامران خان (1)، پزشک، متخصص بیماری های عفونی، موسس و مدیر عامل برنامه BlueDot، در یک مصاحبه مطبوعاتی توضیح داد که چگونه این سیستم هشدار اولیه از هوش مصنوعی از جمله پردازش زبان طبیعی و یادگیری ماشین برای ردیابی حتی استفاده می کند. صد بیماری مسری همزمان. روزانه حدود 100 مقاله به 65 زبان مورد تجزیه و تحلیل قرار می گیرد.

1. کامران خان و نقشه ای که شیوع ویروس کرونا ووهان را نشان می دهد.

این داده ها به شرکت ها سیگنال می دهد که چه زمانی مشتریان خود را از وجود و انتشار احتمالی یک بیماری عفونی مطلع کنند. سایر داده‌ها، مانند اطلاعات در مورد برنامه‌های سفر و پروازها، می‌توانند به ارائه اطلاعات اضافی درباره احتمال شیوع بیماری کمک کنند.

ایده پشت مدل BlueDot به شرح زیر است. در اسرع وقت اطلاعات دریافت کنید کارکنان مراقبت های بهداشتی به این امید که بتوانند افراد آلوده و بالقوه مسری را در مراحل اولیه تهدید تشخیص دهند - و در صورت لزوم، آنها را جدا کنند. خان توضیح می دهد که این الگوریتم از داده های رسانه های اجتماعی استفاده نمی کند زیرا "بیش از حد آشفته" است. با این حال، او به Recode گفت: "اطلاعات رسمی همیشه به روز نیستند." و زمان واکنش چیزی است که برای جلوگیری از شیوع موفقیت آمیز اهمیت دارد.

خان در سال 2003 به عنوان متخصص بیماری های عفونی در تورنتو کار می کرد که این اتفاق افتاد. اپیدمی سارس. او می خواست راه جدیدی برای پیگیری این نوع بیماری ها ایجاد کند. پس از آزمایش چندین برنامه پیش بینی، او BlueDot را در سال 2014 راه اندازی کرد و 9,4 میلیون دلار بودجه برای پروژه خود جمع آوری کرد. این شرکت در حال حاضر چهل کارمند دارد، پزشکان و برنامه نویسانکه در حال توسعه یک ابزار تحلیلی برای ردیابی بیماری ها هستند.

پس از جمع آوری داده ها و انتخاب اولیه آنها وارد بازی می شوند تحلیل گران. بعد از اپیدمیولوژیست ها آنها یافته ها را از نظر اعتبار علمی بررسی می کنند و سپس به دولت، تجارت و متخصصان مراقبت های بهداشتی گزارش می دهند. مشتریان.

خان افزود که سیستم او همچنین می‌تواند از طیف وسیعی از داده‌های دیگر، مانند اطلاعات مربوط به آب و هوا، دما، و حتی اطلاعات مربوط به دام‌های محلی، برای پیش‌بینی اینکه آیا فرد آلوده به این بیماری می‌تواند باعث شیوع بیماری شود، استفاده کند. او خاطرنشان می کند که در اوایل سال 2016، Blue-Dot توانست شیوع ویروس زیکا را در فلوریدا شش ماه قبل از اینکه واقعاً در این منطقه ثبت شود، پیش بینی کند.

این شرکت به روشی مشابه و با استفاده از فناوری های مشابه فعالیت می کند. متابیوتنظارت بر اپیدمی سارس کارشناسان آن زمانی دریافتند که بیشترین خطر ظهور این ویروس در کشورهای تایلند، کره جنوبی، ژاپن و تایوان وجود دارد و این کار را بیش از یک هفته قبل از اعلام موارد در این کشورها انجام دادند. برخی از نتایج آنها از تجزیه و تحلیل داده های پروازهای مسافری به دست آمد.

Metabiota، مانند BlueDot، از پردازش زبان طبیعی برای ارزیابی گزارش‌های احتمالی بیماری استفاده می‌کند، اما همچنین در تلاش است تا همان فناوری را برای اطلاعات رسانه‌های اجتماعی توسعه دهد.

