Forudsige en epidemi, før den rammer

Den canadiske BlueDot-algoritme var hurtigere end eksperter til at genkende truslen fra den seneste coronavirus. Han orienterede sine klienter om truslen dage før de amerikanske centre for sygdomsbekæmpelse og forebyggelse (CDC) og Verdenssundhedsorganisationen (WHO) sendte officielle meddelelser til verden.

Kamran Khan (1), læge, specialist i infektionssygdomme, grundlægger og administrerende direktør for programmet BlueDot, forklarede i et presseinterview, hvordan dette tidlige varslingssystem bruger kunstig intelligens, herunder naturlig sprogbehandling og maskinlæring, til at spore selv hundrede smitsomme sygdomme på samme tid. Omkring 100 artikler på 65 sprog analyseres dagligt.

1. Kamran Khan og et kort, der viser spredningen af ​​Wuhan coronavirus.

Disse data signalerer virksomheder, hvornår de skal underrette deres kunder om den potentielle tilstedeværelse og spredning af en smitsom sygdom. Andre data, såsom oplysninger om rejseruter og fly, kan hjælpe med at give yderligere oplysninger om sandsynligheden for, at et udbrud udvikler sig.

Ideen bag BlueDot-modellen er som følger. få information hurtigst muligt sundhedspersonale i håb om, at de kan diagnosticere – og om nødvendigt isolere – inficerede og potentielt smitsomme mennesker på et tidligt stadium af truslen. Khan forklarer, at algoritmen ikke bruger data på sociale medier, fordi den er "for kaotisk". Men "officiel information er ikke altid opdateret," fortalte han Recode. Og reaktionstiden er det afgørende for at forhindre et udbrud.

Khan arbejdede som specialist i infektionssygdomme i Toronto i 2003, da det skete. epidemi SARS. Han ønskede at udvikle en ny måde at holde styr på disse typer sygdomme. Efter at have testet flere forudsigelige programmer lancerede han BlueDot i 2014 og rejste $9,4 millioner i finansiering til sit projekt. Virksomheden beskæftiger i dag fyrre medarbejdere, læger og programmørerder udvikler et analytisk værktøj til at spore sygdomme.

Efter at have indsamlet data og deres første valg går de ind i spillet analytikere. Derefter epidemiologi De tester resultaterne for videnskabelig validitet og rapporterer derefter tilbage til regeringen, erhvervslivet og sundhedspersonale. klienter.

Khan tilføjede, at hans system også kunne bruge en række andre data, såsom information om et bestemt områdes klima, temperatur og endda information om lokale husdyr til at forudsige, om nogen, der er inficeret med sygdommen, kan forårsage et udbrud. Han påpeger, at Blue-Dot allerede i 2016 var i stand til at forudsige et Zika-virusudbrud i Florida seks måneder, før det rent faktisk blev registreret i området.

Virksomheden opererer på lignende måde og bruger lignende teknologier. Metabiotaovervågning af SARS-epidemien. Dens eksperter fandt på et tidspunkt, at den største risiko for fremkomsten af ​​denne virus i Thailand, Sydkorea, Japan og Taiwan, og de gjorde dette mere end en uge før annonceringen af ​​tilfælde i disse lande. Nogle af deres konklusioner blev draget fra analysen af ​​passagerflydata.

Metabiota bruger ligesom BlueDot naturlig sprogbehandling til at evaluere potentielle sygdomsrapporter, men arbejder også på at udvikle den samme teknologi til information på sociale medier.

Mark Gallivan, Metabiotas videnskabelige direktør for data, forklarede medierne, at online platforme og fora kan signalere risikoen for et udbrud. Personaleeksperter siger også, at de kan estimere risikoen for, at en socialt og politisk forstyrrende sygdom spredes baseret på information som sygdomssymptomer, dødelighed og tilgængelighed af behandling.

I internettets tidsalder forventer alle en hurtig, pålidelig og muligvis læselig visuel præsentation af information om coronaepidemiens fremskridt, for eksempel i form af et opdateret kort.

2. Johns Hopkins University Coronavirus 2019-nCoV Dashboard.

Center for Systemvidenskab og Engineering ved Johns Hopkins University har udviklet det måske mest berømte dashboard for coronavirus i verden (2). Det gav også det komplette datasæt til download som et Google-ark. Kortet viser nye tilfælde, bekræftede dødsfald og helbredelser. De data, der bruges til visualiseringen, kommer fra en række forskellige kilder, herunder WHO, CDC, Kina CDC, NHC og DXY, et kinesisk websted, der samler NHC-rapporter i realtid og lokale CCDC-situationsrapporter.

