Wie Big Data, KI und fortschrittliche Sensoren die Wende gegen COVID-19 bringen

Regierungen, Healthcare-Professionals und Industrien, die der COVID-19-Krise gegenüberstehen, wenden sich nun drei mächtigen Verbündeten zu: Large-Scale Data Analytics, Künstliche Intelligenz und ein Netzwerk thermischer Sensoren. Diese Technologien helfen, den Public-Health-Toll zu reduzieren und die globale Wirtschaft zu stabilisieren.

COVID-19 gehört zur gleichen Virenfamilie, die SARS und die Erkältung verursachte. Als neuartiger Pathogen fing es die Welt unvorbereitet, und frühes Testing war lückenhaft, ließ Populationen unwissend über lokale Fallzahlen und unsicher wie zu reagieren. Innerhalb von Wochen identifizierten Experten in KI und Data Science eine klare Chance: Computational Tools einzusetzen, um Epidemiologen und Crisis-Management-Teams zu unterstützen.

Data Science hat Public-Health-Interventionen lange untermauert. Die erste aufgezeichnete datengetriebene Ausbruch-Response datiert auf 1852, als John Snow Cholera-Todesfälle in London mappte und die kontaminierte Wasserquelle pinpointete. Moderne Algorithmen erweitern dieses Erbe nun, bieten Real-Time Insights in Virus-Spread und Control-Maßnahmen.

Lassen Sie uns die Daten evaluieren

Mathematische Modelle, wie das klassische SIR Framework, schätzen, wie viele Menschen über Zeit susceptible (S), infected (I) oder recovered (R) sein werden. Das Kermack-McKendrick Modell, eine fundamentale Variante, wurde kürzlich von Ettore Mariotti in einer März 2020 Studie zu Italiens Ausbruch angewendet¹. Der COVID-19 Kontext ruft nach einem erweiterten SEIR Modell, das ein „Exposed“ Compartment (E) hinzufügt für prä-symptomatische aber infektiöse Individuen. Das Diagramm unten illustriert diese Struktur.

Diese Modelle erfassen zwei kritische Dynamiken: die biologischen Charakteristika des Virus und menschliche Interaktionsmuster. Daraus entsteht die Reproduktionszahl R₀, die schätzt, wie viele Sekundärinfektionen ein einzelner Fall in einer vollständig susceptible Population generiert.

Beispielsweise, mit R₀ = 2, würde eine infizierte Person das Virus an zwei andere verbreiten, die jeweils zwei weitere infizieren, und so weiter – illustrierend die multiplikative Natur der Transmission. R₀ kann in drei Szenarien visualisiert werden: (1) <1 → Krankheit stirbt aus; (2) = 1 → Steady State; (3) >1 → Epidemisches Wachstum (siehe Abbildung 2).

Lockdowns, Schulschließungen und Restriktionen öffentlicher Venues reduzieren sozialen Kontakt und senken damit R₀. R₀ < 1 zu erreichen ist essenziell; sonst breitet sich die Krankheit weiter aus. Während R₀ eine Durchschnittsmetrik ist – Influenza's R₀ schwebt um 1,3 – kann es durch Super-Spreader verzerrt werden, die eine ungewöhnlich große Anzahl an Kontakten infizieren. Diese Individuen zu identifizieren und zu isolieren ist eine Schlüsselstrategie zur Eindämmung von Ausbrüchen.

Da R₀ dynamisch ist, verlassen sich Behörden auf KI-getriebene Modelle, die GPS-Daten von Mobilgeräten incorporieren, um Hotspots vorherzusagen und Interventionen zu priorisieren.

Big Data, KI und Sensoren

Klinische Daten während einer Epidemie können noisy sein, mit False Positives und inkonsistentem Reporting. Big-Data-Analytics und Machine-Learning-Algorithmen können Datasets bereinigen, Quarantäne-Compliance erzwingen und Drug Discovery beschleunigen.

