Mark Lambrecht, SAS: H Tεχνητή Νοημοσύνη απέναντι στον Covid-19

ΡΟΗ ΕΙΔΗΣΕΩΝ
24 Απριλίου 2020 | Πρόσωπα
O Mark Lambrecht, PhD, Global Director for Health and Life Sciences at SAS για την σημασία των analytics και του machine learning στην μάχη ενάντια στον Covid-19

Θα μπορούσε η Τεχνητή Νοημοσύνη, αλλά και τα analytics να βοηθήσουν στην αντιμετώπιση και τον περιορισμό εξάπλωσης του κορονοϊού; Αν ναι, εξηγήστε μας τον τρόπο και τη διαδικασία;

Κατά τη διάρκεια κρίσιμων καταστάσεων, οι εταιρείες και οι οργανισμοί στρέφονται στην τεχνολογία για να ανταποκριθούν κατάλληλα. Η Τεχνητή Νοημοσύνη – και το machine learning συγκεκριμένα – είναι δυο πολλά υποσχόμενες τεχνολογίες ως προς τη βελτίωση της δυνατότητας μείωσης των επιπτώσεων των μολυσματικών ασθενειών. Το machine learning είναι έτσι σχεδιασμένο, ώστε να λαμβάνει υπόψη τεράστιο όγκο δεδομένων, να βρίσκει επαναλαμβανόμενα μοτίβα σε αυτά και να ανιχνεύει ανωμαλίες, και σε πολλές περιπτώσεις να προσφέρει προβλέψεις. Σε περιπτώσεις έξαρσης όπως αυτή του COVID-19, η Τεχνητή Νοημοσύνη και το machine learning αποτελούν εξαιρετικά πολύτιμα εργαλεία που μας βοηθούν στην καλύτερη λήψη αποφάσεων, ιδίως σε δύο τομείς.

Αρχικά, η Τεχνητή Νοημοσύνη συμβάλλει στην αυτοματοποίηση της ανάλυσης δεδομένων, στην αναγνώριση μοτίβων και στη δημιουργία μοντέλων για τους κινδύνους ώστε να βοηθήσει στην ανάλυση σεναρίων της μετάδοσης των λοιμώξεων. Είναι επίσης εξαιρετικά καλή στο να ανακαλύπτει συνδέσεις και συσχετισμούς που ο άνθρωπος δε θα μπορούσε. Για να αυξηθεί η ευστοχία και ακρίβεια της Τεχνητής Νοημοσύνης συνδυάζονται ποικίλες πηγές σε αναλυτικά σύνολα δεδομένων (data sets), όπως π.χ. επίσημα αρχεία περιστατικών, κλινικά δεδομένα, αρχεία ιατρών, social media, αρχεία πτήσεων, απουσίες από το σχολείο, ακόμη και δεδομένα πωλήσεων αντιπυρετικών φαρμάκων.  

Επιπλέον, η Τεχνητή Νοημοσύνη και τα advanced analytics μπορούν να συμβάλλουν στην αυτοματοποίηση ορισμένων ιατρικών εργασιών, όπως στη χρήση chatbots για την γρήγορη ανίχνευση συμπτωμάτων. Τα συστήματα αυτά μπορούν να εξυπηρετήσουν χιλιάδες ασθενείς ανά ώρα, σε αντίθεση με κάποιο τηλεφωνικό κέντρο, και έχουν τη δυνατότητα να παράγουν υψηλής ποιότητας αναφορές. Η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει επίσης στην εξέταση δεδομένων από παρόμοιες ιογενείς ασθένειες και στην αξιοποίηση αυτών για να προβλέψει ποιοι τύποι εμβολίων και φαρμάκων μπορεί να είναι πιο αποτελεσματικοί. Επίσης μπορεί να εφαρμοστεί στο στάδιο της κλινικής έρευνας, στις δοκιμές και στην παραγωγή για την εξασφάλιση ασφαλών και αποτελεσματικών αντιϊικών φαρμάκων και εμβολίων.

Η εξειδίκευση σε αυτές τις τεχνικές δεν αποκτάται «εν μία νυκτί» - απαιτεί γνώση, οργανωμένες ροές δεδομένων και μία προληπτική στάση, ο συνδυασμός των οποίων προσφέρει μεγάλη αξία όταν χτυπά μία πανδημία όπως αυτή του COVID-19.

