Daten, KI und Sensoren gegen COVID-19

Die Regierungen, das Gesundheitspersonal und die Industrie, die sich bemühen, die Covid-19-Pandemie zu bekämpfen, haben einige mächtige Verbündete im Kampf um die Minimierung der Belastungen der öffentlichen Gesundheit und der Weltwirtschaft:Big Data und prädiktive Analysen in Kombination mit künstlicher Intelligenz und einem Arsenal von thermischen Sensoren.

Covid-19 gehört zur gleichen Familie von Viren, die mit dem schweren akuten respiratorischen Syndrom (SARS) und der Erkältung in Verbindung gebracht werden. Da es sich um ein neuartiges Virus handelt, gegen das der Mensch zuvor keine Immunität hatte, waren seine frühen Auswirkungen verheerend. Monate nachdem die ersten Berichte aus der chinesischen Provinz Hubei eingegangen waren, blieben die Tests in den meisten Ländern bestenfalls sporadisch, was die Bevölkerungen auf der ganzen Welt über die tatsächliche Zahl der Fälle in ihrer Mitte unsicher machte und unsicher war, wie sie auf die Gefahr reagieren oder sogar ihren Umfang verstehen sollen. Es dauerte nicht lange, bis Experten für KI- und Datenanalysetechniken das Potenzial von KI-Technologie und Datenwissenschaft erkannten, um die Arbeit von Epidemiologen und staatlichen Krisenreaktionsteams zu unterstützen.

Datenanalyse und Mathematik ermöglichen zusammen mit der Physik ein tiefgreifendes Verständnis natürlicher Prozesse. Pioniere der Datenwissenschaft haben bereits Einfluss auf die öffentliche Gesundheit genommen, indem sie Datenerfassung und -analyse eingesetzt haben, um die Ausbreitung früherer Ausbrüche zu verlangsamen. Eine der ersten historischen Anwendungen der Datenanalyse war 1852 während eines Cholera-Ausbruchs in London. John Snow, einer der ersten datengetriebenen Epidemiologen, analysierte die in London aufgetretenen Todesfälle georäumlich und konnte so die Quelle der Krankheit isolieren. Basierend auf seiner Analyse konnten die Behörden ihre Interventionen gezielter gestalten und die Ausbreitung des Ausbruchs schnell eindämmen.

Lass uns die Daten auswerten

Durch das Durchlaufen von Modellen durch Datenanalysesysteme können Forscher ungefähre Vorhersagen treffen, wie sich Trends entwickeln könnten. Ein Beispiel ist das SIR-Modell, ein epidemiologisches Modell, das die theoretische Zahl der mit einer ansteckenden Krankheit infizierten Personen in einer geschlossenen Population im Zeitverlauf berechnet. Das Modell verwendet gekoppelte Gleichungen zur Analyse der Anzahl anfälliger Personen, S(t); Anzahl der Infizierten, I(t); und Anzahl der genesenen Personen, R(t).

Eines der einfachsten SIR-Modelle ist das Kermack-McKendrick-Modell, auf dem viele andere Kompartimentmodelle basierten. In diesem Zusammenhang habe ich eine Analyse gefunden ¹ wurde Anfang März von Ettore Mariotti, einem graduierten Forschungsstipendiaten an der Università degli Studi di Padova, veröffentlicht, um sehr interessant zu sein.

Stellen Sie sich eine Insel vor – unser System –, die Menschen weder verlassen noch betreten können. Jede Person auf der Insel kann sich zu einem bestimmten Zeitpunkt in einem der folgenden Staaten befinden:„Susceptible“, „Infected“ und „Recovered“ (daher das Akronym SIR). Mit einer gewissen Wahrscheinlichkeit können Menschen, die noch nie an der Krankheit (S) gelitten haben, für eine bestimmte Zeit erkranken und infizieren (I), bevor sie sich erholen (R). Im Fall von Covid-19 bietet es sich an, das Modell um einen zusätzlichen Zustand „Exposed“ zu erweitern, um Personen einzubeziehen, die das Virus haben, aber noch nicht infektiös sind (SEIR-Modell; Abbildung 1).

