Данные, ИИ и датчики, настроенные против COVID-19

Правительства, специалисты в области здравоохранения и отрасли, стремящиеся справиться с пандемией Covid-19, имеют сильных союзников в борьбе за минимизацию ущерба для общественного здравоохранения и мировой экономики:большие данные и прогнозный анализ в сочетании с искусственным интеллектом и арсеналом термодатчиков.

Covid-19 принадлежит к тому же семейству вирусов, которые вызывают тяжелый острый респираторный синдром (SARS) и простуду. Поскольку это новый вирус, к которому люди не имели прежде иммунитета, его раннее воздействие было разрушительным. Спустя несколько месяцев после того, как из китайской провинции Хубэй поступили первые сообщения, тестирование в большинстве стран оставалось в лучшем случае спорадическим, в результате чего население во всем мире не знало фактического числа заболевших среди них и не знало, как реагировать на опасность или даже понимать ее масштабы. Вскоре эксперты в области искусственного интеллекта и методов анализа данных осознали потенциал технологий искусственного интеллекта и науки о данных для поддержки работы эпидемиологов и правительственных групп кризисного реагирования.

Анализ данных и математика вместе с физикой позволяют глубже понять природные процессы. Пионеры в области науки о данных уже оказали влияние на общественное здравоохранение, развернув сбор и анализ данных, чтобы помочь замедлить распространение более ранних вспышек. Одно из первых исторических применений анализа данных было в 1852 году, во время вспышки холеры в Лондоне. Джон Сноу, один из первых эпидемиологов, основанных на данных, проанализировал географические данные о смертях, произошедших в Лондоне, и таким образом смог изолировать источник болезни. Опираясь на его анализ, власти смогли нацелить свои вмешательства и быстро проверить распространение вспышки.

Давайте оценим данные

Запуская модели через системы анализа данных, исследователи могут приблизительно оценить, как могут развиваться тенденции. Примером является модель SIR, эпидемиологическая модель, которая вычисляет теоретическое число людей, инфицированных заразной болезнью, в закрытой популяции с течением времени. Модель использует связанные уравнения, анализирующие количество восприимчивых людей, S (t); количество инфицированных, I (т); и количество выздоровевших, R (t).

Одна из простейших моделей SIR - это модель Кермака-МакКендрика, фундамент, на которой были основаны многие другие компартментные модели. В этом контексте я нашел анализ ¹ опубликованная в начале марта Этторе Мариотти, научным сотрудником Università degli Studi di Padova, весьма интересна.

Представьте себе остров - нашу систему, - которую люди не могут ни покинуть, ни войти. Каждый человек на острове может одновременно находиться в одном из следующих состояний:«Восприимчивый», «Зараженный» и «Выздоровевший» (отсюда и аббревиатура SIR). С определенной вероятностью люди, которые никогда не болели этим заболеванием (S), могут заболеть и заразиться (I) в течение определенного периода до выздоровления (R). В случае Covid-19 целесообразно расширить модель дополнительным состоянием «Разоблачен», чтобы включить людей, у которых есть вирус, но которые еще не заразны (модель SEIR; рис. 1).

Рисунок 1. Модель SEIR (Изображение:triplebyte.com)

Эта модель учитывает два фактора:динамику вируса и взаимодействие людей. (Последний вариант очень сложен и использует инструменты, описанные здесь.) Имея эту информацию, можно определить параметр R0, который представляет количество людей, которых инфицированный человек может потенциально заразить.

Предположим, например, что человек A болен и что в нашей системе R0 =2, что означает, что A заразит двух человек. Эти два человека, в свою очередь, заразят четырех человек, которые заразят еще двух человек каждый (поэтому 4 × 2 =8) и так далее. Это подчеркивает тот факт, что распространение болезни носит скорее мультипликативный, чем аддитивный характер. R0 может охватить три основных сценария (рисунок 2).