مارک گالیوانمدیر علمی داده‌های متابیوتا به رسانه‌ها توضیح داد که پلتفرم‌ها و انجمن‌های آنلاین می‌توانند خطر شیوع بیماری را نشان دهند. کارشناسان کارکنان همچنین می‌گویند که می‌توانند بر اساس اطلاعاتی مانند علائم بیماری، مرگ‌ومیر و در دسترس بودن درمان، خطر ابتلا به یک بیماری را که باعث تحولات اجتماعی و سیاسی می‌شود، تخمین بزنند.

در عصر اینترنت، همه منتظر ارائه سریع، قابل اعتماد و شاید خوانا بصری اطلاعات در مورد پیشرفت اپیدمی ویروس کرونا هستند، به عنوان مثال، در قالب یک نقشه به روز.

2. داشبورد کروناویروس 2019-nCoV دانشگاه جان هاپکینز.

مرکز علوم و مهندسی سیستم ها در دانشگاه جانز هاپکینز شاید معروف ترین داشبورد ویروس کرونا در جهان را ایجاد کرده است (2). همچنین مجموعه داده کاملی را برای دانلود به عنوان برگه Google ارائه کرد. این نقشه موارد جدید، مرگ و میر تایید شده و بهبودی را نشان می دهد. داده های مورد استفاده برای تجسم از منابع مختلفی از جمله WHO، CDC، CDC چین، NHC، و DXY، یک وب سایت چینی است که گزارش های NHC و گزارش های وضعیت CCDC محلی را در زمان واقعی جمع آوری می کند.

تشخیص در ساعت، نه روز

جهان برای اولین بار در مورد بیماری جدیدی که در ووهان چین ظاهر شد شنید. 31 دسامبر 2019 یک هفته بعد، دانشمندان چینی اعلام کردند که مقصر را شناسایی کرده اند. هفته بعد، متخصصان آلمانی اولین آزمایش تشخیصی را توسعه دادند (3). این سریع است، بسیار سریعتر از زمان سارس یا اپیدمی های مشابه قبل و بعد.

در اوایل دهه گذشته، دانشمندانی که به دنبال نوعی ویروس خطرناک بودند، مجبور بودند آن را در سلول های حیوانی در ظروف پتری رشد دهند. شما باید به اندازه کافی ویروس ایجاد کرده باشید تا بتوانید بسازید جداسازی DNA و کد ژنتیکی را از طریق فرآیندی به نام ترتیب دهی. با این حال، در سال های اخیر، این تکنیک به شدت توسعه یافته است.

دانشمندان دیگر حتی نیازی به رشد ویروس در سلول ها ندارند. آنها می توانند به طور مستقیم مقادیر بسیار کمی از DNA ویروسی را در ریه ها یا ترشحات خونی بیمار تشخیص دهند. و ساعت ها طول می کشد نه روزها.

کار برای توسعه ابزارهای تشخیص ویروس سریعتر و راحت تر در حال انجام است. آزمایشگاه Veredus مستقر در سنگاپور در حال کار بر روی یک کیت قابل حمل برای شناسایی، VereChip (4) از اول فوریه امسال به فروش می رسد. راه‌حل‌های کارآمد و قابل حمل همچنین شناسایی افراد مبتلا را برای مراقبت‌های پزشکی مناسب هنگام استقرار تیم‌های پزشکی در میدان، به‌ویژه زمانی که بیمارستان‌ها بیش از حد شلوغ هستند، سریع‌تر می‌کند.

پیشرفت های اخیر تکنولوژی جمع آوری و به اشتراک گذاری نتایج تشخیصی را در زمان واقعی ممکن کرده است. نمونه پلتفرم از Quidel صوفیه من سیستم آرایه فیلم PCR10 شرکت‌های BioFire که آزمایش‌های تشخیصی سریع برای پاتوژن‌های تنفسی ارائه می‌کنند، بلافاصله از طریق اتصال بی‌سیم به پایگاه‌های داده در فضای ابری در دسترس هستند.

ژنوم کروناویروس 2019-nCoV (COVID-19) کمتر از یک ماه پس از کشف اولین مورد توسط دانشمندان چینی به طور کامل توالی یابی شده است. تقریباً بیست مورد دیگر از اولین سکانس تکمیل شده است. در مقایسه، اپیدمی ویروس سارس در اواخر سال 2002 آغاز شد و ژنوم کامل آن تا آوریل 2003 در دسترس نبود.

