Data, AI, dan sensor yang disusun untuk melawan COVID-19

Pemerintah, profesional perawatan kesehatan, dan industri yang berjuang untuk mengatasi pandemi Covid-19 memiliki beberapa sekutu yang kuat dalam pertempuran untuk meminimalkan korban pada kesehatan masyarakat dan ekonomi global:data besar dan analisis prediktif dalam kombinasi dengan kecerdasan buatan dan gudang senjata. sensor termal.

Covid-19 termasuk dalam keluarga virus yang sama yang terkait dengan sindrom pernapasan akut parah (SARS) dan flu biasa. Karena ini adalah virus baru yang manusia tidak memiliki kekebalan sebelumnya, dampak awalnya telah menghancurkan. Beberapa bulan setelah laporan pertama datang dari provinsi Hubei China, pengujian di sebagian besar negara tetap sporadis, membuat populasi di seluruh dunia tidak yakin dengan jumlah kasus sebenarnya di tengah-tengah mereka dan tidak yakin bagaimana menanggapi bahaya atau bahkan memahami cakupannya. Tidak lama kemudian para ahli AI dan teknik analisis data mengenali potensi teknologi AI dan ilmu data untuk mendukung pekerjaan ahli epidemiologi dan tim respons krisis pemerintah.

Analisis data dan matematika, bersama dengan fisika, memungkinkan pemahaman mendalam tentang proses alam. Pelopor ilmu data telah berdampak pada kesehatan masyarakat, mengerahkan pengumpulan dan analisis data untuk membantu memperlambat penyebaran wabah sebelumnya. Salah satu aplikasi historis pertama dari analisis data adalah pada tahun 1852, selama wabah kolera di London. John Snow, salah satu ahli epidemiologi berbasis data pertama, menganalisis secara geospasial kematian yang terjadi di London dan dengan demikian mampu mengisolasi sumber penyakit. Mengandalkan analisisnya, pihak berwenang dapat menargetkan intervensi mereka dan dengan cepat memeriksa penyebaran wabah.

Mari kita evaluasi datanya

Dengan menjalankan model melalui sistem analisis data, peneliti dapat memperkirakan bagaimana tren dapat berkembang. Contohnya adalah model SIR, model epidemiologi yang menghitung jumlah teoritis orang yang terinfeksi penyakit menular dalam populasi tertutup dari waktu ke waktu. Model ini menggunakan persamaan berpasangan yang menganalisis jumlah orang yang rentan, S(t); jumlah orang yang terinfeksi, I(t); dan jumlah orang yang sembuh, R(t).

Salah satu model SIR yang paling sederhana adalah model Kermack-McKendrick, fondasi yang menjadi dasar banyak model kompartemen lainnya. Dalam konteks ini, saya menemukan sebuah analisis ¹ diterbitkan pada awal Maret oleh Ettore Mariotti, seorang peneliti pascasarjana di Università degli Studi di Padova, menjadi cukup menarik.

Pertimbangkan sebuah pulau — sistem kami — yang tidak dapat ditinggalkan atau dimasuki orang. Setiap individu di pulau tersebut dapat berada di salah satu negara bagian berikut pada waktu tertentu:“Rentan”, “Terinfeksi”, dan “Sembuh” (oleh karena itu, akronim SIR). Dengan probabilitas tertentu, orang yang belum pernah mengidap penyakit (S) dapat menjadi sakit dan terinfeksi (I) dalam jangka waktu tertentu sebelum sembuh (R). Dalam kasus Covid-19, model ini perlu diperluas dengan status tambahan, “Terkena”, untuk memasukkan orang yang memiliki virus tetapi belum menularkan (model SEIR; Gambar 1).

Gambar 1:Model SEIR (Gambar:triplebyte.com)

Model ini mempertimbangkan dua faktor:dinamika virus dan interaksi individu. (Yang terakhir ini sangat kompleks dan memanfaatkan alat yang dijelaskan di sini.) Dengan informasi ini di tangan, dimungkinkan untuk menentukan parameter R0, yang mewakili jumlah orang yang berpotensi terinfeksi oleh orang yang terinfeksi.

Misalkan, misalnya, Orang A sakit dan sistem kita memiliki R0 =2, artinya A akan menginfeksi dua orang. Kedua orang itu pada gilirannya akan menginfeksi empat orang, yang masing-masing akan menginfeksi dua orang lainnya (jadi 4 × 2 =8) dan seterusnya. Ini menyoroti fakta bahwa penyebaran penyakit ini bersifat multiplikasi dan bukan aditif. R0 dapat menangkap tiga skenario dasar (Gambar 2).

