Gegevens, AI en sensoren opgesteld tegen COVID-19

De regeringen, beroepsbeoefenaren in de gezondheidszorg en industrieën die zich inspannen om de Covid-19-pandemie aan te pakken, hebben een aantal krachtige bondgenoten in de strijd om de tol op de volksgezondheid en de wereldeconomie te minimaliseren:big data en voorspellende analyse in combinatie met kunstmatige intelligentie en een arsenaal van thermische sensoren.

Covid-19 behoort tot dezelfde familie van virussen die geassocieerd zijn met ernstig acuut respiratoir syndroom (SARS) en verkoudheid. Omdat het een nieuw virus is waartegen mensen geen eerdere immuniteit hadden, was de vroege impact ervan verwoestend. Maanden nadat de eerste rapporten binnenkwamen uit de Chinese provincie Hubei, bleven de tests in de meeste landen op zijn best sporadisch, waardoor de bevolking over de hele wereld onzeker was over het werkelijke aantal gevallen in hun midden en niet zeker wist hoe ze op het gevaar moesten reageren of zelfs de reikwijdte ervan moesten begrijpen. Het duurde niet lang voordat experts op het gebied van AI en data-analysetechnieken het potentieel van AI-technologie en datawetenschap inzagen om het werk van epidemiologen en crisisresponsteams van de overheid te ondersteunen.

Data-analyse en wiskunde, samen met natuurkunde, maken een diepgaand begrip van natuurlijke processen mogelijk. Pioniers op het gebied van datawetenschap hebben al een impact gehad op de volksgezondheid door gegevensverzameling en -analyse in te zetten om de verspreiding van eerdere uitbraken te vertragen. Een van de eerste historische toepassingen van data-analyse was in 1852, tijdens een cholera-uitbraak in Londen. John Snow, een van de eerste datagestuurde epidemiologen, analyseerde georuimtelijk de sterfgevallen die plaatsvonden in Londen en kon zo de bron van de ziekte isoleren. Op basis van zijn analyse waren de autoriteiten in staat om hun interventies doelgericht te maken en de verspreiding van de uitbraak snel te controleren.

Laten we de gegevens evalueren

Door modellen door data-analysesystemen te laten lopen, kunnen onderzoekers inschatten hoe trends zich kunnen ontwikkelen. Een voorbeeld is het SIR-model, een epidemiologisch model dat het theoretische aantal mensen berekent dat besmet is met een besmettelijke ziekte in een gesloten populatie in de tijd. Het model maakt gebruik van gekoppelde vergelijkingen die het aantal vatbare mensen analyseren, S(t); aantal besmette personen, I(t); en aantal mensen dat hersteld is, R(t).

Een van de eenvoudigste SIR-modellen is het Kermack-McKendrick-model, de basis waarop veel andere compartimentele modellen waren gebaseerd. In deze context vond ik een analyse ¹ gepubliceerd begin maart door Ettore Mariotti, een gediplomeerde onderzoeksmedewerker aan de Università degli Studi di Padova, om best interessant te zijn.

Overweeg een eiland - ons systeem - dat mensen niet kunnen verlaten of binnenkomen. Elk individu op het eiland kan zich op een bepaald moment in een van de volgende toestanden bevinden:'Vaakzaam', 'Geïnfecteerd' en 'Hersteld' (vandaar het acroniem SIR). Met een zekere kans kunnen mensen die de ziekte (S) nooit hebben gehad, gedurende een bepaalde periode ziek en besmet (I) worden voordat ze herstellen (R). In het geval van Covid-19 is het passend om het model uit te breiden met een extra status, "Blootgesteld", om mensen op te nemen die het virus hebben maar nog niet besmettelijk zijn (SEIR-model; Afbeelding 1).

Afbeelding 1:SEIR-model (Afbeelding:triplebyte.com)

Dit model houdt rekening met twee factoren:de dynamiek van het virus en de interactie van individuen. (Dit laatste is erg complex en profiteert van de tools die hier worden beschreven.) Met deze informatie in de hand is het mogelijk om de R0-parameter te definiëren, die het aantal mensen vertegenwoordigt dat een geïnfecteerde persoon mogelijk kan infecteren.

Laten we bijvoorbeeld aannemen dat Persoon A ziek is en dat ons systeem een ​​R0 =2 heeft, wat betekent dat A twee mensen zal besmetten. Die twee mensen besmetten op hun beurt vier mensen, die elk nog twee mensen besmetten (dus 4 × 2 =8) enzovoort. Dit benadrukt het feit dat de verspreiding van de ziekte multiplicatief is in plaats van additief. R0 kan drie basisscenario's vastleggen (Figuur 2).