Abbildung 1:SEIR-Modell (Bild:triplebyte.com)

Dieses Modell berücksichtigt zwei Faktoren:die Dynamik des Virus und die Interaktion der Individuen. (Letzteres ist sehr komplex und profitiert von den hier beschriebenen Tools.) Mit diesen Informationen ist es möglich, den R0-Parameter zu definieren, der die Anzahl der Personen darstellt, die eine infizierte Person potenziell infizieren kann.

Nehmen wir zum Beispiel an, dass Person A krank ist und unser System einen R0 =2 hat, was bedeutet, dass A zwei Personen infiziert. Diese beiden Personen werden wiederum vier Personen infizieren, die jeweils zwei weitere Personen infizieren (also 4 × 2 =8) und so weiter. Dies unterstreicht die Tatsache, dass die Ausbreitung der Krankheit eher multiplikativ als additiv ist. R0 kann drei grundlegende Szenarien erfassen (Abbildung 2).

Abbildung 2:R0-Basisszenarien (Bild:triplebyte.com)

Die Schließung von Schulen, Turnhallen, Theatern, Restaurants und anderen öffentlichen Einrichtungen verringert die Zahl der sozialen Interaktionen und senkt damit R0. Da das Virus die öffentlichen Gesundheitsressourcen bis zum Zerreißen strapaziert hat, war es entscheidend, den R0-Parameter unter eins zu senken. Wenn R0> 1, breitet sich die Krankheit aus; wenn R0 <1, verschwindet die Krankheit. Die Regierungen haben daher der Mobilität der Menschen drakonische Beschränkungen auferlegt, um R0 während des Ausbruchs des Coronavirus zu reduzieren.

Es ist wichtig zu beachten, dass R0 die potenzielle Übertragung einer Krankheit misst, nicht die Geschwindigkeit, mit der sich die Krankheit ausbreitet. Bedenken Sie die ubiquitäre Natur von Influenzaviren, die einen R0 von nur etwa 1,3 haben. Ein hoher R0-Wert ist ein Grund zur Besorgnis, aber kein Grund zur Panik.

R0 ist ein Durchschnitt, kann also durch Faktoren wie die Anzahl der „Super-Spreader“ in einer bestimmten Population beeinflusst werden. Ein Super-Spreader ist eine infizierte Person, die unerwartet viele Menschen infiziert. Super-Spreader-Ereignisse traten während der SARS- und MERS-Epidemien sowie der aktuellen Pandemie auf. Solche Ereignisse sind jedoch nicht unbedingt ein schlechtes Zeichen, da sie darauf hindeuten können, dass weniger Menschen eine Epidemie aufrechterhalten. Super-Spreader sind möglicherweise auch leichter zu identifizieren und einzudämmen, da ihre Symptome wahrscheinlich schwerwiegender sind.

Kurz gesagt, R0 ist ein bewegliches Ziel. Die Verfolgung jedes Falles und der Übertragung der Krankheit ist äußerst schwierig, daher ist die Schätzung von R0 komplex und schwierig. Schätzungen ändern sich oft mit der Verfügbarkeit neuer Daten.

Um den Behörden dabei zu helfen, R0 unter Kontrolle zu bekommen, ermöglicht der Einsatz von KI zusammen mit der Datenerfassung aus der GPS-Ortung von Mobiltelefonen die Erstellung von Analysemodellen, um vorherzusagen, in welchen Vierteln die Wahrscheinlichkeit von Fällen höher ist und in denen dringend eingegriffen werden muss.

Big Data, KI und Sensoren

Während einer Epidemie können klinische Daten in Qualität und Konsistenz stark schwanken. Komplikationen dieser Art sind Fälle von falsch positiven Patienten. Big Data und KI können jedoch eingesetzt werden, um die Einhaltung von Quarantänen zu überprüfen, und maschinelles Lernen kann für die Arzneimittelforschung eingesetzt werden.

