Veštačka inteligencija ubrzo će dospeti u sve domene svakodnevnog života ljudi – mada je Internet stvari već približio AI i običnim ljudima – a u borbi protiv pandemije novog koronavirusa koji nastavlja da odnosi živote, upravo bi virtuelna stvarnost i mašinsko učenje mogli da odigraju važnu ulogu. Na koji način algoritmi mogu sačuvati ljudske živote, kako bolnice i aerdromi koriste veštačku inteligenciju, ali i može li superkompjuter da spasi svet, za Nova.rs ispričao je dr Mark Lambreht, globalni direktor za zdravlje i život u kompaniji SAS.
Dr Lambreht je doktorirao na inženjeringu bioloških nauka, a radio je kao bioinformatičar na univerzitetima i u tehnološkoj industriji. Redovan je gost naučnih i medijskih konferencija o digitalnoj transformaciji zdravlja i oblastima primene veštačke inteligencije i analitike.
1. Na koji način bi veštačka inteligencija (AI) i mašinsko učenje mogli da pomognu zdravstvenim organizacijama u razumevanju pređašnjih događaja i učenju iz njih, ali i istovremenom generisanju novih saznanja iz ogromnih količina uskladištenih podataka?
Podaci su od vitalnog značaja u donošenju odluka za vreme epidemija zaraznih bolesti. Što više informacija čovek ima o broju potvrđenih slučajeva i stopama smrtnosti, ali i načinu na koji se bolest širi i koliko je zarazna, doneće bolje odluke za ograničavanje, prevenciju i lečenje bolesti. To podrazumeva brza naučna i istraživanja o javnom zdravlju, ali i sposobnost da se te informacije ubrzano dele kako bi bile preduzete odgovarajuće mere. Sa druge strane, zbog dinamike širenja bolesti – naročito kada je reč o novim virusima sa kojima se prethodno nismo susretali – i činjenice da ne možemo predvideti uticaj potencijalnih intervencija, potpuna preciznost u postavljanju modela epidemije obično je nemoguća. Uvek postoji određena neizvesnost.
Cilj bilo kog epidemiološkog modela nije nužno da predvidi stopostotno tačan ishod, već da omogući uvide u epidemiju koji mogu pomoći u efikasnom i brzom odlučivanju zvaničnika javnog zdravlja i drugih tela. Pri evaluaciji korisnosti dobrog modela, važno je naročito povesti računa kada je reč o predviđenom širenju bolesti na osnovu istorijskih podataka. Čak i neke od najnaprednijih metoda proračuna koje primenjuju najpametniji naučnici na svetu svejedno mogu dovesti do nepreciznih procena.
Bolji su oni modeli koji umesto toga ističu oblasti u kojima postoje slabosti ili ranjivost i u kojima, otuda, ima prostora za akciju. Na primer, bez obzira na to možemo li precizno da predvidimo broj slučajeva, mogli bismo da iskoristimo putničke obrasce i demografske podatke da identifikujemo oblasti kod kojih postoji povećani rizik za nove slučajeve. U tim oblastima onda se pojačava nadzor javnog zdravlja i druge intervencije, a ograničeni resursi se koriste efikasnije, pre nego što dođe do bolesti na tom mestu.
Zato, umesto određenih i preciznih predviđanja, u spasavanju života pomažu nam modeli koji otkrivaju gde se mogu preduzeti dodatne mere.
2. Vaša teza je da praćenje simptoma (syndromic surveillance), intelektualna analiza teksta (text mining) i analiza društvenih mreža mogu da identifikuju specifične simptome bolesti i prepoznaju ih u najranijim fazama virusne epidemije. Kako se to tačno događa?
Pročitaj i:
Sistemsko praćenje simptoma koristi se kliničkim simptomima koji se razvijaju bez zvanično potvrđene dijagnoze. Sa druge strane, napredno analiziranje teksta ili tehnike za obradu prirodnog jezika mogu da detektuju entitete u obliku teksta u slobodnoj formi, razumeju njegov kontekst i iskoriste dobijene digitalne informacije za dalje statističke analize.
Ovi mehanizmi po sebi nisu dovoljni za pouzdanu detekciju nove epidemije (kako je projekat Google Flu Trend pokazao), ali u kombinaciji sa različitim izvorima podataka i primenom sofisticirane analitike naučnici mogu da istražuju i utvrde obrasce.
Kada je izbio SARS, bilo je dostupno manje izvora podataka koji bi bili od koristi, poput društvenih mreža, IoT uređaja i tehnologija koje pomažu u dijagnostici. Mobilne aplikacije za praćenje podataka o zdravlju još uvek nisu bile prisutne. (iPhone je izašao 2007, četiri godine pošto je izbila epidemija SARS).
3. Koje su potencijalne negativne strane ovakvog pristupa? Postoji li mogućnost da ovi mehanizmi budu zloupotrebljeni? Stalno govorimo o zaštiti naspram kompromitovanja privatnosti kako bi se ljudi navodno zaštitili, ali gde je ta fina linija između zloupotrebe nečijih podataka i njihovog korišćenja da se ljudima pomogne?
Činjenica je da privatne i javne kompanije moraju da poštuju zakone o zaštiti privatnosti. Postoje, međutim, vredni projekti koji ne podrazumevaju zadiranje u privatne podatke. Na primer, anonimni podaci mogu se koristiti za kvantifikovanje stope turizma između dve zajednice u istoj oblasti, što bi mogao da bude indikator rizika. Sa druge strane, ako ste lično bili izloženi infekciji na javnom mestu ili dok ste putovali, da li biste voleli da znate treba li da se izolujete umesto da rizikujete da zarazite druge? To je balans koji će zajednički morati da održavaju zdravstveni zvaničnici i politički lideri.