Πώς μπορούν να χρησιμοποιηθούν τα προηγμένα analytics που διαθέτει η SAS για να βοηθήσουν στην παρακολούθηση και τον εντοπισμό των ασθενειών γενικά;

Τα analytics αποτελούν σημαντικό κομμάτι του κλάδου της επιδημιολογίας εδώ και χρόνια και αυτή τη στιγμή καταγράφουν μεγάλη ζήτηση, καθώς μπορούν να ανιχνεύσουν πρόωρα σημάδια συμπτωμάτων που μπορεί να επιστήσουν την προσοχή για μια πιθανή νέα επιδημία. Με αυτές τις εξελιγμένες τεχνικές, τα πρώτα δείγματα μπορεί να ανιχνευτούν ακόμα και εβδομάδες προτού κινητοποιηθούν οι αρχές, βοηθώντας στον περιορισμό της εξάπλωσης. Τα advanced analytics απαιτούν ειδικές αναλυτικές τεχνικές που μπορούν να ανιχνεύσουν σπάνια αλλά ουσιαστικά συμβάντα, όπως η απότομη αύξηση απουσιών σε σχολεία μια συγκεκριμένης περιοχής. Κάθε έξαρση απαιτεί ένα συνδυασμό δεξιοτήτων σε επιδημιολογία, ιατρική και Τεχνητή Νοημοσύνη ώστε να προσαρμοστεί στον μολυσματικό παράγοντα ή τον υπό εξέταση ιό.

 

Όσον αφορά τις διαδρομές μετάδοσης, τα advanced analytics μπορούν δυνητικά να αναγνωρίσουν έναν φορέα ή κρούσμα-δείκτη, όπως και τις πιθανές τους επαφές. Επιπλέον, μπορούν να εφαρμοστούν σε μοντέλα κοινών θεμάτων ώστε να βοηθήσουν στην γρήγορη αναγνώριση των κοινών συμπτωμάτων νέων απειλών για την δημόσια υγεία. Τα advanced analytics έρχονται επίσης να συμπληρώσουν τα κλινικά ευρήματα, τις παρενέργειες και τα χαρακτηριστικά μιας πανδημίας όπως του COVID-19. Αυτά τα γρήγορα ευρήματα είναι καίρια για την ετοιμότητα του συστήματος υγείας και την εξασφάλιση της δυναμικότητας για την τοποθέτηση των ασθενών σε καραντίνα ή τα αποθέματα σε αντιιϊικά φάρμακα και υλικά.

Πως θα μπορούσαν τα δεδομένα και τα προηγμένα analytics να προστατεύσουν την υγεία και να κάνουν τους πολίτες πιο ασφαλείς κατά τη διάρκεια μιας πανδημίας όπως αυτής που διανύουμε;

Τα δεδομένα και τα analytics είναι ζωτικής σημασίας για τη διαδικασία λήψης αποφάσεων κατά τη διάρκεια εξάρσεων μολυσματικών ασθενειών. Μπορούν να παρέχουν πληροφορίες για την εξάπλωση της ασθένειας και την αποδοτικότητα των ενεργειών δημόσιας υγείας, οι οποίες μπορούν να βελτιώσουν την αντιμετώπιση. Όσο περισσότερα δεδομένα έχουμε σχετικά με την καταμέτρηση περιστατικών, τα ποσοστά θνησιμότητας, πώς εξαπλώνεται μία ασθένεια και πόσο μεταδοτική είναι, τόσο καλύτερες αποφάσεις μπορούμε να λάβουμε ώστε να τη μειώσουμε, προλάβουμε και θεραπεύσουμε.

Η συνεργασία και η ταχεία ανταλλαγή πληροφοριών είναι ουσιώδεις για να έχουμε τις καλύτερες πιθανότητες πρόβλεψης, πρόληψης, αντιμετώπισης και ανάρρωσης από εξάρσεις μολυσματικών ασθενειών. Τα επιστημονικά δεδομένα και τα δεδομένα δημόσιας υγείας θα πρέπει να διαμοιράζονται ελεύθερα και γρήγορα στα ενδιαφερόμενα μέρη ώστε να αναλαμβάνουν δράση. Οι κυβερνήσεις έχουν στην κατοχή τους πολλά από τα κρίσιμα δεδομένα που χρειάζονται για να κατανοήσουμε τις τρέχουσες συνθήκες κατά τη διάρκεια μιας έξαρσης και τα analytics προσφέρουν την ικανότητα της σύνθεσης αυτών των δεδομένων με άλλα έξω-κυβερνητικά δεδομένα και εξειδικευμένα εργαλεία για να εξάγουν τις περισσότερες δυνατές πληροφορίες από αυτά τα ενοποιημένα δεδομένα. Αυτές οι data-driven πληροφορίες υποστηρίζουν καλύτερες και ταχύτερες αποφάσεις σε επίπεδο κυβέρνησης και δημόσιας υγείας. Φαινόμενα όπως η πανδημία του COVID-19 απαιτούν τη στενή συνεργασία ιδιωτικού και δημοσίου τομέα με στόχο τον περιορισμό της εξάπλωσης της ασθένειας και τη σωτηρία ζωών.   

