Przewidzieć epidemię przed jej wybuchem
Kamran Khan (1), lekarz, specjalista w dziedzinie chorób zakaźnych, założyciel i dyrektor generalny programu BlueDot, wyjaśnił w wywiadzie dla prasy, jak ten system wczesnego ostrzegania wykorzystuje sztuczną inteligencję - w tym przetwarzanie w języku naturalnym i uczenie się maszynowe - do śledzenia nawet stu chorób zakaźnych na raz. Codziennie przeprowadza analizy ok. 100 tys. artykułów w 65 językach.
Dane te sygnalizują firmie, kiedy powiadomić swoich klientów o potencjalnej obecności i rozprzestrzenianiu się choroby zakaźnej. Inne dane, takie jak informacje o trasach podróży i lotach, mogą pomóc w przygotowaniu dodatkowych wskazówek na temat prawdopodobieństwa rozwoju zasięgu choroby.
Ideą modelu BlueDot jest jak najszybsze dotarcie z informacją do pracowników służby zdrowia, z nadzieją, że będą oni w stanie zdiagnozować - a w razie potrzeby wyizolować - zakażonych i potencjalnie zarażających ludzi jeszcze na wczesnym etapie zagrożenia. Khan wyjaśnia, że algorytm nie korzysta z danych z mediów społecznościowych, bo "są zbyt chaotyczne". Zarazem "oficjalne informacje nie zawsze pozostają aktualne", powiedział serwisowi "Recode". A właśnie czas reakcji jest tym, co czyni różnicę w skutecznym zapobieganiu wybuchowi epidemii.
Khan pracował w 2003 r. w Toronto jako specjalista od chorób zakaźnych, gdy doszło do epidemii SARS. Chciał opracować nowy sposób śledzenia tego typu chorób. Po przetestowaniu kilku programów prognostycznych, w 2014 r. uruchomił BlueDot i zebrał dla swego projektu 9,4 mln dolarów finansowania. Firma zatrudnia obecnie czterdziestu pracowników, lekarzy i programistów, którzy opracowują narzędzie analityczne do śledzenia choroby.
Po zebraniu danych i ich wstępnym doborze do gry wchodzą analitycy. Następnie epidemiolodzy sprawdzają, czy wnioski mają sens z naukowego punktu widzenia, a później przesyłają raport do rządowych, biznesowych i medycznych klientów.
Khan dodał, że jego system może również wykorzystać szereg innych danych - takich, jak informacje o klimacie określonego obszaru, temperaturze, a nawet o lokalnym żywym inwentarzu, aby przewidzieć, czy ktoś zarażony chorobą może spowodować wybuch epidemii. Podkreśla on, że już w 2016 r. Blue-Dot umiał przewidzieć pojawienie się wirusa Zika na Florydzie sześć miesięcy przed jego faktycznym zameldowaniem się na tym terenie.
Analogicznie i z zastosowaniem podobnych technik działa firma Metabiota, monitorująca epidemię SARS. Jej specjaliści ustalili swego czasu, że największe ryzyko pojawienia się tego wirusa dotyczy Tajlandii, Korei Południowej, Japonii i Tajwanu, a uczynili to ponad tydzień przed ogłoszeniem w tych krajach przypadków zachorowań. Ich wnioski pochodziły częściowo z analizy danych dotyczących lotów samolotami pasażerskimi.
Metabiota, podobnie jak BlueDot, wykorzystuje przetwarzanie w naturalnym języku danych do oceny raportów online na temat potencjalnej choroby, ale pracuje też nad rozwojem tej samej technologii dla informacji z platform społecznościowych.
Mark Gallivan, dyrektor naukowy Metabioty ds. danych, wyjaśniał w mediach, że platformy i fora internetowe mogą sygnalizować ryzyko epidemii. Firmowi specjaliści twierdzą również, że są w stanie oszacować ryzyko rozprzestrzeniania się choroby powodującej zakłócenia społeczne i polityczne na podstawie takich informacji, jak objawy choroby, śmiertelność i dostępność leczenia.
W czasach Internetu wszyscy oczekują szybkiej, wiarygodnej i możliwie czytelnie zwizualizowanej prezentacji informacji o postępach epidemii koronawirusa, np. w formie aktualizowanej mapy.
Centrum Nauki i Inżynierii Systemowej na Uniwersytecie Johnsa Hopkinsa opracowało chyba najbardziej znany na świecie pulpit informacyjny na temat koronawirusa (2). Udostępniło również kompletny zestaw danych do pobrania w formie arkusza Google. Mapa pokazuje nowe przypadki, potwierdzone zgony i wyzdrowienia. Dane używane do wizualizacji pochodzą z różnych źródeł, w tym z WHO, CDC, China CDC, NHC i DXY - chińskiej strony internetowej, która agreguje raporty NHC, oraz z lokalnych raportów sytuacyjnych CCDC w czasie zbliżonym do rzeczywistego.