Die Reaktion auf das Coronavirus in Asien bietet viele Beispiele für Interventionen, die durch den Einsatz digitaler Technologien umgesetzt wurden. Drohnen, die mit intelligenten Scannern und Kameras ausgestattet sind, bieten die Möglichkeit, diejenigen zu erkennen, die sich nicht an die Quarantänemaßnahmen halten, und die Körpertemperatur von Personen zu überprüfen. China und Taiwan haben zu diesem Zweck intelligente Kameras eingesetzt.

Das in Hongkong ansässige KI-Technologieunternehmen SenseTime hat eine Plattform entwickelt, die Fieber erkennen kann, indem sie die Gesichter von Menschen scannt, selbst wenn sie eine medizinische Maske tragen. Die kontaktlose Temperaturerfassungssoftware von SenseTime wurde in U-Bahn-Stationen, Schulen und öffentlichen Zentren in Peking, Shanghai und Shenzhen implementiert.

Alibaba hat unterdessen ein KI-basiertes System zur Covid-19-Diagnose entwickelt, das die Erkennung neuer Coronavirus-Fälle mit einer Genauigkeitsrate von bis zu 96 % mittels computertomografischer Scans (CT-Scans) ermöglicht.

Das in New York ansässige Unternehmen Graphen arbeitet mit Forschern der Columbia University zusammen, um die kanonische Form jeder Genlokalisierung des Virus zu definieren und die genaue(n) Variante(n) zu identifizieren. Die Forscher nutzen die KI-Plattform Ardi von Graphen, die die Funktionen des menschlichen Gehirns nachahmt, um die Mutationsdaten zu speichern und zu visualisieren. Eine typische Visualisierung bildet ein Virus gegen eine Reihe von Viren ab, die dieselbe Genomsequenz besitzen. Virusbezogene Informationen, einschließlich Standort, Geschlecht und Alter der Betroffenen, können durch Klicken auf die entsprechenden Knoten eingesehen werden.

Big Data wird inzwischen häufig verwendet, um Überwachungssysteme zu verbessern, um die Ausbreitung des Virus zu kartieren.

Die Erfassung und Verarbeitung von Big Data erforderte neue Methoden und Technologien für die Sammlung und Analyse. Insbesondere können wir vier Methoden für die Big-Data-Analyse unterscheiden:

• deskriptive Analyse oder die Methoden und Technologien, die verwendet werden, um die aktuelle und vergangene Situation von Geschäftsprozessen oder Geschäftsprojekten zu beschreiben, die auf synthetische und grafische Weise die Leistungsindikatoren der Aktivität darstellen;
• prädiktive Analyse, bestehend aus Datenanalysetools, die mithilfe mathematischer Techniken wie Regression und Vorhersagemodellen helfen zu verstehen, was in der Zukunft passieren könnte;
• präskriptive Analyse, die verwendet wird, um effektive strategische und operative Lösungen zu identifizieren; und
• automatisierte Analyse, die die Werkzeuge umfasst, die es ermöglichen, die gewünschte Aktion autonom, automatisiert und gemäß dem Ergebnis der durchgeführten Analysen durchzuführen.

Alibaba hat auch eine App namens Alipay Health Code entwickelt, die die vom chinesischen Gesundheitssystem bereitgestellten Big Data nutzt, um anzuzeigen, wer Zugang zu öffentlichen Räumen hat oder nicht.

BlueDot, ein in Toronto ansässiges Startup mit einer auf künstlicher Intelligenz basierenden Plattform, hat intelligente Systeme entwickelt, die eine automatische Überwachung und Vorhersage der Ausbreitung von Infektionskrankheiten ermöglichen. Während der SARS-Epidemie wurde die BlueDot-Plattform verwendet und ihre Wirksamkeit bestätigt.

