Harvard: AI használata a személyre szabott prediktív karanténhoz

Az elmúlt néhány hónapban a világ egy sor Covid-19 kitörést tapasztalt, amelyek általában ugyanazt az utat követték: egy kezdeti szakaszban, kevés fertőzéssel és korlátozott reakcióval, majd a híres járványgörbe amelyet országos lezárás kísér síkítsa a görbét. Aztán, ha a görbe tetőzik, a kormányoknak foglalkozniuk kell azzal, amit Trump elnöka legnagyobb döntésÉletének: mikor és hogyan kell kezelni a szülésmentesítést.

A világjárvány során nagy hangsúlyt fektettek a kritikus információk megosztására (vagy hiányára) az országok között - különösen Kínából - a betegség terjedéséről. Ezzel szemben viszonylag kevés szó esett arról, hogy a Covid-19-et hogyan lehetett volna jobban kezelni a fejlett adat technológiák kihasználásával, amelyek az elmúlt 20 évben átalakították a vállalkozásokat. Ebben a cikkben azt tárgyaljuk, hogy a kormányok miként tudják felhasználni ezeket a technológiákat a jövőbeni járvány kezelésében - és talán még a jelenlegi záró szakaszát is.

A személyre szabott jóslás hatalma

Az a alternatív megközelítés, amelyen a politikai döntéshozók mérlegelhetik a Covid-19 küzdelmére való felvételüket, alapulnak a személyre szabott előrejelzés technológiája, amely az elmúlt 20 évben számos iparágat átalakított. A gépi tanulás és a mesterséges intelligencia (AI) technológia használatával az adatközpontú cégek (a „Big Tech-től a pénzügyi szolgáltatásokig, az utazás, a biztosítás, a kiskereskedelem és a média felé) személyre szabott ajánlásokat tesznek a vásárláshoz, és gyakorolják a személyre szabott árképzést, kockázatot, hitelt , és hasonlók az ügyfelekről felhalmozott adatok felhasználásával.

Egy nemrégiben megjelent HBR cikkPéldául Ming Zeng, az Alibaba korábbi stratégiai tisztviselője leírta, hogy az Ant Financial, a társaság kisvállalkozási hitelezési művelete valós időben képes felmérni a hitelkérelmezőket, tranzakciós és kommunikációs adataik elemzésével az Alibaba e-kereskedelmi platformjain. Eközben a Netflixhez hasonló cégek értékelik a fogyasztók korábbi döntéseit és tulajdonságait, hogy előrejelzéseket készítsenek arról, hogy mit fognak követni.

Ugyanez a megközelítés alkalmazható a pandémiákra - sőt a Covid-19 jövőjére is. Több adatforrás felhasználásával gépi tanulási modelleket képeznének az egyén mérésére súlyos kimenetelek klinikai kockázata (Covid-fertőzés esetén): milyen valószínűséggel lesz szükség intenzív ellátásra, amelynek korlátozott forrásai vannak? Mennyire valószínű, hogy meghalnak? Az adatok tartalmazhatják az egyének alapvető kórtörténetét (a Covid-19 esetében a tünetek súlyossága úgy tűnik, hogy növekszik az életkorral és a társbetegségek jelenléte mint például cukorbetegség or magas vérnyomás) valamint egyéb adatok, például a háztartás összetétele. Például egy fiatal, egészséges egyént (aki egyébként „alacsony kockázatúnak” lehetne minősíteni) „magas kockázatúnak” lehetne minősíteni, ha öreg vagy fogyatékos emberekkel él, akiknek valószínűleg intenzív ellátásra lenne szükségük, ha fertőzöttek.

Ezeket a klinikai kockázati előrejelzéseket ezután felhasználhatják a házirendek és az erőforrások elosztásának egyéni / háztartási szintű testreszabására, a szokásos orvosi kötelezettségek és kockázatok megfelelő elszámolására. Ez például lehetővé tenné számunkra, hogy megcélozzuk a társadalmi elhatárolódást és a magas klinikai kockázati ponttal rendelkezők védelmét, miközben az alacsony pontszámon élők többé-kevésbé normális életben maradhatnak. Természetesen meg kell határozni az egyének magas vagy alacsony kockázatú csoportokba történő besorolásának kritériumait, figyelembe véve a rendelkezésre álló erőforrásokat, az orvosi felelősségvállalási kockázatokat és az egyéb kockázati kompromisszumokat is, de ehhez az adattudományi megközelítések szabványosak, és számos alkalmazásokat.

A személyre szabott megközelítésnek több előnye van. Segíthet az építkezésben csorda immunitás alacsonyabb mortalitással - és gyors. Ez lehetővé tenné az erőforrások jobb és méltányosabb elosztását is, például a szűkös orvosi felszerelések (például tesztkészletek, védőmaszkok és kórházi ágyak) vagy egyéb források elosztása érdekében.

A pandémia későbbi szakaszaiban végrehajtott elzárási stratégiák - a Covid-19 következő kulcsfontosságú lépése a legtöbb országban - hasonló módon profitálhatnak. Annak eldöntése, hogy mely emberekkel kezdjék meg a bezárási folyamatot, természeténél fogva olyan osztályozási probléma, amely hasonló a legtöbb adatközpontú cég által ismert osztályozási problémákhoz. Egyes kormányok már közelítik az elzárást azáltal, hogy az életkort használják a kockázatok helyettesítőjeként, egy viszonylag durva osztályozás, amely esetleg hiányol más magas kockázatú egyéneket (például az idősekkel együtt élő egészséges fiatalok fenti példája).

Az adatokon és az AI előrejelzési modelleken alapuló osztályozás elvégzése olyan korlátozás nélküli döntésekhez vezethet, amelyek biztonságosak közösségi szinten, és jóval olcsóbbak az egyén és a gazdaság számára. Tudjuk, hogy a Covid-19 legfontosabb jellemzője, hogy kivételesen magas az átviteli sebessége, de viszonylag alacsony a súlyos tünetek vagy a halálozási arány is. Az adatok azt mutatják, hogy a fertőzött emberek valószínűleg több mint 90% -a tünetmentes, vagy enyhe tüneteket tapasztal fertőzéskor.

Elméletileg, ha megbízhatóan megjósoljuk, kik ezek a 90% -uk, akkor ezeket az egyéneket elhatárolhatjuk. Még ha egymást is megfertőzik, nem lennének súlyos tünetek, és nem tönkretessék az orvosi rendszert, vagy meghalnak. Ezek a 90% -ban alacsony klinikai kockázatú személyek szintén hozzájárulnának a magas állomány immunitásának gyors felépítéséhez, ahol a fennmaradó 10% -ot szintén meg lehetne korlátozni.

Olvassa el a teljes történetet itt ...