Diagnostik i timer, ikke dage

Verden hørte først om en ny sygdom, der dukkede op i Wuhan, Kina. 31 December 2019 by En uge senere meddelte kinesiske videnskabsmænd, at de havde identificeret den skyldige. Ugen efter udviklede tyske specialister den første diagnostiske test (3). Det er hurtigt, meget hurtigere end i tiden med SARS eller lignende epidemier før og efter.

Allerede i begyndelsen af ​​det sidste årti måtte forskere, der ledte efter en slags farlig virus, dyrke den i dyreceller i petriskåle. Du skal have lavet nok vira til at lave isolere DNA og læse den genetiske kode gennem en proces kendt som række af handlinger. Men i de senere år har denne teknik udviklet sig enormt.

Forskere behøver ikke engang at dyrke virussen i celler længere. De kan direkte påvise meget små mængder viralt DNA i en patients lunger eller blodsekret. Og det tager timer, ikke dage.

Der arbejdes på at udvikle endnu hurtigere og mere praktiske virusdetektionsværktøjer. Singapore-baserede Veredus Laboratories arbejder på et bærbart sæt til at opdage, VereChip (4) kommer til salg fra 1. februar i år. Effektive og bærbare løsninger vil også gøre det hurtigere at identificere de inficerede med henblik på korrekt lægehjælp, når lægehold udstationeres i felten, især når hospitaler er overfyldte.

Nylige teknologiske fremskridt har gjort det muligt at indsamle og dele diagnostiske resultater i næsten realtid. Platform eksempel fra Quidel София Jeg er et system PCR10 FilmArray BioFire-virksomheder, der leverer hurtige diagnostiske tests for respiratoriske patogener, er umiddelbart tilgængelige via trådløs forbindelse til databaser i skyen.

Genomet af 2019-nCoV coronavirus (COVID-19) er blevet fuldstændig sekventeret af kinesiske forskere mindre end en måned efter opdagelsen af ​​det første tilfælde. Næsten tyve mere er blevet afsluttet siden den første sekvensering. Til sammenligning begyndte SARS-virusepidemien i slutningen af ​​2002, og dens komplette genom var først tilgængelig i april 2003.

Genomsekventering er afgørende for udviklingen af ​​diagnostik og vacciner mod denne sygdom.

Hospitalsinnovation

5. Medicinsk robot fra Providence Regional Medical Center i Everett.

Desværre truer den nye coronavirus også lægerne. Ifølge CNN, forhindre spredning af coronavirus i og uden for hospitalet, personale ved Providence Regional Medical Center i Everett, Washington, bruge Robotten (5), som måler vitale tegn hos en isoleret patient og fungerer som en videokonferenceplatform. Maskinen er mere end blot en kommunikator på hjul med en indbygget skærm, men den eliminerer ikke helt menneskeligt arbejde.

Sygeplejersker skal stadig ind på værelset med patienten. De driver også en robot, der ikke vil blive udsat for infektion, i det mindste biologisk, så enheder af denne type vil i stigende grad blive brugt til behandling af infektionssygdomme.

Naturligvis kan rummene isoleres, men du skal også lufte ud, så du kan trække vejret. Dette kræver nyt ventilationsanlægforhindre spredning af mikrober.

Det finske firma Genano (6), som udviklede denne type teknikker, modtog en udtrykkelig ordre til medicinske institutioner i Kina. I virksomhedens officielle udtalelse fremgår det, at virksomheden har stor erfaring med at levere udstyr til at forhindre spredning af infektionssygdomme i sterile og isolerede hospitalsstuer. Tidligere år udførte hun blandt andet leveringer til medicinske institutioner i Saudi-Arabien under MERS-virusepidemien. Finske enheder til sikker ventilation er også blevet leveret til det berømte midlertidige hospital for mennesker inficeret med 2019-nCoV coronavirus i Wuhan, som allerede er bygget på ti dage.

6. Diagram over Genano-systemet i isolatoren

Den patenterede teknologi, der bruges i renserne "eliminerer og dræber alle luftbårne mikrober såsom vira og bakterier," ifølge Genano. Luftrensere, der er i stand til at opfange fine partikler helt ned til 3 nanometer, har ikke et mekanisk filter, der skal vedligeholdes, og luften filtreres af et stærkt elektrisk felt.