Diagnoza w ciągu godzin, a nie dni
Świat po raz pierwszy usłyszał o nowej chorobie, która pojawiła się w chińskim Wuhan, 31 grudnia 2019 r. Tydzień później chińscy naukowcy ogłosili, że zidentyfikowali sprawcę. W następnym tygodniu niemieccy specjaliści opracowali pierwszy test diagnostyczny (3). To szybko, znacznie szybciej niż w czasach SARS czy wcześniejszych i późniejszych podobnych epidemii.
Jeszcze na początku ubiegłej dekady naukowcy szukający jakiegoś groźnego wirusa musieli wyhodować go w zwierzęcych komórkach na szalkach Petriego. Trzeba było przy tym stworzyć wystarczająco dużo wirusów, aby wyizolować DNA i odczytać kod genetyczny w procesie znanym jako sekwencjonowanie. W ciągu ostatnich lat technika ta rozwinęła się jednak w ogromnym stopniu.
Naukowcy nie muszą dziś już nawet hodować wirusa w komórkach. Mogą bezpośrednio wykryć bardzo małe ilości wirusowego DNA w wydzielinie z płuc lub krwi pacjenta. I trwa to godziny, a nie dni.
Trwają prace nad jeszcze szybszymi i poręczniejszymi narzędziami do wykrywania wirusów. Firma z siedzibą w Singapurze, Veredus Laboratories, pracuje nad przenośnym zestawem do wykrywania Lab-on-Chip, który jako VereChip (4) jest dostępny w sprzedaży już od 1 lutego tego roku. Dzięki efektywnym i przenośnym rozwiązaniom, identyfikacja zakażonych osób w celu zapewnienia im właściwej opieki medycznej będzie szybsza również w wykonaniu zespołów medycznych w terenie, szczególnie w przypadku przepełnienia szpitali.
Ostatnie osiągnięcia technologiczne przyniosły możliwość zbierania i udostępniania wyników diagnostyki w czasie zbliżonym do rzeczywistego. Przykładem platforma firmy Quidel o nazwie Sofia i system PCR10 FilmArray firmy BioFire, które zapewniają szybkie testy diagnostyczne dla patogenów układu oddechowego, natychmiast udostępniane dzięki bezprzewodowym połączeniom z bazami danych w chmurze obliczeniowej.
Genom koronawirusa 2019-nCoV (COVID-19) został całkowicie zsekwencjonowany przez chińskich naukowców w mniej niż miesiąc od wykrycia pierwszego przypadku. Od czasu pierwszego sekwencjonowania ukończono już prawie dwadzieścia kolejnych. Dla porównania, epidemia wirusa SARS rozpoczęła się pod koniec roku 2002 r, a jego pełny genom był dostępny dopiero w kwietniu 2003 r.
Sekwencje genomu mają kluczowe znaczenie dla rozwoju diagnostyki i szczepionek na chorobę.
Szpitalne innowacje
Nowy koronawirus grozi niestety również lekarzom. Jak podał serwis CNN, by zapobiec rozprzestrzenianiu się koronawirusa w szpitalu i poza nim, pracownicy Providence Regional Medical Center w Everett w Waszyngtonie wykorzystują robota (5), który mierzy parametry życiowe odizolowanego pacjenta i działa jako platforma do wideokonferencji. Maszyna jest czymś więcej niż tylko komunikatorem na kółkach z wbudowanym ekranem, jednak nie eliminuje całkowicie pracy ludzkiej.
Pielęgniarki wciąż muszą wchodzić do pomieszczenia z pacjentem. Obsługują tam także robota, któremu infekcja, przynajmniej ta biologiczna, nie grozi - dlatego zapewne urządzenia tego typu coraz częściej będą używane w przypadkach leczenia chorób zakaźnych.
Pomieszczenia oczywiście można izolować, ale trzeba również wentylować, aby było czym oddychać. Do tego potrzebne są nowe systemy wentylacyjne, zapobiegające rozprzestrzenianiu się mikrobów.
Fińska firma Genano (6), która opracowała tego rodzaju techniki, otrzymała ekspresowe zamówienie dla placówek medycznych w Chinach. W oficjalnym komunikacie spółki podano, że firma ma duże doświadczenie w dostarczaniu sprzętu do zapobiegania rozprzestrzenianiu się chorób zakaźnych w sterylnych oraz wyizolowanych pomieszczeniach szpitalnych. W poprzednich latach realizowała m.in. dostawy do zakładów lecznictwa w Arabii Saudyjskiej w trakcie epidemii wirusa MERS. Fińskie urządzenia do bezpiecznej wentylacji trafiły m.in. do słynnego już, postawionego w dziesięć dni, prowizorycznego szpitala dla zarażonych koronawirusem 2019-nCoV w Wuhan.
Według komunikatu Genano, opatentowana technologia zastosowana w jej oczyszczaczach "eliminuje i zabija wszystkie rozprzestrzeniające się drogą powietrzną drobnoustroje, jak wirusy czy bakterie". W oczyszczaczach zdolnych wychwycić drobne cząstki o wielkości 3 nanometrów nie ma mechanicznego filtra, który trzeba konserwować, a powietrze filtrowane jest przez działanie silnego pola elektrycznego.