Gambar 2:Skenario dasar R0 (Gambar:triplebyte.com)

Penutupan sekolah, gym, teater, restoran, dan tempat umum lainnya menurunkan jumlah interaksi sosial, sehingga menurunkan R0. Karena virus telah membebani sumber daya kesehatan masyarakat hingga titik puncaknya, mengurangi parameter R0 di bawah satu menjadi sangat penting. Jika R0> 1, penyakit menyebar; jika R0 <1, penyakit menghilang. Dengan demikian, pemerintah telah memberlakukan pembatasan ketat pada mobilitas orang dalam upaya untuk mengurangi R0 selama wabah virus corona.

Penting untuk dicatat bahwa R0 mengukur potensi penularan penyakit, bukan kecepatan penyebaran penyakit. Pertimbangkan sifat virus influenza di mana-mana, yang memiliki R0 hanya sekitar 1,3. R0 yang tinggi merupakan penyebab kekhawatiran tetapi bukan penyebab kepanikan.

R0 adalah rata-rata, sehingga dapat dipengaruhi oleh faktor-faktor seperti jumlah “penyebar super” dalam populasi tertentu. Super-penyebar adalah individu yang terinfeksi yang menginfeksi sejumlah besar orang yang tidak terduga. Peristiwa super-penyebar terjadi selama epidemi SARS dan MERS serta pandemi saat ini. Namun, peristiwa seperti itu tidak selalu merupakan pertanda buruk, karena dapat menunjukkan bahwa lebih sedikit orang yang melanggengkan epidemi. Penyebar super juga lebih mudah diidentifikasi dan ditangkal karena gejalanya cenderung lebih parah.

Singkatnya, R0 adalah target bergerak. Melacak setiap kasus dan penularan penyakit sangat sulit, sehingga memperkirakan R0 rumit dan menantang. Perkiraan sering berubah dengan ketersediaan data baru.

Untuk membantu pihak berwenang mengendalikan R0, penggunaan AI, bersama dengan pengumpulan data dari pelacakan GPS ponsel, memungkinkan pembuatan model analitis untuk memprediksi lingkungan mana yang lebih mungkin memiliki kasus dan di mana intervensi mendesak diperlukan.

Data besar, AI, dan sensor

Selama epidemi, data klinis dapat sangat bervariasi dalam kualitas dan konsistensi. Komplikasi semacam ini termasuk kasus pasien positif palsu. Namun, data besar dan AI dapat digunakan untuk memeriksa kepatuhan terhadap karantina, dan pembelajaran mesin dapat digunakan untuk penelitian obat.

Respons virus corona di Asia memberikan banyak contoh intervensi yang diterapkan melalui penggunaan teknologi digital. Drone yang dilengkapi dengan pemindai dan kamera pintar memberikan kemampuan untuk mendeteksi mereka yang tidak mematuhi tindakan karantina dan untuk memeriksa suhu tubuh orang. China dan Taiwan telah menggunakan kamera cerdas untuk tujuan ini.

Perusahaan teknologi AI yang berbasis di Hong Kong SenseTime telah mengembangkan platform yang dapat mendeteksi demam dengan memindai wajah orang bahkan jika mereka mengenakan masker medis. Perangkat lunak pendeteksi suhu tanpa kontak SenseTime telah diterapkan di stasiun kereta bawah tanah, sekolah, dan pusat umum di Beijing, Shanghai, dan Shenzhen.

Alibaba, sementara itu, telah mengembangkan sistem berbasis AI untuk diagnosis Covid-19 yang memungkinkan deteksi kasus virus corona baru dengan tingkat akurasi hingga 96% melalui pemindaian tomografi komputer (CT scan).

Graphen yang berbasis di New York bekerja sama dengan para peneliti Universitas Columbia untuk menentukan bentuk kanonik dari setiap pelokalan gen virus dan mengidentifikasi varian yang tepat. Para peneliti menggunakan platform Ardi AI Graphen, yang meniru fungsi otak manusia, untuk menyimpan data mutasi dan memvisualisasikannya. Sebuah visualisasi khas memetakan virus terhadap satu set virus yang memiliki urutan genom yang sama. Informasi terkait virus, termasuk lokasi, jenis kelamin, dan usia mereka yang terkena dampak, dapat dilihat dengan mengklik node yang sesuai.

Sementara itu, data besar telah banyak digunakan untuk meningkatkan sistem pengawasan guna memetakan penyebaran virus.