Ποια είναι τα πλεονεκτήματα των health analytics στην εφαρμογή τους στον τομέα της περίθαλψης;

Τα νοσοκομεία και οι οργανισμοί δημόσιας υγείας ήδη αξιοποιούν πολλές τεχνολογίες predictive analytics για να ενσωματώσουν δεδομένα υγείας και μη στα παρακάτω:

  • Βελτίωση της ποιότητας της περίθαλψης και των αποτελεσμάτων υγείας μέσω ενσωμάτωσης των analytics για μία σφαιρική εικόνα των ασθενών και πολιτών
  • Διαμόρφωση της ολικής φροντίδας και των προγράμματα που μειώνουν τις ανισότητες στον τομέα της υγείας
  • Απόκτηση πληροφόρησης σε όλα τα επίπεδα – από την ατομική περίθαλψη, σε ομάδες και σε ολόκληρους πληθυσμούς – για την επικαιροποίηση των πολιτικών που θα βελτιώσουν τις κοινότητες
  • Διεύρυνση πρόσβασης στην περίθαλψη, βελτίωση των αποτελεσμάτων υγείας και αύξηση της ασφάλειας των ασθενών

Ωστόσο, είναι σημαντικό, κατά την ανάληψη τεχνολογιών analytics από έναν οργανισμό υγείας, να εδραιωθεί και μία γενικότερη κουλτούρα βασισμένη στα analytics και να προσδιοριστούν κάποιες περιπτώσεις εύστοχης χρήσης. Αυτό απαιτεί σημαντικές επενδύσεις – μία πραγματικά data-driven στρατηγική analytics με πολυετή στήριξη της διοίκησης του νοσοκομείου και για να επιτευχθούν τα οφέλη θα πρέπει να γίνονται πολύ προτού χτυπήσει μία πανδημία όπως αυτή του SARS-CoV-2.

Μπορείτε να μας δώσετε απτά παραδείγματα αντιμετώπισης προηγούμενων επιδημιών/πανδημιών, μέσα από την αξιοποίηση των analytics που έχει η SAS στη διάθεσή της; Σε ποιες αγορές φαίνεται να έχουν μεγαλύτερη εφαρμογή τα health analytics;

Δεκαετίες τώρα, η SAS παρέχει analytics software σε κυβερνητικές υπηρεσίες και υπηρεσίες δημόσιας υγείας στις Ηνωμένες Πολιτείες, στην Ευρώπη και σε όλο τον κόσμο, συμβάλλοντας στη βελτίωση της υγείας και ευημερίας των πολιτών τους. Έχουμε διαθέσιμους αλγόριθμους και μοντέλα για την πρόληψη επιδημιών εδώ και πολλά χρόνια. Χρησιμοποιούνται από ομάδες ερευνών σε πανεπιστήμια, ιδιωτικές εταιρείες και κυβερνητικά ιδρύματα. Η αποτελεσματικότητα αυξάνεται αν, εκτός από τα δεδομένα για θανάτους και ασθένειες, ο αλγόριθμος έχει πρόσβαση και στα επίσημα στατιστικά από διασώστες ή νοσοκομεία. Οι αλγόριθμοι Τεχνητής Νοημοσύνης δε λειτουργούν αυτόνομα – υποστηρίζονται από ολόκληρες ομάδες γιατρών, επιδημιολόγων και άλλων επιστημόνων που εργάζονται διαρκώς επάνω στα δεδομένα με τη βοήθεια προγραμμάτων.

Όπως αναφέρθηκε, όλες αυτές οι τεχνικές έχουν αναπτυχθεί σε νοσοκομεία, χώρες και κυβερνητικές υπηρεσίες που εφαρμόζουν τεχνικές παρακολούθησης για την περίθαλψη και τη δημόσια υγεία σε όλον τον κόσμο. Αυτό που αλλάζει μεταξύ των χωρών είναι η ωριμότητα του συστήματος ηλεκτρονικής υγείας, η ετοιμότητα του συστήματος υγείας να εκτελεί αποφάσεις και να αξιολογεί τα αποτελέσματα και η ικανότητα να συλλέγει υψηλής ποιότητας ψηφιακές πληροφορίες. Δεν έχουν όλες οι χώρες κέντρα αναφοράς όπου οι ειδικοί υγείας μπορούν να συνεργαστούν στενά με τους στατιστικολόγους και τους επιστήμονες δεδομένων.

