Hoe datawetenschap de uitbraak van het coronavirus heeft helpen bestrijden

Ondanks voortdurende inspanningen om de gezondheidsstelsels wereldwijd te verbeteren, blijven opkomende epidemieën een groot probleem voor de volksgezondheid. Een effectieve reactie op dergelijke uitbraken is afhankelijk van tijdige interventie, idealiter geïnformeerd door alle beschikbare gegevensbronnen.

De toenemende complexiteit van uitbraakgegevens heeft geleid tot de opkomst van uitbraakanalyses - een datawetenschap die is ontworpen om de reactie op uitbraken te informeren.

Dus hoe werkt het? Er zijn vier hoofddoelen:

• Gegevens uit meerdere bronnen verzamelen. Hier is het belangrijk om te onthouden dat het verzamelen van gegevens niet alleen gaat over het kiezen van een aantal gestructureerde gegevens uit klinische documenten. Ruwe databronnen zijn ook betrokken. Daarom vereist analyse van uitbraakgegevens ruisverwijdering, gegevensopschoning en normalisatie om de gegevens in staat te stellen bruikbare inzichten te genereren.
• Situationeel bewustzijn bieden. In de pandemie, de tijden van onzekerheid, is het van cruciaal belang om te weten wanneer het risico beheersbaar is en wanneer de kans het grootst is dat het gevaarlijk wordt. Situationeel bewustzijn gemonitord via diverse openbare bronnen helpt dit risico te beperken en te beheersen.
• Effectieve respons vormgeven. Op dit punt komt datavisualisatie tussenbeide. Het presenteert de analytische resultaten in een duidelijke en gebruiksvriendelijke vorm (via dashboards, grafieken, enz.), en helpt besluitvormers bij het ontwerpen van effectieve responsmaatregelen zonder vertragingen.
• Training en capaciteitsopbouw. Zodra een crisis is opgelost, kijken de besluitvormers terug op de situatie om de geaccepteerde responsscenario's te analyseren en succesvolle strategieën te selecteren. Vervolgens brengen ze relevante wijzigingen aan in beroepsopleidingen en noodplannen voor de gezondheidszorg om beter voorbereid te zijn op een nieuwe gezondheidscrisis.

De COVID-19-pandemie is niet de enige in de 21e eeuw of zelfs in het afgelopen decennium. Niet zo lang geleden hebben ebola en zika grote schade aangericht in West-Afrika en Amerika. De snelle reactie en het aanpassingsvermogen, de bewakingsmechanismen en de beheersstrategieën waren destijds wat onderzoekers en clinici hielpen. Maar zijn ze nu voldoende? Niet echt.

Gezien het wereldwijde bereik van de pandemie, is een effectieve reactie moeilijk te ontwerpen zonder de uitgebreide samenwerking van de belangrijkste partijen, en het gaat niet alleen om veldoverschrijdend onderzoek binnen uitbraakanalyses. Nu het virus meer dan 200 landen kwelt, moet een adequate responsstrategie steunen op best practices uit elke regio.

Gelukkig hebben klinische onderzoekers en medische professionals over de hele wereld hun krachten gebundeld in de strijd tegen het virus. Op zoek naar de beste strategieën voor crisisoplossing, hebben ze een uitgebreide cultuur voor het delen van gegevens ontwikkeld. Ze openen hun ontwikkelingen nu open source en werken er voortdurend aan om deze te verbeteren. Dankzij deze aanpak zagen we unieke diagnostische projecten, zoals DarwinAI (Canada). Met deze computervisietool is het mogelijk om COVID-19 alleen te diagnosticeren door middel van thoraxradiografiescans. Voorheen was computertomografie (CT) de enige diagnostische methode voor COVID-19 met medische beeldvorming.

De coöperatieve aanpak omvat ook analyse van uitbraken, wat heeft geleid tot realtime- en preventieanalyses. Deze twee soorten analyses vormen de kern van het indammen van de virusverspreiding.

