Förutsäg en epidemi innan den slår till

Den kanadensiska BlueDot-algoritmen visade sig vara snabbare än specialister på att känna igen hotet från det senaste coronaviruset. Han informerade sina klienter om hotet flera dagar innan USA:s Centers for Disease Control and Prevention (CDC) och Världshälsoorganisationen (WHO) skickade ut officiella meddelanden till världen.

Kamran Khan (1), läkare, specialist på infektionssjukdomar, grundare och VD för programmet BlueDot, förklarade i en pressintervju hur detta tidiga varningssystem använder artificiell intelligens, inklusive naturlig språkbehandling och maskininlärning, för att övervaka även hundra smittsamma sjukdomar samtidigt. Omkring 100 tusen artiklar på 65 språk analyseras dagligen.

1. Kamran Khan och en karta som visar spridningen av Wuhan-coronaviruset.

Dessa data signalerar företag när de ska meddela sina kunder om potentiell förekomst och spridning av en infektionssjukdom. Andra data, såsom rese- och flyginformation, kan hjälpa till att ge ytterligare ledtrådar om sannolikheten för att ett utbrott ska utvecklas.

Tanken bakom BlueDot-modellen är följande. få information så snart som möjligt vårdpersonal i hopp om att de kan diagnostisera – och vid behov isolera – infekterade och potentiellt smittsamma människor tidigt i hotet. Khan förklarar att algoritmen inte använder data från sociala medier eftersom den är "för kaotisk". Men "officiell information är inte alltid aktuell", sa han till Recode. Och reaktionstiden är det som är viktigt för att framgångsrikt förhindra ett utbrott.

Khan arbetade som specialist på infektionssjukdomar i Toronto 2003 när det hände. epidemi SARS. Han ville utveckla ett nytt sätt att spåra dessa typer av sjukdomar. Efter att ha testat flera prognosprogram lanserade han BlueDot 2014 och samlade in 9,4 miljoner dollar i finansiering för sitt projekt. Företaget har idag fyrtio anställda, läkare och programmeraresom utvecklar ett analysverktyg för att spåra sjukdomar.

Efter att ha samlat in data och deras första val går de in i spelet analytiker. Sedan epidemiologi De testar resultaten för vetenskaplig validitet och rapporterar sedan tillbaka till myndigheter, näringsliv och vårdpersonal. kunder.

Khan tillade att hans system också kan använda en rad andra data, såsom information om ett visst områdes klimat, temperatur och till och med information om lokala boskap, för att förutsäga om någon som är infekterad med sjukdomen sannolikt kommer att orsaka ett utbrott. Han påpekar att redan 2016 kunde Blue-Dot förutsäga ett utbrott av Zika-viruset i Florida sex månader innan det faktiskt rapporterades i området.

Företaget verkar på liknande sätt och använder liknande teknologier. Metabiotaövervakning av ARVI-epidemin. Dess experter fastställde en gång att den största risken för detta virus dyker upp i Thailand, Sydkorea, Japan och Taiwan, och de gjorde detta mer än en vecka innan tillkännagivandet av fall av sjukdomen i dessa länder. Vissa av deras slutsatser gjordes utifrån analys av data om passagerarflyg.

Metabiota, liksom BlueDot, använder naturlig språkbehandling för att utvärdera potentiella sjukdomsrapporter, men arbetar också med att utveckla samma teknik för information om sociala medier.

Mark Gallivan, Metabiotas datavetenskapschef, förklarade för media att onlineplattformar och forum kan signalera risken för ett utbrott. Personalexperter säger också att de kan bedöma risken för att en sjukdom sprids och orsakar sociala och politiska omvälvningar, baserat på information som sjukdomssymptom, dödlighet och tillgång till behandling.

I internets tidsålder förväntar sig alla en snabb, tillförlitlig och möjligen läsbar visuell representation av information om hur coronavirusepidemin fortskrider, till exempel i form av en uppdaterad karta.

2. Johns Hopkins University Coronavirus 2019-nCoV Dashboard.

Johns Hopkins Universitys Center for Systems Science and Engineering har utvecklat världens kanske mest kända instrumentpanel för coronaviruset (2). Han tillhandahöll också den fullständiga datamängden för nedladdning som ett Google-ark. Kartan visar nya fall, bekräftade dödsfall och återhämtningar. Data som används för visualiseringen kommer från en mängd olika källor, inklusive WHO, CDC, China CDC, NHC och DXY, en kinesisk webbplats som integrerar NHC-rapporter och lokala CCDC-situationsrapporter i realtid.