توالی یابی ژنوم برای توسعه تشخیص و واکسن های این بیماری حیاتی است.

نوآوری بیمارستان

5. ربات پزشکی از مرکز پزشکی منطقه ای پراویدنس در اورت.

متاسفانه کروناویروس جدید پزشکان را نیز تهدید می کند. به گزارش CNN، جلوگیری از انتشار ویروس کرونا در داخل و خارج از بیمارستان، کارکنان مرکز پزشکی منطقه ای پراویدنس در اورت، واشنگتن، استفاده می کنند ربات (5)، که علائم حیاتی را در یک بیمار جدا شده اندازه گیری می کند و به عنوان یک پلت فرم ویدئو کنفرانس عمل می کند. این دستگاه چیزی بیش از یک ارتباط بر روی چرخ ها با صفحه نمایش داخلی است، اما کار انسان را به طور کامل حذف نمی کند.

پرستاران همچنان باید با بیمار وارد اتاق شوند. آنها همچنین رباتی را کنترل می کنند که حداقل از نظر بیولوژیکی در معرض عفونت قرار نگیرد، بنابراین دستگاه هایی از این نوع به طور فزاینده ای در درمان بیماری های عفونی استفاده خواهند شد.

البته اتاق ها را می توان عایق بندی کرد، اما باید تهویه هوا را هم انجام دهید تا بتوانید نفس بکشید. این نیاز به جدید دارد سیستم های تهویهجلوگیری از گسترش میکروب ها

شرکت فنلاندی Genano (6) که این نوع تکنیک ها را توسعه داده است، یک سفارش سریع برای موسسات پزشکی در چین دریافت کرد. در بیانیه رسمی این شرکت آمده است که این شرکت تجربه گسترده ای در ارائه تجهیزات برای جلوگیری از شیوع بیماری های عفونی در اتاق های استریل و ایزوله بیمارستان دارد. او در سال‌های گذشته، از جمله، زایمان‌هایی را به موسسات پزشکی در عربستان سعودی در طول همه‌گیری ویروس مرس انجام می‌داد. دستگاه‌های فنلاندی برای تهویه ایمن نیز به بیمارستان موقت معروف افراد مبتلا به ویروس کرونا 2019-nCoV در ووهان تحویل داده شده است که در ده روز گذشته ساخته شده است.

6. نمودار سیستم جنانو در مقره

به گفته جنانو، فناوری ثبت اختراع مورد استفاده در تصفیه‌کننده‌ها «همه میکروب‌های موجود در هوا مانند ویروس‌ها و باکتری‌ها را از بین می‌برد و می‌کشد». دستگاه های تصفیه هوا که قادر به جذب ذرات ریز به اندازه 3 نانومتر هستند، فیلتر مکانیکی برای نگهداری ندارند و هوا توسط یک میدان الکتریکی قوی فیلتر می شود.

یکی دیگر از کنجکاوی های فنی که در طول شیوع ویروس کرونا ظاهر شد اسکنرهای حرارتی، استفاده می شود، در میان چیزهای دیگر، افراد مبتلا به تب در فرودگاه های هند سوار می شوند.

اینترنت - آسیب یا کمک؟

علیرغم موج عظیم انتقادها برای تکرار و انتشار، انتشار اطلاعات نادرست و وحشت، ابزارهای رسانه های اجتماعی نیز از زمان شیوع بیماری در چین نقش مثبتی ایفا کرده اند.

همانطور که، برای مثال، توسط سایت فناوری چینی TMT Post، یک پلت فرم اجتماعی برای ویدئوهای کوچک گزارش شده است. دوئینکه معادل چینی TikTok (7) معروف جهانی است، بخش ویژه ای را برای پردازش اطلاعات در مورد شیوع ویروس کرونا راه اندازی کرده است. زیر هشتگ #مبارزه با پنومونی، نه تنها اطلاعات کاربران، بلکه گزارش ها و مشاوره های تخصصی را نیز منتشر می کند.