Realtime gegevens

In een kritieke situatie zorgt dit type analyse voor snelle, op gegevens gebaseerde besluitvorming en wordt het proces op elke situatie afzonderlijk afgestemd. Dergelijke analyses zijn van bijzonder belang voor lokale medische professionals die in de frontlinie van de virusbestrijding staan.

Lokale realtime analysetools worden ontwikkeld met het oog op de behoeften van de belangrijkste actoren. Kinetica en Disaster Tech hebben bijvoorbeeld een dynamisch AI-aangedreven analytisch platform ingezet om de Amerikaanse crisishulpverleners te helpen bij het direct volgen van coronavirusgerelateerde gegevens. Met de oplossing kunnen hulpdiensten live statistische gegevens visualiseren over de beschikbaarheid van persoonlijke beschermingsmiddelen (PBM), de ziekenhuiscapaciteit, het aantal testkits, de beschikbaarheid van apparatuur en meer om de meest geschikte locatie voor een patiënt te kiezen en tijd te besparen.

Realtime analyse is niet beperkt tot het lokaal oplossen van operationele taken. Our World in Data, een in Oxford gebaseerd project dat is ontworpen om wereldwijde problemen aan te pakken, heeft een enorme publicatie gewijd aan COVID-19-statistieken over de hele wereld geïmplementeerd om continue realtime analyse mogelijk te maken. De bron biedt toegang tot een groot aantal coronavirusgerelateerde gegevens, van nieuwe gevallen en sterftecijfers tot beleidsreacties voor elk land dat de coronaviruscrisis doormaakt. Alle grafieken, rapporten en andere interactieve gegevensvisualisaties worden dagelijks bijgewerkt en kunnen worden gedownload.

Analyse voor preventie

Realtime analyses hielpen de Zuid-Koreaanse regering om het ontwerp van preventiestrategieën en Covid-positieve patiëntensurveillance te versterken. Het gebruikt de gegevens van IoT- en AI-oplossingen die ten grondslag liggen aan de live smart cities-netwerken en persoonlijke informatie die wordt verstrekt door bevestigde patiënten. Hierdoor kunnen onderzoekers de bewegingen van de patiënten volgen, hun contacten identificeren en de potentiële uitbraakschaal in een bepaalde regio voorspellen met behulp van big data-analyse. De gegevens worden ook gebruikt voor het opstellen van preventieve maatregelen en instructies.

Taiwan slaagde erin om ook realtime analyses te gebruiken voor tijdige preventie. Vlak voor de viering van het nieuwe maanjaar die de Aziatische feestdagen markeert, integreerde het land de database van de nationale ziektekostenverzekering met die voor immigratie en douane. Toen geïnfecteerde reizigers arriveerden, kamde een big data-analyseoplossing de geïntegreerde databases door en legde het verband tussen de reisgeschiedenis van bezoekers en de symptomen die ze ervoeren. De oplossing stuurde realtime waarschuwingen tijdens een ziekenhuisbezoek om te helpen bij de identificatie van de casus. Het maakte het ook mogelijk reizigers te classificeren op basis van infectierisico's op basis van de oorsprong van de vlucht en de reisgeschiedenis van de afgelopen 14 dagen.

In een situatie van onzekerheid en onrust zoals de huidige pandemie, zijn inzichtelijke gegevens de koning. En het zijn relevante analytische oplossingen die het kunnen benutten en zonder vertraging adequate respons- en preventiemaatregelen kunnen benutten. In dit opzicht werkt uitbraakanalyse goed.

Tegelijkertijd brengt de wereldwijde verspreiding van het virus een ander aspect in de schijnwerpers:internationale samenwerking. Om effectieve beheerstrategieën te ontwikkelen, moeten belangrijke belanghebbenden en besluitvormers van over de hele wereld de ontwikkelde oplossingen herzien en verbeteren en de responsmaatregelen op basis van realtime gegevens oppoetsen. Het bundelen van de inspanningen op alle gebieden, van analyse tot diagnostiek en behandeling, is dus de enige manier om de pandemie te stoppen en beter voorbereid te zijn op andere gezondheidsproblemen.

Yaroslav Kuflinski is een kunstmatige intelligentie/machine learning-waarnemer bij Iflexion.