Kritikus esetekben, mint például a jelenlegi világméretű pandémiás helyzet, amelyet a COVID-19 okozott, a vállalatok vezetői iparágak szerte az adataikhoz és azok elemzéséhez fordulnak, hogy megfelelően fel tudjanak készülni a járvány érkezésére, mihamarabb válaszlépést tudjanak tenni az új kihívásra, majd fel tudjanak épülni belőle.
Adatgyűjtés, megosztás és az adatok felhasználása
Az együttműködés és az információk gyors megosztása elengedhetetlen ahhoz, hogy a lehető legjobb eséllyel előjelezzük, megelőzzük, megválaszoljuk a fertőző betegségek kihívásait, majd pedig újra helyreállíthassuk az életet. Ennek érdekében a közegészségügyi és tudományos adatok áramlásának szabad és gyors utat kell biztosítani. Minél előbb tudomást szereznek a döntéshozók az új adatokról, annál inkább képesek cselekedni, a megfelelő lépéseket megtenni. A COVID-19 világjárványhoz hasonló események megkövetelik a köz- és magánszektor szoros együttműködését és az adatok megosztását a betegség terjedésének korlátozása, valamint az életmentés érdekében.
Ugyan globális szinten nincs központosított adatbázis vagy adatgyűjtési kezdeményezés, mégis sok nyílt forráskódú adatkészlet és modell áll rendelkezésre online világszerte, amelyek adatok megosztására és elemzésére használhatók. Minél több adat áll rendelkezésre az esetek számáról, az előfordulás gyakoriságról, a halálozási arányról, a terjedésről, a fertőzés mélységéről, annál jobb döntéseket lehet hozni a betegség megelőzésére és kezelésére.
Egy járvány kitörésekor a kormányok birtokában vannak a fontos adatok nagy részének, amelyek az adott állapot megértéséhez szükségesek, ám egy elemzés lehetőséget ad arra is, hogy ezeket az adatokat más, nem egészségügyi (társadalmi mutatók) és nem kormányzati adatokkal vessük össze, hogy a lehető legpontosabb információkat kapjuk. Az elemzés segítheti felmérni a betegség terjedését és a közegészségügyi fellépés hatékonyságát, ennek következtében javítható a járványra adott válaszunk.
Természetesen mind a magán-, mind az állami vállalatoknak be kell tartaniuk a hatályos adatvédelmi törvényeket. Ugyanakkor vannak olyan projektek, amelyekben nem szükséges a személyes adatok nyilvánosságra hozatala. Például az anonimizált kommunikációs adatok felhasználhatók arra, hogy az adott régión belüli települések közötti utazási szokásokat megismerjük, így ez a járvány okozta jövőbeli kockázat egyik mutatója lehet. Másrészről, ha valaki a fertőződés veszélyének volt kitéve - akár egy nyilvános helyen vagy utazás közben -, annak értékes információt jelent, hogy karantént javasolnak az ott tartózkodóknak, nehogy másokat is tovább fertőzzön. Ez egy olyan egyensúlyi helyzet, amelyet az egészségügyi szakértőknek és a politikai vezetőknek együtt kell fenntartaniuk.
A hatás előrejelzése
A betegség elterjedésének és az emberi kockázat mértékének előrejelzése gyors közegészségügyi és tudományos értékelést igényel, valamint azt, hogy a tanulmányozás során felismert információkat sürgősen osszák meg az érdekelt felekkel, így időben intézkedéseket lehet tenni. A betegségek terjedésének dinamikus jellege miatt, különösen az új, korábban nem látott vírusok esetében, valamint a lehetséges kormányzati és közegészségügyi beavatkozások ismeretlen hatásai miatt a járvány modellezésének teljes pontossága szinte lehetetlen. Mindig van benne egy bizonyos fokú bizonytalanság.