4. Prediktivna analitika, kako smatrate, može se primeniti na podatke iz bolnica, aerodroma i drugih javnih mesta kako bi se predvideli rizici za širenje bolesti. Šta to praktično znači?
Bolnice i aedromi već koriste prediktvnu analitiku da bolje predvide kada će biti neophodno prisustvo lekara i medicinskih sestara, koji su pacijenti u riziku od razvijanja sepse, ili koji bi putnici mogli da imaju bezbednosne ili zdravstvene probleme. Kada se implementira tehnologija prediktivne analize, neophodno je uspostaviti analitičku kulturu. To zahteva i značajne investicije – da menadžment jedne bolnice ili aerodroma kontinuirano podržava strategiju analize podataka. Takve investicije moraju da se dogode pre nego što pandemija poput SARS počne.
Primer bi bila AI koja trenutno pomaže radiolozima da donesu odluke u lečenju pacijenata na osnovu slika. Rendgenski snimci grudnog koša pacijenata zaraženih novim koronavirusom mogu da posluže kao input za modele veštačke inteligencije koji lekarima pomažu da brže dijagnostikuju bolest dok se epidemija širi. AI takođe pomaže ispitivanjem podataka iz sličnih virusnih bolesti i korišćenjem tih podataka da predvidi koje bi vrste vakcine ili leka bile efikasnije.
AI se može koristiti za brzinsko prepoznavanje simptoma kod pacijenata. Ovakvi sistemi mogu da obrade hiljade pacijenata po satu, za razliku od pozivnih centara, i da usput generišu visokokvalitetne izveštaje. AI takođe pomaže u kliničkim otkrićima, ispitivanjima i proizvodnji kako bi se osigurali bezbedni i efikasni lekovi i vakcine protiv virusa. AI naročito briljira u prepoznavanju korelacije i veza koje ljudima promiču.
5. Kako sada podaci i analitika pomažu u sprečavanju širenja novog koronavirusa?
Analitika može pomoći u detektovanju prvih signala simptoma koji ukazuju na mogućnost nove epidemije. Uz pomoć ovih sofisticiranih tehnika, rani signali mogu se utvrditi čak nedeljama pre nego što zvaničnici oglase uzbunu, a to može pomoći u sprečavanju širenja virusa. To podrazumeva posebne analitičke tehnike koje identifikuju retke, ali značajne događaje, poput povišenog odsustva iz škola u određenim oblastima. Svaka epidemija zahteva kombinaciju epidemioloških, kliničkih i AI veština.
U setove podataka se kombinuju različiti izvori informacija poput zvaničnih podataka o broju zaraženih, kliničkoj hitnosti, društvenim mrežama, zabeleženim avionskim letovima, odsustvu iz škola i prodaji lekova. AI na taj način može da praktično modeluje osobine nove virusne pandemije poput Kovida-19, a upravo su takvi podaci krucijalni u pripremi zdravstvenih sistema i smeštanje pacijenata u karantin.
Vladine organizacije i sami zdravstveni sistemi poseduju većinu ključnih podataka potrebnih za razumevanje uslova za vreme pandemije; napredna analitika omogućava sintezu tih podataka sa onima mimo vladinih izvora kako bi ponudila sveobuhvatni uvid u stanje stvari. Tako vlade mogu da brže odlučuju i delaju.
6. Koje su razlike između korišćenja napredne analitike generalno i mehanizama koji se mogu upotrebiti za zaustavljanje epidemije koronavirusa? Stalno se govori o tome da je Kovid-19 nepredvidiv i za jedan virus.
Imate pravo da se predviđanje prodaje novog proizvoda zasniva na drugačijem algoritmu od onog koji prati modelovanje virusne epidemije. Ipak, algoritmi i modeli koji doprinose sprečavanju širenja epidemija su prisutni godinama unazad. Koriste ih istraživački timovi na univerzitetima, u privatnim kompanijama i vladinim institucijama. Njihova efikasnost raste ako algoritam mimo podataka iz medija ima pristup i zvaničnim statistikama iz bolnica, na primer. AI algoritmi ne funkcionišu autonomno – sa njima rade čitave timovi lekara, epidemiologa i drugih naučnika koji neprekidno uz pomoć kompjuterskih programa obrađuju podatke.
Premda algoritam ne može sa stopostotnom tačnošću predvideti epidemiju, posmatraju se mesta u kojima je povećan rizik od izbijanja. Takvo je mesto pijaca u kineskom gradu Vuhanu u kojem je epidemija koronavirusa počela. Kroz modele geografske korelacije, određena mesta mogu da se više zaštite ili bliže nadziru.
7. Postoji teorija da bi superkompjuter mogao da aktuelnu krizu „reši“ daleko bolje nego čovek; mislite li da je ona utemeljena? Postoji li način da mašina tačno odredi šta je dobro ili loše za ljude, ako nema razvijenu etiku i emocije? Ili je upravo u tome ključ?
Povećana kompjuterska moć, od superkompjutera do pojedinačnih čipova, zaista je transformisala gde i kako se algoritmi mogu primeniti na podatke. Bilo da se analiziraju podaci u pokretu ili se algoritmi koriste za masivne baze podataka u „klaudu“, i dalje je neophodno da u procesu učestvuje čovek upravo da bi se izbegle tzv. predrasude modela, naročito kada je reč o automatizovanju odluka u zdravstvenoj inudstriji. Uz takvu moć ide i velika odgovornost – pobrinuti se da podaci i predrasude posmatrača ne negiraju ishode koje nastojite da postignete. Uveren sam da veštačka inteligencija na polju zdravstvene zaštite, snabdevena povećanom kompjuterskom moći, već omogućuje istraživačima i naučnicima da efikasnije obavljaju posao i svoje modele dele sa drugima.