Asiens Response zeigt eine Range digitaler Tools. Drohnen equipped mit High-Resolution Scannern monitoren Quarantäne-Adhärenz und scannen Körper temperaturen. China und Taiwan nutzen intelligente Kameras, die Fieber detektieren selbst wenn Individuen Masken tragen.

Hong Kongs SenseTime hat eine kontaktlose Temperatur-Detection-Plattform über Beijing, Shanghai und Shenzhens Transit-Hubs und öffentliche Gebäude deployed. Das System kann faciale Heat-Signaturen durch Masken-Layer lesen.

Alibabas KI-Diagnostik-System analysiert Brust-CT-Scans mit bis zu 96 % Genauigkeit, ermöglicht schnelle Identifikation von COVID-19 Fällen. Mittlerweile nutzt Graphen, in Partnerschaft mit Columbia University, seine Ardi KI-Plattform, um virale Genom-Variationen zu mappen, Forschern ein visuelles Tool zu geben, Mutationsmuster und epidemiologische Daten zu tracken.

Big Data untermauert auch enhanced Surveillance. Vier analytische Methodologien – deskriptiv, prädiktiv, präskriptiv und automatisiert – leiten Decision-Making von Verständnis vergangener Trends bis zur Ausführung autonomer Responses.

• Deskriptive Analyse: fasst aktuelle und historische Performance durch visuelle Dashboards zusammen.
• Prädiktive Analyse: nutzt Regression und Forecasting-Modelle um zukünftige Outcomes anzuticipieren.
• Präskriptive Analyse: identifiziert optimale Strategien basierend auf prädiktiven Insights.
• Automatisierte Analyse: triggert autonome Actions in Echtzeit, folgend analytischen Results.

Alibabas Alipay Health Code nutzt Chinas Healthcare-Daten um Zugang zu öffentlichen Räumen zu gaten, zuweisend farb-kodierte Permissions basierend auf Risiko-Profilen.

Toronto-basiertes BlueDot, ein KI-Startup, entwickelte ein Early-Warning-System, das die 2019 Coronavirus-Bedrohung vor offizieller Anerkennung flaggte. Seine Plattform, gebaut auf Natural Language Processing, scannt kontinuierlich globale News-Feeds um Disease-Spread vorherzusagen.

Insilico Medicine in Maryland wendet Deep Learning an, um Drug Discovery zu beschleunigen. Ihre KI hat Millionen Moleküle auf Antiviral-Potenzial gescreent und kuratiert eine Vaccine-Development-Datenbank.

Ökonomischen Impact studieren

Jenseits Health Effects hat COVID-19 globale Ökonomien schwer disrupted. Satelliten-Imagery und KI ermöglichen schnelle Assessment industrieller Aktivität. WeBank Forscher trackten beispielsweise Chinas Stahlwerke: Output fiel auf 29 % Kapazität am 29. Jan 2020, aber erholte auf 76 % bis 9. Feb (Abbildung 3).

Andere Sektoren wurden durch Zählen von Fahrzeugen auf großen Parkplätzen monitoriert, aufdeckend, dass Shanghais Tesla Produktion bis 10. Feb vollständig erholt hatte, während Touristenattraktionen wie Shanghai Disneyland geschlossen blieben.

GPS Satelliten-Daten quantifizierten auch Commuting-Patterns, vergleichend 2019 und 2020 Chinese New Year Traffic. Während 2019 eine Rückkehr zu Pre-Holiday Volumes sah, rebounded 2020 Traffic nicht, indizierend anhaltende Disruptionen.

Bis 10. März 2020 hatten 75 % der Workforce Arbeit wiederaufgenommen, und Projektionen suggerierten, die meisten chinesischen Mitarbeiter – exklusive Wuhan – würden bis Ende März zurückkehren.

Diese Case Studies illustrieren die entscheidende Rolle von KI und Big Data während einer Public-Health-Krise und deuten ihr Potenzial als Standard-Tools für zukünftige Resilienz an.

Referenz

1 Mariotti, E. (2020, March 6). Modelling the Covid-19 Outbreak in Italy.

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