Akuisisi dan pemrosesan data besar membutuhkan metodologi dan teknologi baru untuk pengumpulan dan analisis. Secara khusus, kita dapat membedakan empat metodologi untuk analisis data besar:

• analisis deskriptif, atau metodologi dan teknologi yang digunakan untuk menggambarkan situasi saat ini dan masa lalu dari proses bisnis atau proyek bisnis, yang mewakili secara sintetis dan grafis indikator kinerja aktivitas;
• analisis prediktif, terdiri dari alat analisis data yang membantu memahami apa yang bisa terjadi di masa depan menggunakan teknik matematika seperti regresi dan model prediksi;
• analisis preskriptif, digunakan untuk mengidentifikasi solusi strategis dan operasional yang efektif; dan
• analisis otomatis, yang mencakup alat yang memungkinkan tindakan yang diinginkan diimplementasikan secara mandiri, secara otomatis, dan sesuai dengan hasil analisis yang telah dilakukan.

Alibaba juga mengembangkan aplikasi, Alipay Health Code, yang menggunakan data besar yang disediakan oleh sistem perawatan kesehatan Tiongkok untuk menunjukkan siapa yang dapat atau tidak dapat mengakses ruang publik.

BlueDot, startup yang berbasis di Toronto dengan platform yang dibangun di sekitar kecerdasan buatan, telah mengembangkan sistem cerdas untuk memungkinkan pemantauan otomatis dan prediksi penyebaran penyakit menular. Platform BlueDot digunakan dan kemanjurannya terbukti selama epidemi SARS.

Khususnya, pada Desember 2019, BlueDot juga memperingatkan tentang potensi keparahan virus corona, dan sekali lagi, modelnya terbukti benar. Di antara alat yang digunakan oleh BlueDot adalah teknik pemrosesan bahasa alami.

Insilico Medicine (Rockville, Maryland) adalah perusahaan lain yang berfokus pada pencegahan penyakit melalui kecerdasan buatan. Perusahaan sedang mengembangkan dan menerapkan AI generasi berikutnya dan pendekatan pembelajaran mendalam untuk setiap langkah penemuan obat dan proses pengembangan obat. Insilico baru-baru ini menggunakan sistemnya untuk menganalisis molekul yang mungkin cocok untuk memerangi virus corona baru dan dapat membagikan hasilnya. Saat masalah ini diterbitkan, perusahaan tersebut membuat database informasi untuk digunakan dalam pengembangan vaksin.

Mempelajari dampak ekonomi

Selain berdampak pada kesehatan, Covid-19 telah memberikan pukulan telak bagi perekonomian global. Di sini juga, data besar dan AI dapat membantu menganalisis dampak dan merumuskan tanggapan yang tepat. Teknologi analisis satelit, misalnya, telah membantu peneliti WeBank mengidentifikasi industri yang paling terpengaruh di China, seperti baja. Analisis menunjukkan bahwa produksi di pabrik baja China telah turun menjadi minimal 29% dari kapasitas di awal epidemi tetapi telah pulih ke 76% dari kapasitas pada 9 Februari (Gambar 3).

Gambar 3:Citra satelit berdampingan dari 30 Desember 2019 (kiri), dan 29 Januari 2020, menunjukkan bahwa aktivitas industri baja turun tajam di China pada hari-hari awal epidemi. (Gambar:spectrum.ieee.org)

Para peneliti kemudian melihat jenis produksi dan kegiatan komersial lainnya menggunakan AI. Salah satu pendekatannya adalah menghitung mobil di tempat parkir yang luas. Analisis ini menunjukkan bahwa, pada 10 Februari, produksi mobil Tesla di Shanghai telah pulih sepenuhnya, sedangkan tempat-tempat wisata, seperti Shanghai Disneyland, tetap tutup.

Dengan menganalisis data satelit GPS, dimungkinkan untuk mengidentifikasi orang yang bepergian. Perangkat lunak tersebut kemudian menghitung jumlah komuter di setiap kota dan membandingkan jumlah komuter pada awal liburan Tahun Baru Imlek pada tahun 2019 dan pada tanggal yang sama pada tahun 2020. Pada kedua tahun tersebut, volume komuter turun pada awal liburan. , tetapi tahun ini, volume normal tidak dilanjutkan setelah liburan seperti pada tahun 2019.

Saat aktivitas perlahan pulih, peneliti WeBank menghitung bahwa pada 10 Maret 2020, sekitar 75% tenaga kerja telah kembali bekerja. Memproyeksikan dari kurva ini, para peneliti menyimpulkan bahwa sebagian besar pekerja China, kecuali yang berada di Wuhan, akan kembali bekerja pada akhir Maret.

Mereka yang berusaha untuk menanggapi tantangan virus corona memiliki alat canggih yang mereka miliki, dan solusi yang membuktikan nilai mereka selama krisis dapat menjadi praktik standar setelah diselesaikan.