Datos, IA y sensores agrupados contra COVID-19

Los gobiernos, los profesionales de la salud y las industrias que luchan por abordar la pandemia Covid-19 tienen algunos aliados poderosos en la batalla para minimizar el costo de la salud pública y la economía global:big data y análisis predictivo en combinación con inteligencia artificial y un arsenal. de sensores térmicos.

Covid-19 pertenece a la misma familia de virus asociados con el síndrome respiratorio agudo severo (SARS) y el resfriado común. Debido a que es un virus nuevo al que los humanos no tenían inmunidad previa, su impacto inicial ha sido devastador. Meses después de que llegaran los primeros informes de la provincia china de Hubei, las pruebas en la mayoría de los países siguieron siendo esporádicas en el mejor de los casos, lo que dejó a las poblaciones de todo el mundo inseguras del número real de casos entre ellas y sin saber cómo responder al peligro o incluso comprender su alcance. No pasó mucho tiempo antes de que los expertos en inteligencia artificial y técnicas de análisis de datos reconocieran el potencial de la tecnología de inteligencia artificial y la ciencia de datos para respaldar el trabajo de los epidemiólogos y los equipos gubernamentales de respuesta a crisis.

El análisis de datos y las matemáticas, junto con la física, permiten una comprensión profunda de los procesos naturales. Los pioneros de la ciencia de datos ya han tenido un impacto en la salud pública, implementando la recopilación y el análisis de datos para ayudar a frenar la propagación de brotes anteriores. Una de las primeras aplicaciones históricas del análisis de datos fue en 1852, durante un brote de cólera en Londres. John Snow, uno de los primeros epidemiólogos basados ​​en datos, analizó geoespacialmente las muertes ocurridas en Londres y así pudo aislar la fuente de la enfermedad. Basándose en su análisis, las autoridades pudieron orientar sus intervenciones y verificar rápidamente la propagación del brote.

Evaluemos los datos

Al ejecutar modelos a través de sistemas de análisis de datos, los investigadores pueden aproximarse a cómo podrían progresar las tendencias. Un ejemplo es el modelo SIR, un modelo epidemiológico que calcula el número teórico de personas infectadas con una enfermedad contagiosa en una población cerrada a lo largo del tiempo. El modelo utiliza ecuaciones acopladas que analizan el número de personas susceptibles, S (t); número de personas infectadas, I (t); y número de personas que se han recuperado, R (t).

Uno de los modelos SIR más simples es el modelo Kermack-McKendrick, la base sobre la que se basaron muchos otros modelos compartimentales. En este contexto, encontré un análisis ¹ publicado a principios de marzo por Ettore Mariotti, investigador graduado de la Università degli Studi di Padova, para ser bastante interesante.

Considere una isla, nuestro sistema, de la que la gente no puede salir ni entrar. Cada individuo en la isla puede estar en uno de los siguientes estados en un momento dado:"Susceptible", "Infectado" y "Recuperado" (de ahí el acrónimo SIR). Con cierta probabilidad, las personas que nunca han tenido la enfermedad (S) pueden enfermarse e infectarse (I) durante un período determinado antes de recuperarse (R). En el caso de Covid-19, es apropiado extender el modelo con un estado adicional, "Exposed", para incluir a las personas que tienen el virus pero que aún no son infecciosas (modelo SEIR; Figura 1).

Figura 1:Modelo SEIR (Imagen:triplebyte.com)

Este modelo considera dos factores:la dinámica del virus y la interacción de los individuos. (Este último es muy complejo y se beneficia de las herramientas que se describen aquí). Con esta información en la mano, es posible definir el parámetro R0, que representa el número de personas a las que una persona infectada puede potencialmente infectar.

Supongamos, por ejemplo, que la Persona A está enferma y que nuestro sistema tiene un R0 =2, lo que significa que A infectará a dos personas. Esas dos personas, a su vez, infectarán a cuatro personas, que infectarán a otras dos personas cada una (por lo que 4 × 2 =8) y así sucesivamente. Esto resalta el hecho de que la propagación de la enfermedad es multiplicativa más que aditiva. R0 puede capturar tres escenarios básicos (Figura 2).