Με ποιόν τρόπο μπορούν να εφαρμοστούν τα predictive analytics σε δεδομένα νοσοκομείων και άλλων δημόσιων τοποθεσιών για την πρόβλεψη της εξάπλωσης διαφόρων νόσων και κινδύνων για τον άνθρωπο;

Η πρόβλεψη μετάδοσης μίας ασθένειας και του κινδύνου για τον άνθρωπο απαιτεί γρήγορες επιστημονικές μελέτες και τη δυνατότητα γρήγορου διαμοιρασμού των πληροφοριών με τα ενδιαφερόμενα μέρη ώστε να αναλαμβάνεται δράση. Ωστόσο, η ολοκληρωτική ακρίβεια στη μοντελοποίηση των επιδημιών είναι συνήθως αδύνατη, λόγω της δυναμικής φύσης της μετάδοσης της ασθένειας, ειδικότερα για νέους ιούς που εμφανίζονται για πρώτη φορά, αλλά και των άγνωστων μελλοντικών κυβερνητικών παρεμβάσεων στη δημόσια υγεία. Πάντα υπάρχει αβεβαιότητα.

Ο στόχος κάθε επιδημικού μοντέλου δεν είναι να δώσει απόλυτα σωστές προβλέψεις, αλλά να παρέχει πληροφορίες για την επιδημία που μπορούν να οδηγήσουν σε αποτελεσματική και άμεση λήψη αποφάσεων για τη δημόσια υγεία, τη λειτουργία των νοσοκομείων και τους φορείς χάραξης πολιτικής. Όταν αξιολογούμε την χρησιμότητα ενός καλού μοντέλου, είναι σημαντικό να προσέχουμε ιδιαίτερα κατά την αξιολόγηση μελλοντικής εξάπλωσης βάσει ιστορικών πληροφοριών. Ακόμη και ορισμένες από τις πιο προηγμένες μεθόδους υπολογιστικής, οι οποίες εφαρμόζονται από τους λαμπρότερους επιστήμονες στον κόσμο, συνεχίζουν να παράγουν λανθασμένες προβλέψεις – συχνά με μεγάλα περιθώρια.

Τα πιο χρήσιμα μοντέλα είναι εκείνα που, αντιθέτως, επισημαίνουν περιοχές με αδυναμίες ή τρωτά σημεία και προσφέρουν ευκαιρίες για δράση. Για παράδειγμα, ανεξάρτητα από την ακρίβεια του αριθμού προβλεπόμενων περιπτώσεων, θα μπορούσαμε να αξιοποιήσουμε ταξιδιωτικά μοτίβα και δημογραφικά στοιχεία για να επισημάνουμε περιοχές που μπορεί να έχουν αυξημένο ρίσκο μίας νέας λοίμωξης. Τα network analytics μπορούν να παράγουν μέσες μετρήσεις φυσικής κίνησης σε δεδομένα κινητικότητας πληθυσμών που χρησιμοποιούν δεδομένα τηλεπικοινωνιών ή ταξιδιών για την πρόβλεψη της διάδοσης ενός ιού ή βακτηρίων. Η αναγνώριση ισχυρών φυσικών δεσμών μεταξύ πληθυσμιακών κέντρων μπορούν να μας βοηθήσουν να καταλάβουμε που μπορεί να εξελιχθεί η επόμενη έξαρση. Εφαρμόζοντας αυτές τις αναλύσεις σε συγκεντρωτικά δεδομένα και διασφαλίζοντας την επίβλεψη από αυτόνομες κυβερνητικές επιτροπές προστασίας ιδιωτικού απορρήτου, παρέχεται σεβασμός στην ιδιωτικότητα των δεδομένων και των πολιτών. Τότε μπορούμε να αυξήσουμε την επιτήρηση της δημόσιας υγείας και άλλες παρεμβάσεις σε αυτούς τους τομείς, αναπτύσσοντας βέλτιστα τους πόρους. Οπότε, αντί να ψάχνουμε για συγκεκριμένες και ακριβείς προβλέψεις, θα πρέπει να εστιάσουμε σε μοντέλα που αναζητούν αποτελεσματικές παρεμβάσεις ώστε να σωθούν ζωές.

 

ΣΧΕΤΙΚΑ ΑΡΘΡΑ

ΔΗΜΟΦΙΛΗ ΑΡΘΡΑ
ΡΟΗ ΕΙΔΗΣΕΩΝ