Рис. 2. Базовые сценарии R0 (Изображение:triplebyte.com)

Закрытие школ, спортзалов, театров, ресторанов и других общественных мест снижает количество социальных взаимодействий, тем самым снижая R0. Поскольку вирус до предела напрягает ресурсы общественного здравоохранения, снижение параметра R0 ниже единицы было критическим. Если R0> 1, болезнь распространяется; если R0 <1, болезнь исчезает. Таким образом, правительства наложили драконовские ограничения на мобильность людей, пытаясь снизить R0 во время вспышки коронавируса.

Важно отметить, что R0 измеряет потенциальную передачу заболевания, а не скорость его распространения. Рассмотрим повсеместную природу вирусов гриппа, R0 которых составляет всего около 1,3. Высокий R0 - повод для беспокойства, но не повод для паники.

R0 - это среднее значение, поэтому на него могут влиять такие факторы, как количество «суперраспространителей» в данной популяции. Суперраспространитель - это инфицированный человек, который заражает неожиданно большое количество людей. События сверхраспространения произошли во время эпидемий SARS и MERS, а также во время текущей пандемии. Однако такие события не обязательно являются плохим признаком, поскольку они могут указывать на то, что меньше людей поддерживает эпидемию. Суперразбрасывателей также может быть легче идентифицировать и сдерживать, потому что их симптомы, вероятно, будут более серьезными.

Короче говоря, R0 - это движущаяся цель. Отслеживание каждого случая и передачи заболевания чрезвычайно сложно, поэтому оценка R0 является сложной и сложной задачей. Оценки часто меняются с появлением новых данных.

Чтобы помочь властям взять под контроль R0, использование ИИ вместе со сбором данных из GPS-слежения за мобильными телефонами позволяет создавать аналитические модели для прогнозирования, в каких районах с большей вероятностью будут случаи заболевания, а в каких необходимо срочное вмешательство.

Большие данные, искусственный интеллект и датчики

Во время эпидемии клинические данные могут сильно различаться по качеству и последовательности. К подобным осложнениям относятся случаи ложноположительных пациентов. Однако большие данные и искусственный интеллект можно использовать для проверки соблюдения карантина, а машинное обучение можно использовать для исследования наркотиков.

Реакция на коронавирус в Азии дает множество примеров вмешательств, осуществленных с использованием цифровых технологий. Дроны, оснащенные интеллектуальными сканерами и камерами, дают возможность обнаруживать тех, кто не соблюдает карантинные меры, и проверять температуру тела людей. Для этой цели Китай и Тайвань использовали интеллектуальные камеры.

Гонконгская компания, занимающаяся технологиями искусственного интеллекта, SenseTime разработала платформу, которая может определять лихорадку, сканируя лица людей, даже если они носят медицинскую маску. Программное обеспечение SenseTime для бесконтактного определения температуры внедрено на станциях метро, ​​в школах и общественных центрах в Пекине, Шанхае и Шэньчжэне.

Тем временем Alibaba разработала систему на основе искусственного интеллекта для диагностики Covid-19, которая позволяет обнаруживать новые случаи коронавируса с точностью до 96% с помощью компьютерных томографических сканирований (КТ).

Компания Graphen из Нью-Йорка сотрудничает с исследователями из Колумбийского университета, чтобы определить каноническую форму каждой локализации гена вируса и определить точный вариант (ы). Исследователи используют платформу Ardi AI от Graphen, которая имитирует функции человеческого мозга, для хранения данных о мутациях и их визуализации. Типичная визуализация сопоставляет вирус с набором вирусов, обладающих одинаковой последовательностью генома. Информацию о вирусах, включая местонахождение, пол и возраст пострадавших, можно увидеть, щелкнув соответствующие узлы.

Между тем, большие данные широко используются для улучшения систем наблюдения с целью картирования распространения вируса.

Для сбора и обработки больших данных потребовались новые методологии и технологии сбора и анализа. В частности, мы можем выделить четыре методологии анализа больших данных:

• описательный анализ или методологии и технологии, используемые для описания текущей и прошлой ситуации бизнес-процессов или бизнес-проектов, представляющие в синтетическом и графическом виде показатели эффективности деятельности;
• прогнозный анализ, включающий инструменты анализа данных, которые помогают понять, что может произойти в будущем, с использованием математических методов, таких как регрессия и прогнозные модели;
• предписывающий анализ, используемый для определения эффективных стратегических и операционных решений; и
• автоматический анализ, который включает инструменты, позволяющие выполнять желаемое действие автономно, в автоматическом режиме и в соответствии с результатами проведенного анализа.