En anden teknisk nysgerrighed, der dukkede op under coronavirus-udbruddet, var termiske scannere, brugt, blandt andet bliver personer med feber hentet i indiske lufthavne.

Internet - ondt eller hjælp?

På trods af den enorme bølge af kritik for replikering og formidling, spredning af desinformation og panik, har sociale medier også spillet en positiv rolle siden udbruddet i Kina.

Som rapporteret for eksempel af det kinesiske teknologisite TMT Post, en social platform for minivideoer. douyin, som er den kinesiske ækvivalent til det verdensberømte TikTok (7), har lanceret et særligt segment til at behandle information om spredningen af ​​coronavirus. Under hashtagget #FightLungebetændelse, udgiver ikke kun oplysninger fra brugere, men også ekspertrapporter og rådgivning.

Udover at øge bevidstheden og sprede vigtig information, sigter Douyin også på at tjene som et støtteværktøj for læger og medicinsk personale, der bekæmper virussen, samt inficerede patienter. analytiker Daniel Ahmad tweeted, at appen har lanceret en "Jiayou-videoeffekt" (betyder opmuntring), som brugere skal bruge til at sende positive beskeder til støtte for læger, sundhedspersonale og patienter. Denne type indhold udgives også af kendte personer, berømtheder og såkaldte influencers.

I dag menes det, at en omhyggelig undersøgelse af sundhedsrelaterede trends på sociale medier i høj grad kan hjælpe videnskabsmænd og offentlige sundhedsmyndigheder til bedre at genkende og forstå mekanismerne for sygdomsoverførsel mellem mennesker.

Dels fordi sociale medier har en tendens til at være "meget kontekstuelle og i stigende grad hyperlokale," fortalte han til The Atlantic i 2016. Marseille salat, en forsker ved Federal Polytechnic School i Lausanne, Schweiz, og en ekspert inden for et voksende område, som videnskabsmænd kalder "Digital epidemiologi". Men indtil videre, tilføjede han, forsøger forskere stadig snarere at forstå, hvorvidt sociale medier taler om sundhedsproblemer, der faktisk afspejler epidemiologiske fænomener eller ej (8).

8. Kineserne tager selfies med masker på.

Resultaterne af de første forsøg i denne henseende er uklare. Allerede i 2008 lancerede Googles ingeniører et sygdomsforudsigelsesværktøj - Google Flu Trends (GFT). Virksomheden planlagde at bruge det til at analysere Googles søgemaskinedata for symptomer og signalord. På det tidspunkt håbede hun, at resultaterne ville blive brugt til nøjagtigt og øjeblikkeligt at genkende "konturerne" af influenza- og dengue-udbrud - to uger tidligere end de amerikanske centre for sygdomskontrol og -forebyggelse. (CDC), hvis forskning anses for at være den bedste standard på området. Googles resultater om tidlig internet-signal-baseret diagnose af influenza i USA og senere malaria i Thailand blev anset for at være for unøjagtige.

Teknikker og systemer, der "forudsiger" forskellige hændelser, inkl. såsom eksplosionen af ​​optøjer eller epidemier, har Microsoft også arbejdet, som i 2013 sammen med det israelske Technion Institute lancerede et katastrofeforudsigelsesprogram baseret på analyse af medieindhold. Ved hjælp af vivisektion af flersprogede overskrifter måtte "computerintelligens" genkende sociale trusler.

Forskerne undersøgte visse hændelsesforløb, såsom information om tørken i Angola, som gav anledning til forudsigelser i prognosesystemer om en mulig koleraepidemi, da de fandt en sammenhæng mellem tørke og en stigning i forekomsten af ​​sygdommen. Rammerne for systemet blev skabt på grundlag af analysen af ​​arkivpublikationer fra New York Times, startende i 1986. Yderligere udvikling og maskinlæringsprocessen involverede brugen af ​​nye internetressourcer.

Indtil videre, baseret på succesen med BlueDot og Metabiota i epidemiologiske prognoser, man kan fristes til at konkludere, at en nøjagtig forudsigelse er mulig primært på baggrund af "kvalificerede" data, dvs. professionelle, verificerede, specialiserede kilder, ikke kaoset i internet- og portalsamfund.

Men måske handler det om smartere algoritmer og bedre maskinlæring?