علاوه بر افزایش آگاهی و انتشار اطلاعات مهم، Douyin همچنین قصد دارد به عنوان یک ابزار حمایتی برای پزشکان و کادر پزشکی در مبارزه با ویروس و همچنین بیماران آلوده خدمت کند. تحلیلگر دانیال احمد در توییتی نوشت که این اپلیکیشن یک «افکت ویدیویی Jiayou» (به معنای تشویق) راه اندازی کرده است که کاربران باید از آن برای ارسال پیام های مثبت در حمایت از پزشکان، متخصصان مراقبت های بهداشتی و بیماران استفاده کنند. این نوع محتوا توسط افراد مشهور، سلبریتی ها و به اصطلاح اینفلوئنسرها نیز منتشر می شود.

امروزه اعتقاد بر این است که مطالعه دقیق روندهای رسانه های اجتماعی مرتبط با سلامت می تواند به دانشمندان و مقامات بهداشت عمومی کمک زیادی کند تا مکانیسم های انتقال بیماری بین افراد را بهتر بشناسند و درک کنند.

او در سال 2016 به آتلانتیک گفت تا حدی به این دلیل که رسانه های اجتماعی «بسیار متنی و به طور فزاینده ای بیش از حد محلی» هستند. سالاد مارسیمحققی در دانشکده پلی تکنیک فدرال در لوزان، سوئیس، و متخصص در زمینه رو به رشدی که دانشمندان آن را می نامند. "اپیدمیولوژی دیجیتال". با این حال، او افزود، در حال حاضر، محققان هنوز بیشتر در تلاشند تا بفهمند که آیا رسانه های اجتماعی در مورد مشکلات سلامتی صحبت می کنند که واقعاً منعکس کننده پدیده های اپیدمیولوژیک هستند یا خیر (8).

8. چینی ها با ماسک سلفی می گیرند.

نتایج اولین آزمایش ها در این رابطه نامشخص است. قبلاً در سال 2008، مهندسان گوگل یک ابزار پیش بینی بیماری را راه اندازی کردند - روندهای آنفولانزای گوگل (GFT). این شرکت قصد داشت از آن برای تجزیه و تحلیل داده های موتور جستجوی گوگل برای علائم و کلمات سیگنال استفاده کند. در آن زمان، او امیدوار بود که از نتایج برای تشخیص دقیق و فوری "طرح های کلی" شیوع آنفولانزا و دنگی استفاده شود - دو هفته زودتر از مراکز کنترل و پیشگیری از بیماری های ایالات متحده. (CDC)، که تحقیقات آن بهترین استاندارد در این زمینه محسوب می شود. با این حال، نتایج گوگل در مورد تشخیص زودهنگام مبتنی بر سیگنال اینترنتی آنفولانزا در ایالات متحده و بعداً مالاریا در تایلند بسیار نادرست تلقی شد.

تکنیک ها و سیستم هایی که رویدادهای مختلف را "پیش بینی" می کنند، از جمله. مانند انفجار شورش ها یا اپیدمی ها، مایکروسافت نیز کار کرده است که در سال 2013 به همراه موسسه Technion اسرائیل برنامه پیش بینی فاجعه را بر اساس تجزیه و تحلیل محتوای رسانه ها راه اندازی کردند. با کمک تجسم سرفصل‌های چند زبانه، «هوش رایانه‌ای» باید تهدیدات اجتماعی را تشخیص می‌داد.

دانشمندان توالی خاصی از رویدادها را بررسی کردند، مانند اطلاعاتی در مورد خشکسالی در آنگولا، که منجر به پیش‌بینی‌هایی در سیستم‌های پیش‌بینی درباره همه‌گیری احتمالی وبا شد، زیرا آنها ارتباطی بین خشکسالی و افزایش شیوع بیماری پیدا کردند. چارچوب این سیستم بر اساس تجزیه و تحلیل نشریات آرشیوی نیویورک تایمز، از سال 1986 ایجاد شد. توسعه بیشتر و فرآیند یادگیری ماشینی شامل استفاده از منابع جدید اینترنتی بود.

تاکنون، بر اساس موفقیت BlueDot و Metabiota در پیش‌بینی اپیدمیولوژیک، ممکن است فرد وسوسه شود که به این نتیجه برسد که پیش‌بینی دقیق اساساً بر اساس داده‌های «واجد شرایط» امکان‌پذیر است، یعنی. منابع حرفه ای، قابل اعتماد و تخصصی، نه هرج و مرج جوامع اینترنتی و پورتال.

اما شاید همه چیز در مورد الگوریتم های هوشمندتر و یادگیری ماشینی بهتر باشد؟