Diagnostik i timmar, inte dagar

Världen hörde först om en ny sjukdom som dök upp i Wuhan, Kina. 31 December 2019 stad En vecka senare meddelade kinesiska forskare att de hade identifierat den skyldige. Veckan därpå utvecklade tyska experter det första diagnostiska testet (3). Det är snabbt, mycket snabbare än under SARS eller liknande epidemier före och efter.

I början av det senaste decenniet var forskare som letade efter något farligt virus tvungna att odla det i djurceller i petriskålar. Du måste ha skapat tillräckligt med virus för att skapa isolera DNA och läsa den genetiska koden genom en process som kallas sekvensering. Men under de senaste åren har denna teknik genomgått en enorm utveckling.

Forskare behöver inte ens odla viruset i celler längre. De kan direkt detektera mycket små mängder viralt DNA i en patients lungor eller blodsekret. Och det tar timmar, inte dagar.

Arbete pågår för att utveckla ännu snabbare och mer bekväma verktyg för att upptäcka virus. Singapore-baserade Veredus Laboratories arbetar på ett bärbart detektionskit VereChip (4) kommer att börja säljas från 1 februari i år. Tack vare effektiva och bärbara lösningar kommer det också att gå snabbare att identifiera infekterade personer så att de kan få ordentlig medicinsk vård när de implementeras av medicinska team på plats, särskilt i fall av överbefolkning på sjukhus.

De senaste tekniska framstegen har gjort det möjligt att samla in och dela diagnostiska resultat i nästan realtid. Ett exempel på en plattform från Quidel София Jag är ett system PCR10 FilmArray BioFires snabba diagnostiska tester för luftvägspatogener är omedelbart tillgängliga via trådlösa anslutningar till molnbaserade databaser.

Genomet av coronavirus 2019-nCoV (COVID-19) sekvenserades fullständigt av kinesiska forskare mindre än en månad efter att det första fallet upptäcktes. Sedan den första sekvenseringen har nästan tjugo till slutförts. Som jämförelse började SARS-virusepidemin i slutet av 2002, och dess fullständiga genom var inte tillgängligt förrän i april 2003.

Genomsekvenser är avgörande för utvecklingen av diagnostik och vacciner mot denna sjukdom.

Sjukhusinnovationer

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

Tyvärr hotar det nya coronaviruset även läkare. Enligt CNN, enligt förhindra spridning av coronavirus inom och utanför sjukhuset, personal vid Providence Regional Medical Center i Everett, Washington, njut Roboten (5), som mäter vitala tecken hos en isolerad patient och fungerar som en videokonferensplattform. Maskinen är mer än bara en kommunikatör på hjul med inbyggd skärm, men den eliminerar inte helt mänskligt arbete.

Sjuksköterskor måste fortfarande gå in i rummet med patienten. De styr också en robot som inte kommer att utsättas för kontaminering, åtminstone biologiskt, så enheter av den här typen kommer att användas alltmer vid behandling av infektionssjukdomar.

Visst kan rum isoleras, men de behöver också ventileras så att du kan andas. Detta kräver nytt ventilationssystem, förhindra spridning av bakterier.

Det finska företaget Genano (6), som utvecklade dessa typer av tekniker, fick en uttrycklig order till medicinska institutioner i Kina. I bolagets officiella uttalande framgår att bolaget har lång erfarenhet av att tillhandahålla utrustning för att förhindra spridning av infektionssjukdomar i sterila och isolerade sjukhusrum. Tidigare år utförde man bland annat leveranser till sjukvårdsinrättningar i Saudiarabien under MERS-virusepidemin. Finska enheter för säker ventilation levererades också till det berömda tillfälliga sjukhuset, som redan byggts på tio dagar, för personer som smittats av 2019-nCoV-viruset i Wuhan.

6. Diagram över Genano-systemet i en isolator

Enligt Genano "eliminerar och dödar den patenterade tekniken som används i renarna alla luftburna bakterier som virus och bakterier." Luftrenare som kan fånga upp små partiklar så små som 3 nanometer har inget mekaniskt filter att underhålla, utan filtrerar luften med hjälp av ett starkt elektriskt fält.