Afbeelding 2:R0-basisscenario's (Afbeelding:triplebyte.com)

De sluiting van scholen, sportscholen, theaters, restaurants en andere openbare gelegenheden vermindert het aantal sociale interacties, waardoor de R0 daalt. Omdat het virus de volksgezondheidsbronnen tot het breekpunt heeft belast, was het van cruciaal belang om de R0-parameter onder de eenheid te brengen. Als R0> 1 verspreidt de ziekte zich; als R0 <1, verdwijnt de ziekte. Regeringen hebben daarom draconische beperkingen opgelegd aan de mobiliteit van mensen in een poging de R0 tijdens de uitbraak van het coronavirus te verminderen.

Het is belangrijk op te merken dat R0 de mogelijke overdracht van een ziekte meet, niet de snelheid waarmee de ziekte zich verspreidt. Overweeg de alomtegenwoordige aard van influenzavirussen, die een R0 van slechts ongeveer 1,3 hebben. Een hoge R0 is een reden tot bezorgdheid, maar geen reden tot paniek.

R0 is een gemiddelde, dus het kan worden beïnvloed door factoren zoals het aantal "superverspreiders" in een bepaalde populatie. Een superverspreider is een besmet persoon die onverwacht veel mensen besmet. Superverspreidende gebeurtenissen vonden plaats tijdens de SARS- en MERS-epidemieën en de huidige pandemie. Dergelijke gebeurtenissen zijn echter niet per se een slecht teken, omdat ze erop kunnen wijzen dat minder mensen een epidemie in stand houden. Superverspreiders zijn mogelijk ook gemakkelijker te identificeren en in te dammen omdat hun symptomen waarschijnlijk ernstiger zijn.

Kortom, R0 is een bewegend doel. Het volgen van elk geval en de overdracht van de ziekte is buitengewoon moeilijk, dus het schatten van R0 is complex en uitdagend. Schattingen veranderen vaak met de beschikbaarheid van nieuwe gegevens.

Om autoriteiten te helpen R0 onder controle te krijgen, maakt het gebruik van AI, samen met gegevensverzameling van de GPS-tracking van mobiele telefoons, het mogelijk om analytische modellen te creëren om te voorspellen in welke buurten de meeste gevallen voorkomen en in welke buurten dringend ingrijpen nodig is.

Big data, AI en sensoren

Tijdens een epidemie kunnen klinische gegevens zeer variabel zijn in kwaliteit en consistentie. Complicaties van dit soort zijn onder meer gevallen van fout-positieve patiënten. Big data en AI kunnen echter worden gebruikt om de naleving van quarantaines te controleren, en machine learning kan worden gebruikt voor geneesmiddelenonderzoek.

De reactie op het coronavirus in Azië biedt veel voorbeelden van interventies die zijn geïmplementeerd met behulp van digitale technologieën. Drones uitgerust met slimme scanners en camera's bieden de mogelijkheid om degenen die zich niet aan de quarantainemaatregelen houden op te sporen en de lichaamstemperatuur van mensen te controleren. China en Taiwan hebben hiervoor intelligente camera's gebruikt.

Het in Hong Kong gevestigde AI-technologiebedrijf SenseTime heeft een platform ontwikkeld dat koorts kan detecteren door de gezichten van mensen te scannen, zelfs als ze een medisch masker dragen. SenseTime's contactloze temperatuurdetectiesoftware is geïmplementeerd in metrostations, scholen en openbare centra in Beijing, Shanghai en Shenzhen.

Alibaba heeft ondertussen een op AI gebaseerd systeem voor Covid-19-diagnose ontwikkeld waarmee nieuwe gevallen van coronavirus kunnen worden opgespoord met een nauwkeurigheid tot 96% door middel van computertomografische scans (CT-scans).

Het in New York gevestigde Graphen werkt samen met onderzoekers van de Columbia University om de canonieke vorm van elke genlokalisatie van het virus te definiëren en de exacte variant(en) te identificeren. De onderzoekers gebruiken het Ardi AI-platform van Graphen, dat de functies van het menselijk brein nabootst, om de mutatiegegevens op te slaan en te visualiseren. Een typische visualisatie brengt een virus in kaart tegen een reeks virussen die dezelfde genoomsequentie bezitten. Virusgerelateerde informatie, inclusief locatie, geslacht en leeftijd van de getroffenen, kan worden bekeken door op de overeenkomstige knooppunten te klikken.

Big data wordt ondertussen op grote schaal gebruikt om bewakingssystemen te verbeteren om de verspreiding van het virus in kaart te brengen.