Alibaba также разработала приложение Alipay Health Code, которое использует большие данные, предоставляемые китайской системой здравоохранения, для определения того, кто может или не может получить доступ к общественным местам.

BlueDot, стартап из Торонто с платформой, построенной на основе искусственного интеллекта, разработал интеллектуальные системы для автоматического мониторинга и прогнозирования распространения инфекционных заболеваний. Платформа BlueDot использовалась, и ее эффективность подтвердилась во время эпидемии атипичной пневмонии.

Примечательно, что в декабре 2019 года BlueDot также подняла тревогу по поводу потенциальной серьезности коронавируса, и снова ее модели оказались верными. Среди инструментов, используемых BlueDot, есть методы обработки естественного языка.

Insilico Medicine (Роквилл, Мэриленд) - еще одна компания, специализирующаяся на профилактике заболеваний с помощью искусственного интеллекта. Компания разрабатывает и применяет ИИ нового поколения и подходы к глубокому обучению на каждом этапе процесса открытия и разработки лекарств. Insilico недавно использовала свою систему для анализа молекул, которые могут быть подходящими для борьбы с новым коронавирусом, и может поделиться результатами. Когда этот выпуск был передан в печать, компания создавала базу данных с информацией для использования при разработке вакцины.

Изучение экономического воздействия

Помимо воздействия на здоровье, Covid-19 нанес разрушительный физический удар по мировой экономике. И здесь большие данные и искусственный интеллект могут помочь проанализировать влияние и сформулировать соответствующие ответы. Технологии спутникового анализа, например, помогли исследователям WeBank определить наиболее пострадавшие отрасли в Китае, такие как сталелитейная промышленность. Анализ показал, что производство на сталелитейных заводах Китая упало как минимум до 29% мощности в начале эпидемии, но восстановилось до 76% к 9 февраля (рис. 3).

Рис. 3. Спутниковые снимки, сделанные рядом с 30 декабря 2019 г. (слева) и 29 января 2020 г., показывают, что активность в черной металлургии Китая резко упала в первые дни эпидемии. (Изображение:Spectrum.ieee.org)

Затем исследователи рассмотрели другие виды производственной и коммерческой деятельности с использованием ИИ. Один из подходов заключался в простом подсчете машин на больших стоянках. Этот анализ показал, что по состоянию на 10 февраля производство автомобилей Tesla в Шанхае полностью восстановилось, в то время как туристические объекты, такие как Шанхайский Диснейленд, оставались закрытыми.

Анализируя данные со спутников GPS, можно было определить, какие люди ездили на работу. Затем программное обеспечение подсчитало количество пассажиров в каждом городе и сравнило количество пассажиров в начале китайского новогоднего праздника в 2019 году и в соответствующую дату в 2020 году. В оба года количество пассажиров пригородных поездов снижалось в начале праздника. , но в этом году нормальный объем не восстановился после праздников, как в 2019 году.

По мере того, как активность постепенно восстанавливалась, исследователи WeBank подсчитали, что к 10 марта 2020 года около 75% сотрудников вернулись к работе. Исходя из этих кривых, исследователи пришли к выводу, что большинство китайских рабочих, за исключением тех, кто работает в Ухане, вернутся на работу к концу марта.

Те, кто пытается отреагировать на проблему коронавируса, имеют в своем распоряжении мощные инструменты, а решения, доказывающие свою ценность во время кризиса, вполне могут стать стандартной практикой после его разрешения.

<час />

Ссылка

1 Мариотти, Э. (6 марта 2020 г.). Моделирование вспышки Covid-19 в Италии.

---

>> Эта статья изначально была опубликована на нашем дочернем сайте EE Times Europe.