Figura 2:Escenarios básicos de R0 (Imagen:triplebyte.com)

El cierre de escuelas, gimnasios, teatros, restaurantes y otros lugares públicos disminuye el número de interacciones sociales, lo que reduce el R0. Debido a que el virus ha agotado los recursos de salud pública hasta el punto de ruptura, la reducción del parámetro R0 por debajo de la unidad ha sido fundamental. Si R0> 1, la enfermedad se propaga; si R0 <1, la enfermedad desaparece. Por lo tanto, los gobiernos han impuesto restricciones draconianas a la movilidad de las personas en un intento por reducir el R0 durante el brote de coronavirus.

Es importante señalar que R0 mide la transmisión potencial de una enfermedad, no la velocidad a la que se propaga. Considere la naturaleza ubicua de los virus de la influenza, que tienen un R0 de solo alrededor de 1.3. Un R0 alto es motivo de preocupación, pero no de pánico.

R0 es un promedio, por lo que puede verse influenciado por factores como el número de "superpropagadores" en una población determinada. Un superpropagador es un individuo infectado que infecta a un número inesperadamente grande de personas. Los eventos de superpropagadores ocurrieron durante las epidemias de SARS y MERS, así como durante la pandemia actual. Sin embargo, tales eventos no son necesariamente una mala señal, porque pueden indicar que menos personas están perpetuando una epidemia. Los superpropagadores también pueden ser más fáciles de identificar y contener porque es probable que sus síntomas sean más graves.

En resumen, R0 es un objetivo en movimiento. El seguimiento de cada caso y la transmisión de la enfermedad es extremadamente difícil, por lo que estimar R0 es complejo y desafiante. Las estimaciones a menudo cambian con la disponibilidad de nuevos datos.

Para ayudar a las autoridades a controlar a R0, el uso de IA, junto con la recopilación de datos del rastreo GPS de teléfonos móviles, permite la creación de modelos analíticos para predecir qué vecindarios tienen más probabilidades de tener casos y aquellos en los que se necesita una intervención urgente.

Big data, IA y sensores

Durante una epidemia, los datos clínicos pueden ser muy variables en calidad y consistencia. Las complicaciones de este tipo incluyen casos de pacientes falsos positivos. Sin embargo, se pueden emplear macrodatos e inteligencia artificial para verificar el cumplimiento de las cuarentenas, y el aprendizaje automático se puede usar para la investigación de medicamentos.

La respuesta al coronavirus en Asia proporciona muchos ejemplos de intervenciones implementadas mediante el uso de tecnologías digitales. Los drones equipados con cámaras y escáneres inteligentes brindan la capacidad de detectar a quienes no cumplen con las medidas de cuarentena y de controlar la temperatura corporal de las personas. China y Taiwán han empleado cámaras inteligentes para este propósito.

SenseTime, empresa de tecnología de inteligencia artificial con sede en Hong Kong, ha desarrollado una plataforma que puede detectar la fiebre escaneando los rostros de las personas, incluso si llevan una máscara médica. El software de detección de temperatura sin contacto de SenseTime se implementó en estaciones de metro, escuelas y centros públicos en Beijing, Shanghai y Shenzhen.

Mientras tanto, Alibaba ha desarrollado un sistema basado en IA para el diagnóstico de Covid-19 que permite la detección de nuevos casos de coronavirus con una tasa de precisión de hasta el 96% mediante tomografías computarizadas (tomografías computarizadas).

Graphen, con sede en Nueva York, está colaborando con investigadores de la Universidad de Columbia para definir la forma canónica de cada localización genética del virus e identificar las variantes exactas. Los investigadores están utilizando la plataforma de IA Ardi de Graphen, que imita las funciones del cerebro humano, para almacenar los datos de mutación y visualizarlos. Una visualización típica mapea un virus contra un conjunto de virus que poseen la misma secuencia de genoma. La información relacionada con el virus, incluida la ubicación, el sexo y la edad de los afectados, se puede ver haciendo clic en los nodos correspondientes.

Mientras tanto, los macrodatos se han utilizado ampliamente para mejorar los sistemas de vigilancia con el fin de trazar un mapa de la propagación del virus.