Insbesondere hat BlueDot im Dezember 2019 auch Alarm wegen der möglichen Schwere des Coronavirus geschlagen, und erneut erwiesen sich seine Modelle als richtig. Zu den von BlueDot verwendeten Werkzeugen gehören Techniken zur Verarbeitung natürlicher Sprache.

Insilico Medicine (Rockville, Maryland) ist ein weiteres Unternehmen, das sich auf die Prävention von Krankheiten durch künstliche Intelligenz konzentriert. Das Unternehmen entwickelt und wendet KI- und Deep-Learning-Ansätze der nächsten Generation auf jeden Schritt des Wirkstoffforschungs- und Wirkstoffentwicklungsprozesses an. Insilico hat sein System kürzlich verwendet, um Moleküle zu analysieren, die für die Bekämpfung des neuartigen Coronavirus geeignet sein könnten, und kann die Ergebnisse teilen. Als diese Ausgabe in Druck ging, erstellte das Unternehmen eine Datenbank mit Informationen zur Verwendung bei der Impfstoffentwicklung.

Untersuchung der wirtschaftlichen Auswirkungen

Abgesehen von den Auswirkungen auf die Gesundheit hat Covid-19 der Weltwirtschaft einen verheerenden Schlag versetzt. Auch hier können Big Data und KI helfen, die Auswirkungen zu analysieren und entsprechende Antworten zu formulieren. Satellitenanalysetechnologien haben beispielsweise den WeBank-Forschern geholfen, die am stärksten betroffenen Industrien in China zu identifizieren, wie beispielsweise die Stahlindustrie. Die Analyse zeigte, dass die Produktion in Chinas Stahlwerken zu Beginn der Epidemie auf ein Minimum von 29 % der Kapazität gesunken war, sich aber bis zum 9. Februar auf 76 % der Kapazität erholt hatte (Abbildung 3).

Abbildung 3:Satellitenbilder nebeneinander vom 30. Dezember 2019 (links) und vom 29. Januar 2020 zeigen, dass die Aktivitäten der Stahlindustrie in China in den frühen Tagen der Epidemie stark zurückgegangen sind. (Bild:Spektrum.ieee.org)

Die Forscher untersuchten dann andere Arten von Produktion und kommerziellen Aktivitäten, die KI verwenden. Ein Ansatz bestand darin, einfach die Autos auf großen Parkplätzen zu zählen. Diese Analyse zeigte, dass sich Teslas Autoproduktion in Shanghai am 10. Februar vollständig erholt hatte, während Tourismuszentren wie das Shanghai Disneyland geschlossen blieben.

Durch die Analyse der GPS-Satellitendaten konnte festgestellt werden, welche Personen pendeln. Anschließend zählte die Software die Pendlerzahlen in jeder Stadt und verglich die Pendlerzahlen zu Beginn der chinesischen Neujahrsfeiertage 2019 und zum entsprechenden Datum im Jahr 2020. In beiden Jahren ging das Pendleraufkommen zu Beginn der Feiertage zurück , aber in diesem Jahr wurde das normale Volumen nach den Feiertagen nicht wie im Jahr 2019 wieder aufgenommen.

Als sich die Aktivität langsam wieder erholte, berechneten WeBank-Forscher, dass bis zum 10. März 2020 etwa 75 % der Belegschaft wieder an ihren Arbeitsplatz zurückgekehrt waren. Ausgehend von diesen Kurven kamen die Forscher zu dem Schluss, dass die meisten chinesischen Arbeiter mit Ausnahme derer in Wuhan bis Ende März wieder arbeiten würden.

Diejenigen, die versuchen, auf die Coronavirus-Herausforderung zu reagieren, verfügen über leistungsstarke Werkzeuge, und Lösungen, die sich während der Krise bewährt haben, könnten nach ihrer Lösung durchaus zur Standardpraxis werden.

---

Referenz

1 Mariotti, E. (2020, 6. März). Modellierung des Covid-19-Ausbruchs in Italien.

---

>> Dieser Artikel wurde ursprünglich auf unserer Schwesterseite EE Times Europe veröffentlicht.