En annan teknisk nyfikenhet som dök upp under utbrottet av rädsla för coronaviruset var termiska skannrar, begagnat, bland annat hämtas personer med förhöjda temperaturer på indiska flygplatser.

Internet – skada eller hjälp?

Trots den enorma vågen av kritik för att replikera och sprida desinformation och panik har verktyg för sociala medier också spelat en positiv roll sedan utbrottet i Kina.

Som rapporterats av till exempel den kinesiska tekniksajten TMT Post, en social plattform för minivideor. douyin, som är den kinesiska motsvarigheten till det världsberömda TikTok (7), har lanserat ett speciellt segment för att hantera information om spridningen av coronaviruset. Under hashtaggen #FightPneumonia, inte bara information från användare publiceras, utan även rapporter från experter och råd.

Förutom att öka medvetenheten och sprida viktig information, är Douyin också tänkt att fungera som ett stödverktyg för läkare och medicinsk personal som bekämpar viruset, såväl som för infekterade patienter. Analytiker Daniel Ahmad twittrade att appen har lanserat en "Jiayou-videoeffekt" (syftar på uppmuntran) som användare bör använda för att skicka positiva meddelanden till stöd för läkare, vårdpersonal och patienter. Den här typen av innehåll publiceras även av kända personer, kändisar och så kallade influencers.

Man tror nu att noggranna studier av hälsorelaterade trender i sociala medier i hög grad kan hjälpa forskare och statliga hälsomyndigheter att bättre känna igen och förstå mekanismerna för sjukdomsöverföring mellan människor.

Det beror delvis på att sociala medier tenderar att vara "mycket kontextuella och alltmer hyperlokala", sa han i en intervju 2016 med The Atlantic. Marseille sallad, en forskare vid École Polytechnique Fédérale i Lausanne, Schweiz, och en expert inom ett framväxande område som forskare kallar "Digital epidemiologi". Men för närvarande, tillade han, försöker forskare fortfarande förstå huruvida sociala medier talar om hälsoproblem som faktiskt återspeglar epidemiologiska fenomen eller inte (8).

8. Kineser tar selfies med masker

Resultaten av de första experimenten i detta avseende är oklara. Googles ingenjörer lanserade ett verktyg för att förutsäga sjukdomar redan 2008 - Googles influensatrender (GFT). Företaget planerade att använda det för att analysera Googles sökmotordata för symtom och signalord. Vid den tiden hoppades hon att resultaten skulle användas för att exakt och omedelbart känna igen "konturerna" av utbrott av influensa och dengue (en insektsburen virussjukdom i tropikerna) - två veckor tidigare än US Centers for Disease Control and Prevention . (CDC), vars forskning anses vara den bästa standarden inom området. Googles resultat angående tidig diagnos baserad på internetsignaler för influensa i USA och sedan malaria i Thailand ansågs dock vara för oprecisa.

Tekniker och system som ”förutsäger” olika händelser, inkl. som utbrott av oroligheter eller epidemier, arbetade även Microsoft, som 2013, tillsammans med det israeliska institutet för Technion, lanserade ett katastrofprognosprogram baserat på medieinnehållsanalys. Genom vivisektion av flerspråkiga rubriker var det meningen att "datorintelligens" skulle känna igen offentliga hot.

Forskare har studerat vissa händelseförlopp – till exempel information om en torka i Angola, som genererade prognoser i prognossystem om en möjlig koleraepidemi, eftersom de fann ett samband mellan torka och en ökning av förekomsten av sjukdomen. Ramverket för systemet skapades baserat på en analys av arkivpublikationer från New York Times, med start 1986. Ytterligare utveckling och processen för maskininlärning innebar användning av nya Internetresurser.

Hittills, baserat på framgångarna med BlueDot och Metabiota i epidemiologiska prognoser, Det kan vara frestande att dra slutsatsen att korrekt förutsägelse är möjlig främst på basis av "kvalificerad" data, d.v.s. professionella, verifierade, specialiserade källor, och inte kaoset av Internet- och portalgemenskaper.

Men det kanske handlar om smartare algoritmer och bättre maskininlärning?