Data Science Drijft COVID-19 Respons: Inzichten en Strategieën

Ondanks voortdurende inspanningen om gezondheidssystemen wereldwijd te verbeteren, blijven opkomende epidemieën een groot publiek gezondheidsbelang. Effectieve reactie op dergelijke uitbraken steunt op tijdige interventie, ideaal geïnformeerd door alle beschikbare databronnen.

De toenemende complexiteit van uitbraakdata heeft geleid tot de opkomst van outbreak analytics — een data science ontworpen om uitbraakrespons te informeren.

Hoe werkt het? Er zijn vier grote doelen:

• Multi-source data verzamelen. Hier is het belangrijk om te onthouden dat dataverzameling niet slechts gaat om het pikken van gestructureerde data uit klinische documenten. Ruwe databronnen zijn ook betrokken. Daarom vereist outbreak data analytics ruisverwijdering, data cleaning, en normalisatie om de data in staat te stellen actionable inzichten te genereren.
• Situatiebewustzijn bieden. In de pandemie, de tijden van onzekerheid, is het cruciaal om te weten wanneer het risico beheersbaar is en wanneer het het meest waarschijnlijk gevaarlijk wordt. Situatiebewustzijn gemonitoreerd via diverse publieke bronnen helpt om dit risico te mitigeren en te controleren.
• Effectieve respons vormgeven. Op dit punt treedt data visualisatie op. Het presenteert de analytische resultaten in een heldere en gebruiksvriendelijke vorm (via dashboards, grafieken, etc.), wat besluitvormers helpt effectieve responsmaatregelen te ontwerpen zonder vertragingen.
• Training en capaciteitsopbouw. Eenmaal een crisis opgelost is, kijken besluitvormers terug naar de situatie om de geaccepteerde respons scenario's te analyseren en succesvolle strategieën te selecteren. Dan maken ze relevante aanpassingen aan professionele training en gezondheidsnoodplannen om beter voorbereid te zijn om een volgende gezondheidscrisis aan te pakken.

De COVID-19 pandemie is niet de enige in de 21e eeuw of zelfs in het afgelopen decennium. Niet lang geleden, wreken Ebola en Zika havoc in West-Afrika en de Amerika's. Snelle respons en de aanpasbaarheid ervan, surveillancemechanismen, en managementstrategieën waren wat onderzoekers en clinici toen hielpen. Maar zijn ze voldoende nu? Niet echt.

Gegeven de mondiale reikwijdte van de pandemie, is een effectieve respons moeilijk te ontwerpen zonder de cruciale partijen' uitgebreide samenwerking, en het gaat niet alleen om cross-field onderzoek binnen outbreak analytics. Met het virus dat meer dan 200 landen teistert, zou een adequate responsstrategie moeten vertrouwen op best practices uit elke regio.

Gelukkig hebben klinische onderzoekers en medische professionals wereldwijd hun krachten gebundeld in de strijd tegen het virus. Op zoek naar de beste crisisresolutiestrategieën, hebben ze een uitgebreide data sharing cultuur ontwikkeld. Ze open-source hun ontwikkelingen nu en werken constant aan het verbeteren ervan. Dankzij deze benadering zagen we unieke diagnostische projecten, zoals DarwinAI (Canada). Met deze computer vision tool is het mogelijk om COVID-19 te diagnosticeren door alleen thorax radiografie scans. Voorheen was de enige medische-imaging COVID-19 diagnostische methode computertomografie (CT).

De coöperatieve benadering omvat outbreak analytics ook, wat real-time en preventie analytics heeft gevoed. Deze twee typen analytics zijn de kern van het inperken van de virusverspreiding.

Realtime Data

In een kritieke situatie, drijft dit type analytics snelle data-gebaseerde besluitvorming en past het proces aan aan elke situatie apart. Zulke analytics is van bijzonder belang voor lokale medische professionals die op de frontlijn van de virusstrijd zijn.

Lokale realtime analytics tools zijn ontwikkeld met inachtneming van de behoeften van cruciale actoren. Bijvoorbeeld, Kinetica en Disaster Tech deployden een dynamisch AI-aangedreven analytisch platform om VS crisisresponders te helpen coronavirus-gerelateerde data on the fly te tracken. De oplossing stelt noodservices in staat live statistische data te visualiseren over persoonlijke beschermingsmiddelen (PBM) beschikbaarheid, ziekenhuiscapaciteit, het aantal testkits, apparatuurbeschikbaarheid, en meer om de meest geschikte locatie voor een patiënt te kiezen en tijd te besparen.

Realtime analytics is niet beperkt tot het oplossen van operationele taken lokaal. Our World in Data, een Oxford-gebaseerd project ontworpen voor het adresseren van wereldwijde problemen, deployde een massive publicatie gewijd aan COVID-19 statistieken wereldwijd om continue realtime analytics te poweren. De bron biedt toegang tot een bulk van coronavirus-gerelateerde data, van nieuwe gevallen en sterftecijfers tot beleidsreactie voor elk land dat door de coronaviruscrisis leeft. Alle grafieken, rapporten, en andere interactieve data visualisaties zijn dagelijks geüpdatet en beschikbaar voor download.

Analytics voor Preventie

Realtime analytics hielp de Zuid-Koreaanse regering om preventiestrategie-ontwerp en Covid-positieve patiënt surveillance op te peppen. Het gebruikt de data van IoT en AI oplossingen onderliggend aan de live slimme steden netwerken en persoonlijke informatie verstrekt door bevestigde patiënten. Dit stelt onderzoekers in staat de bewegingen van patiënten te tracken, hun contacten te identificeren, en de potentiële uitbraakschaal in een gegeven regio te voorspellen met de hulp van big data analytics. De data wordt ook gebruikt voor het opstellen van preventieve maatregelen en instructies.

Taiwan wist realtime analytics te benutten voor tijdige preventie ook. Net voor de Lunar New Year viering die het Aziatische feestseizoen markeert, integreerde het land de nationale ziektekostenverzekeringsdatabase met die voor immigratie en douane. Toen geïnfecteerde reizigers begonnen aan te komen, kaamde een big data analytics oplossing door de geïntegreerde databases en vestigde de connectie tussen bezoekers reishistorieën en de symptomen die ze ervoeren. De oplossing stuurde realtime alerts tijdens een ziekenhuisbezoek om te helpen met case identificatie. Het stelde ook reizigers in staat om te classificeren op infectierisico, rekening houdend met de vluchtherkomst en reishistorie over de afgelopen 14 dagen.

In een situatie van onzekerheid en onrust zoals de huidige pandemie, is inzichtelijke data de koning. En het zijn relevante analytische oplossingen die het kunnen benutten en adequate respons en preventie maatregelen zonder vertragingen kunnen leveren. In dit opzicht, werkt outbreak analytics goed.

Op hetzelfde moment, brengt de mondiale verspreiding van het virus een ander aspect in de schijnwerpers — internationale samenwerking. Om effectieve managementstrategieën te ontwikkelen, moeten cruciale stakeholders en besluitvormers van over de hele wereld de ontwikkelde oplossingen herzien en verbeteren en de responsmaatregelen verfijnen, rekening houdend met realtime data. Dus, het verenigen van inspanningen in alle velden, van analytics tot diagnostiek en behandeling, is de enige manier om de pandemie te stoppen en beter voorbereid te zijn voor elke andere gezondheidsnoodsituatie.

Yaroslav Kuflinski is een artificial intelligence/machine learning observer bij Iflexion.