La adquisición y el procesamiento de big data ha requerido nuevas metodologías y tecnologías de recopilación y análisis. En particular, podemos distinguir cuatro metodologías para el análisis de macrodatos:

• análisis descriptivo, o las metodologías y tecnologías utilizadas para describir la situación actual y pasada de procesos de negocio o proyectos de negocio, representando de forma sintética y gráfica los indicadores de desempeño de la actividad;
• análisis predictivo, que comprende herramientas de análisis de datos que ayudan a comprender lo que podría suceder en el futuro utilizando técnicas matemáticas como regresión y modelos predictivos;
• análisis prescriptivo, utilizado para identificar soluciones estratégicas y operativas efectivas; y
• análisis automatizado, que incluye las herramientas que permiten implementar la acción deseada de forma autónoma, automatizada y de acuerdo con el resultado de los análisis que se han realizado.

Alibaba también desarrolló una aplicación, Alipay Health Code, que utiliza los datos masivos puestos a disposición por el sistema de salud chino para indicar quién puede o no acceder a los espacios públicos.

BlueDot, una startup con sede en Toronto con una plataforma construida alrededor de la inteligencia artificial, ha desarrollado sistemas inteligentes para permitir el monitoreo automático y la predicción de la propagación de enfermedades infecciosas. Se utilizó la plataforma BlueDot y su eficacia se confirmó durante la epidemia de SARS.

En particular, en diciembre de 2019, BlueDot también dio la alarma sobre la posible gravedad del coronavirus y, nuevamente, sus modelos demostraron ser correctos. Entre las herramientas utilizadas por BlueDot se encuentran las técnicas de procesamiento del lenguaje natural.

Insilico Medicine (Rockville, Maryland) es otra empresa enfocada en la prevención de enfermedades a través de inteligencia artificial. La compañía está desarrollando y aplicando IA de próxima generación y enfoques de aprendizaje profundo en cada paso del proceso de descubrimiento y desarrollo de fármacos. Insilico utilizó recientemente su sistema para analizar moléculas que podrían ser adecuadas para combatir el nuevo coronavirus y puede compartir los resultados. Cuando este número llegó a la imprenta, la empresa estaba seleccionando una base de datos de información para su uso en el desarrollo de vacunas.

Estudiar el impacto económico

Aparte de los efectos sobre la salud, Covid-19 ha asestado un golpe devastador a la economía global. En este caso, los macrodatos y la inteligencia artificial también pueden ayudar a analizar el impacto y formular las respuestas adecuadas. Las tecnologías de análisis por satélite, por ejemplo, han ayudado a los investigadores de WeBank a identificar las industrias más afectadas en China, como el acero. El análisis mostró que la producción en las acerías de China había caído a un mínimo del 29% de la capacidad al principio de la epidemia, pero se había recuperado al 76% de la capacidad el 9 de febrero (Figura 3).

Figura 3:Imágenes satelitales en paralelo del 30 de diciembre de 2019 (izquierda) y el 29 de enero de 2020, muestran que la actividad de la industria del acero cayó drásticamente en China en los primeros días de la epidemia. (Imagen:espectro.ieee.org)

Luego, los investigadores analizaron otros tipos de actividades de producción y comerciales que utilizan IA. Un enfoque consistía simplemente en contar los coches en grandes aparcamientos. Este análisis mostró que, al 10 de febrero, la producción de automóviles de Tesla en Shanghai se había recuperado por completo, mientras que los lugares turísticos, como Shanghai Disneyland, permanecían cerrados.

Al analizar los datos del satélite GPS, fue posible identificar qué personas viajaban diariamente. Luego, el software contó el número de viajeros en cada ciudad y comparó el número de viajeros al inicio de las vacaciones del Año Nuevo chino en 2019 y en la fecha correspondiente en 2020. En ambos años, el volumen de viajeros disminuyó al comienzo de las vacaciones. , pero este año, el volumen normal no se reanudó después de las vacaciones como lo había hecho en 2019.

A medida que la actividad se recuperaba lentamente, los investigadores de WeBank calcularon que para el 10 de marzo de 2020, aproximadamente el 75% de la fuerza laboral había regresado al trabajo. Proyectando estas curvas, los investigadores concluyeron que la mayoría de los trabajadores chinos, con la excepción de los de Wuhan, regresarían a trabajar a fines de marzo.

Aquellos que intentan responder al desafío del coronavirus tienen poderosas herramientas a su disposición, y las soluciones que demuestren su valor durante la crisis podrían convertirse en una práctica estándar una vez que se resuelva.