Kolejną ciekawostką techniczną, która pojawiła się przy okazji wybuchu lęku przed koronawirusem, były termiczne skanery, zastosowane m.in. na indyjskich lotniskach, wychwytujące osoby z podwyższoną temperaturą.
Internet - szkodzi czy pomaga?
Pomimo ogromnej fali krytyki za powielanie i rozpowszechnianie fake newsów, sianie dezinformacji i paniki, narzędzia społecznościowe po wybuchu epidemii w Chinach odgrywały również pozytywną rolę.
Jak podał np. chiński serwis technologiczny TMT Post, platforma społecznościowego miniwideo Douyin, która jest chińskim odpowiednikiem popularnego na całym świecie TikToka (7), uruchomiła specjalny segment do obsługi informacji na temat rozprzestrzeniania się koronawirusa. Pod hasztagiem #FightPneumonia, publikowane są nie tylko informacje od użytkowników, ale również raporty specjalistów i porady.
Poza podnoszeniem świadomości i dystrybucją ważnych informacji, Douyin ma służyć także jako narzędzie wsparcia dla lekarzy i personelu medycznego walczącego z wirusem, a także dla zakażonych pacjentów. Analityk Daniel Ahmad napisał na Twitterze, że aplikacja uruchomiła "efekt wideo - Jiayou" (co oznacza zachętę), z którego użytkownicy mają korzystać, aby przesyłać pozytywne wiadomości wspierające lekarzy, personel medyczny i pacjentów. Publikują tego rodzaju treści także osoby znane, celebryci i tzw. influencerzy.
Dziś uważa się, że staranne badanie trendów w mediach społecznościowych związanych z tematyką zdrowotną mogłoby znacznie pomóc naukowcom i organom rządowym odpowiedzialnym za ochronę zdrowia w lepszym rozpoznawaniu i rozumieniu mechanizmów transmisji chorób pomiędzy ludźmi.
Po części dlatego, że media społecznościowe mają tendencję do bycia "wysoce kontekstualnymi i coraz bardziej hiperlokalnymi" - mówił w 2016 r. w rozmowie z "The Atlantic" Marcel Salathé, badacz z École Polytechnique Fédérale w Lozannie w Szwajcarii i specjalista w rozwijającej się dziedzinie, którą naukowcy nazywają "epidemiologią cyfrową". Na razie jednak, jak dodał, badacze wciąż raczej starają się zrozumieć, czy media społecznościowe rozmawiają o problemach zdrowotnych, które rzeczywiście odzwierciedlają zjawiska epidemiologiczne, czy też nie (8).
Wyniki pierwszych eksperymentów w tej mierze są niejasne. Inżynierowie z Google’a już w 2008 r. uruchomili narzędzie do prognozowania chorób - Google Flu Trends (GFT). Firma planowała dzięki niemu przeanalizować dane z wyszukiwarki Google’a pod kątem występowania symptomów i słów ostrzegawczych. Miała wtedy nadzieję, że wnioski zostaną wykorzystane do tego, aby dokładnie i natychmiastowo rozpoznawać "kontury" ognisk grypy i dengi (choroby wirusowej przenoszonej przez owady w tropikach) - dwa tygodnie wcześniej niż amerykańskie Centra Kontroli i Zapobiegania Chorobom (CDC), którego badania uchodzą za najlepszy standard w tej dziedzinie. Jednak wyniki uzyskiwane przez Google’a dotyczące wczesnego rozpoznawania na podstawie sygnałów z Internetu grypy w USA, a potem też malarii w Tajlandii, uznano za jeszcze zbyt mało precyzyjne.
Nad technikami i systemami "przepowiadającymi" rozmaite wydarzenia, m.in. takie jak eksplozja zamieszek czy właśnie epidemie, pracowała także firma Microsoft, która w 2013 r. wraz z izraelskim instytutem Technion zainaugurowała działania nad programem do przewidywania katastrof na podstawie analizy treści mediów. Poprzez wiwisekcję wielojęzycznych nagłówków "komputerowa inteligencja" miała rozpoznawać publiczne zagrożenia.
Naukowcy badali pewne sekwencje wydarzeń - np. informacje o suszy w Angoli, które generowały w systemach prognostycznych przewidywania dotyczące możliwej epidemii cholery, gdyż zauważono związek między suszą a wzrostem zachorowań na tę chorobę. Zręby systemu powstały na podstawie analizy archiwalnych wydań "New York Timesa", począwszy od 1986 r. Dalszy rozwój i proces uczenia maszynowego zakładał wykorzystanie kolejnych zasobów internetowych.
Jak na razie, na podstawie sukcesów w prognostyce epidemiologicznej firm BlueDot i Metabiota, można pokusić się o wniosek, że precyzyjne przewidywanie możliwe jest przede wszystkim na podstawie danych "kwalifikowanych" czyli źródeł profesjonalnych, zaufanych, specjalistycznych, a nie chaosu Internetu i portalowych społeczności.
Być może jednak wszystko pozostaje kwestią bardziej inteligentnych algorytmów i lepszego uczenia maszynowego?