Az AI és a gépi tanulás (ML) elősegítheti az adatok elemzését, a minták azonosítását és a kockázati tényezőkre épülő modelleket, amelyek segítik a fertőzés terjedésének elemzését. A gépi tanulás különösen kitűnő azoknak a kapcsolatoknak és összefüggéseknek a feltárásában, amelyeket az emberek alapesetben nem észlelnének. A gépi tanulás pontosságának és precizitásának növelése érdekében a különféle információforrásokat egységes adatkészletekbe egyesíti az új adatelemző koncepció. Ilyen információ-források például a hivatalos esetekről szóló nyilvántartások, klinikai sürgősségi adatok, orvosi nyilvántartások, közösségi média, repülési nyilvántartások, iskolai hiányzások és a láz elleni gyógyszerek értékesítési adatai.
Egy - az adatelemzésen alapuló - epidemiológiai modell célja nem feltétlenül a pontos előrejelzés, hanem inkább olyan, a járványról szóló meglátások, információk biztosítása, amely elősegítheti a hatékony, gyors döntéshozatalt a közegészségügyi szakértők és a politikai vezetők számára. Fontos, hogy az elemzés nagy gondossággal járjon el a várható jövőbeli elterjedés értékelésekor a historikus adatok alapján. A világ legképzettebb tudósai által alkalmazott legfejlettebb számítási módszerek közül néhány még mindig tévesen használja ezeket az előrejelzéseket - gyakran nagy eltérésekkel.
A következő járvány megakadályozása?
A járvány visszaszorítását vagy végét követően a kormányoknak és a globális egészségügyi szervezeteknek döntést kell hozniuk arról, hogy a jövőben miként lehet a legjobban megelőzni vagy meggátolni a hasonló járványokat. Az adattudósok minden bizonnyal többet tudnak majd az új, 2019-es, 2020-as adatok elemzésével. Támaszkodhatnak ezekre az új információkra és a korábbi betegségek járványügyi modelljére - természetesen észben tartva azt, hogy minden egyes járvány virológiája egyedi.
A fejlett elemzés segíthet felismerni a tünetek korai megjelenését, amelyek egy esetleges új járványra utalhatnak. Ezekkel a kifinomult technikákkal a korai jelek gyakran hetekkel hamarabb felismerhetők, még mielőtt a szakértők riadót fújnának, így ez nagy segítséget jelenthet egy vírus terjedésének megfékezésében. Speciális analitikai technikákat igényelnek ezek a felismerések, amelyek ritka, de fontos eseményekre figyelhetnek fel, mint például az iskolai hiányzások csúcspontja egy adott régióban vagy államban. Minden járvány epidemiológiai, klinikai és AI szakmai hozzáértés kombinációját igényli, hogy jobban megismerhessük a vizsgált fertőző kórokozót vagy vírust.
Az adatokat felhasználva az elemzések lehetőséget biztosítanak arra, hogy már egy járvány kitörése előtt is segítsék a munkát. Ahogy az emberi populáció növekszik, és új helyzetekben kerül kapcsolatba az állatpopulációval, úgy növekszik annak a lehetősége is, hogy az állatokban előforduló vírusok az emberekre "átugorjanak". Az utóbbi években ezt gyakran tapasztalhattuk, például a legutóbbi SARS és a MERS vírusoknál, vagy az új fajta influenza vírusnál, de még a nyugat-afrikai Ebola-krízisnél is ezt láthattuk a közelmúltban.
A tudósok már olyan új mesterséges intelligencia technikákat is felhasználnak munkájuk során, mint a gépi tanulás. Ennek célja a nagy mennyiségű adat figyelembevételével az adatok mintáinak megtalálása és az anomáliák észlelése, és sok esetben előrejelzések biztosítása. Az ismert vírusokról, az állati populációkról, az emberi demográfiai adatokról, társadalmi gyakorlatokról származó adatok integrálásával az adatelemzés, adattudomány hozzájárulhat azon helyek felderítéséhez, ahol egy új betegség jelentkezhet. Ezek az előrejelzések segíthetnek a kormányoknak és a közegészségügynek proaktívan lépéseket tenni a járványok megelőzése érdekében, vagy legalább a megfelelő felkészülést tudják elősegíteni, mielőtt a pandémia bekövetkezne.