De verwerving en verwerking van big data vereist nieuwe methoden en technologieën voor het verzamelen en analyseren. In het bijzonder kunnen we vier methodieken voor big data-analyse onderscheiden:

• beschrijvende analyse, of de methodologieën en technologieën die worden gebruikt om de huidige en vroegere situatie van bedrijfsprocessen of bedrijfsprojecten te beschrijven, die op een synthetische en grafische manier de prestatie-indicatoren van de activiteit weergeven;
• voorspellende analyse, bestaande uit tools voor gegevensanalyse die helpen begrijpen wat er in de toekomst zou kunnen gebeuren met behulp van wiskundige technieken zoals regressie en voorspellende modellen;
• voorschrijvende analyse, gebruikt om effectieve strategische en operationele oplossingen te identificeren; en
• geautomatiseerde analyse, inclusief de tools waarmee de gewenste actie autonoom, geautomatiseerd en volgens het resultaat van de uitgevoerde analyses kan worden uitgevoerd.

Alibaba ontwikkelde ook een app, Alipay Health Code, die gebruikmaakt van de big data die beschikbaar zijn gesteld door het Chinese gezondheidszorgsysteem om aan te geven wie wel of geen toegang heeft tot openbare ruimtes.

BlueDot, een in Toronto gevestigde startup met een platform gebouwd rond kunstmatige intelligentie, heeft intelligente systemen ontwikkeld om automatische monitoring en voorspelling van de verspreiding van infectieziekten mogelijk te maken. Het BlueDot-platform werd gebruikt en de doeltreffendheid ervan werd bevestigd tijdens de SARS-epidemie.

Met name in december 2019 sloeg BlueDot ook alarm over de mogelijke ernst van het coronavirus, en nogmaals, de modellen bleken correct. Een van de tools die BlueDot gebruikt, zijn natuurlijke taalverwerkingstechnieken.

Insilico Medicine (Rockville, Maryland) is een ander bedrijf dat zich richt op ziektepreventie door middel van kunstmatige intelligentie. Het bedrijf ontwikkelt en past de volgende generatie AI- en deep-learningbenaderingen toe op elke stap van het proces van medicijnontdekking en medicijnontwikkeling. Insilico gebruikte onlangs zijn systeem om moleculen te analyseren die mogelijk geschikt zijn voor de bestrijding van het nieuwe coronavirus en kan de resultaten delen. Toen dit nummer ter perse ging, was het bedrijf bezig met het samenstellen van een database met informatie voor gebruik bij de ontwikkeling van vaccins.

De economische impact bestuderen

Afgezien van de effecten op de gezondheid, heeft Covid-19 de wereldeconomie een verwoestende klap toegebracht. Ook hier kunnen big data en AI helpen om de impact te analyseren en passende antwoorden te formuleren. Technologieën voor satellietanalyse hebben WeBank-onderzoekers bijvoorbeeld geholpen bij het identificeren van de meest getroffen industrieën in China, zoals staal. Uit de analyse bleek dat de productie in de staalfabrieken in China aan het begin van de epidemie was gedaald tot minimaal 29% van de capaciteit, maar op 9 februari was hersteld tot 76% van de capaciteit (Figuur 3).

Afbeelding 3:Satellietbeelden naast elkaar van 30 december 2019 (links) en 29 januari 2020 laten zien dat de activiteit van de staalindustrie in China in de begindagen van de epidemie sterk daalde. (Afbeelding:spectrum.ieee.org)

Vervolgens keken de onderzoekers naar andere soorten productie en commerciële activiteiten met behulp van AI. Een manier was om simpelweg de auto's op grote parkeerterreinen te tellen. Uit deze analyse bleek dat op 10 februari de autoproductie van Tesla in Shanghai volledig was hersteld, terwijl toeristische locaties, zoals Shanghai Disneyland, gesloten bleven.

Door de GPS-satellietgegevens te analyseren, was het mogelijk om te identificeren welke mensen aan het woon-werkverkeer waren. De software telde vervolgens het aantal pendelaars in elke stad en vergeleek het aantal pendelaars aan het begin van de Chinese nieuwjaarsvakantie in 2019 en op de overeenkomstige datum in 2020. In beide jaren nam het forenzenvolume af aan het begin van de vakantie , maar dit jaar werd het normale volume na de vakantie niet hervat zoals in 2019.

Terwijl de activiteit langzaam herstelde, berekenden WeBank-onderzoekers dat tegen 10 maart 2020 ongeveer 75% van de beroepsbevolking weer aan het werk was. Op basis van deze curven concludeerden de onderzoekers dat de meeste Chinese arbeiders, met uitzondering van die in Wuhan, eind maart weer aan het werk zouden gaan.

Degenen die proberen de uitdaging van het coronavirus aan te gaan, hebben krachtige tools tot hun beschikking, en oplossingen die hun waarde bewijzen tijdens de crisis zouden wel eens de standaardpraktijk kunnen worden nadat deze is opgelost.