Докато вирусът COVID-19 разкъсва населението по целия свят, всявайки паника и дестабилизирайки глобалната икономика, обществеността става свидетел на това колко зле са оборудвани здравните системи и плановете за спешно реагиране за справяне с пандемия. Някои видни личности и международни организации се опитаха да предупредят правителствата и обществеността, че светът не е подготвен. Например, Бил Гейтс в статията си за New England Journal of Medicine подчерта ключови слабости в настоящата система за реагиране при огнища, призовавайки всички правителства към спешни действия [1]. Освен това Съветът за наблюдение на глобалната готовност (GPMB) на Световната здравна организация (СЗО) в рамките на техния годишен доклад за 2019 г. заключи, че „светът не е подготвен за бързо развиваща се, вирулентна респираторна патогенна пандемия“, зловеща прогноза, която беше реализирани в рамките на няколко месеца след публикуването на доклада [2].

Доказателствата сочат, че вероятността и тежестта на пандемиите се е увеличила през последните няколко десетилетия поради нарастването на населението, глобализацията, урбанизацията и човешката инвазия и експлоатацията на естествените местообитания [3]. Тенденциите ще продължат да се засилват през следващия век. В Обединеното кралство годините на децентрализация и строги икономии доведоха до недостатъчна NHS, която се спъва под тежестта на пациенти с коронавирус, нуждаещи се от интензивни грижи [4]. Правителствата по света се борят с болестта на 21-ви век с инструменти на 20-ти век. Въпреки че може да е твърде късно за широкомащабно внедряване на цифрови системи за ефективен контрол на COVID-19, мнозина вярват, че координираните и по-бързи системи за данни са ключът към справянето и предотвратяването на следващата пандемия. Един метод за обработка на данни, който бързо придоби популярност в медиите, е изкуственият интелект (AI), който в общи линии се отнася до програмирането на машини, за да имитират човешкия интелект. Медийното внимание привлече големи количества финансиране и талант в тази област на изследване. Има обаче много шум около отчитането на възможностите на ИИ в здравеопазването и има тенденция в разказа да се надценяват неговите ползи. Това есе ще оцени използването на AI за наблюдение, откриване, оценка и контрол на следващата глобална пандемия.

На 31 декември BlueDot, базирана в Канада стартираща компания, която е разработила софтуер за риск от епидемия, идентифицира признаци на епидемия в Ухан. Тогава компанията успя да даде предварително предупреждение за избухването на своите клиенти, почти седмица преди китайското правителство и СЗО да направят официални съобщения пред обществеността. Софтуерът на BlueDot използва алгоритми за обработка на естествен език (NLP), за да наблюдава разнообразен набор от набори от данни, включително новинарски репортажи на 65 езика, животински популации, маршрути на полети и капацитет на здравната система, за да открие и предвиди разпръскването и въздействието на огнища на болести [5 ]. След това технологията успя да предскаже правилно траекторията на вируса през следващите няколко дни, давайки на клиентите си преднина в плановете за пандемия, където бюрократичните пречки, политиката (напр. кибер бариерите в Китай) и езиковите бариери биха могли иначе да попречат на подготовката.

Въпреки това AI все още има значителни ограничения, както от етична, така и от технологична гледна точка. Например, с нарастването на мащаба на епидемията, разпространението на дезинформация и несъответствия в медиите кара инструментите за прогнозиране да станат „объркани“ и по-малко точни. Един от методите за преодоляване на това ограничение е използването на по-големи набори от данни от по-надеждни източници, като медицински досиета. Тъй като вирусът не се съдържа в геополитическите граници, нито тези технологии трябва да бъдат ограничени до привилегированите организации, които могат да си ги позволят, мнозина смятат, че международните споразумения трябва да бъдат предназначени да принуждават държавите да публикуват здравни данни в реално време, които след това могат да бъдат подавани в не -инструмент за печалба, глобален мащаб [7]. След това този инструмент за прогнозиране може да се използва за откриване на всяка епидемия от болест, като се наблюдава нейното разпространение и се определя количествено нейната смъртност и репродуктивен номер (R0) по време на критичните ранни етапи на пандемията. Това предложение обаче е почти политически невъзможно поради основателни и не толкова недоволства от страна на медиите. Споделянето на данни изисква съгласие от лицето и винаги ще има малък процент от населението, приблизително 3%, които се чувстват дълбоко подозрителни относно споделянето на своите данни дори за най-алтруистичните причини. Въпреки че този дял е малък, това е значително, тъй като онези, които се отказват, са концентрирани в определена демографска група от населението, като например възрастните хора и тези от домакинствата с ниски доходи (индикация за нивата на образование и дигитална грамотност) [6]. Следователно алгоритмите за машинно обучение (ML), които се обучават върху набора от данни, по своята същност ще бъдат предубедени към тази подсекция от населението, може би тези, които биха били най-засегнати от пандемията. Освен това, въпреки че данните, за които е дадено съгласие за използване, ще бъдат анонимизирани, има методи, които кибер-нападателите биха могли да използват, за да деанонимизират лица и да продадат информацията на черния пазар. Данните за здравеопазването са изключително ценни в рамките на незаконните пазари, тъй като, за разлика от финансовите данни, те не могат да бъдат променяни. Нови техники, като диференцирана поверителност и обучение на AI машината върху синтетични данни, може да са в състояние да разплетат тези сложни проблеми в бъдеще [7].

Както се демонстрира понастоящем по време на тази криза, ловкостта и постоянството на човечеството да преодолява бедствията не трябва да се подценяват. Има много примери за това как експертите креативно използват своите таланти, за да помогнат за контролирането на пандемията, което води до генериране и споделяне на огромно количество знания. Например, над 29 000 научни статии, свързани с новия вирус COVID-19, са публикувани в рецензирани списания. Тези статии са събрани заедно, за да образуват набор от данни за открити изследвания на COVID-19 (CORD-19) [8]. След това се използва интелигентен модел на НЛП, за да се начертаят приликите между статиите в тази база данни, което прави тялото на литературата по-лесно и по-бързо за копаене за ключови прозрения [9]. Все пак повече информация означава повече дезинформация и, неизбежно в тази епоха на дигитална взаимозависимост, „фалшивите новини“ могат да се разпространят невероятно бързо в глобалната общност. Много „големи технологични“ компании, като Facebook и Google, обучават ML алгоритми, за да помогнат на вътрешните модератори на съдържание да се справят с нарастването на публикуваната информация за коронавируса. Тези алгоритми се използват за проучване на публикувана информация, премахване на дезинформация и предупреждаване на публичните органи за всякакви често срещани погрешни схващания сред обществото. Въпреки това, тези алгоритми се обучават с помощта на новинарски репортажи и статии, които може да съдържат присъщи пристрастия и изкривявания. Освен това мнозина виждат тези инструменти като метод за фирмите за социални медии да почистват данни в собствената си платформа по ad hoc начин, вместо да премахват невярната информация при източника [10].

AI и дълбокото обучение могат също да се използват за подобряване на откриването и лечението на вирусна инфекция. Това може да осигури на много периферни болници в развиващите се страни достъп до бързи, точни и евтини тестове за диагностика. Например, изследователи, базирани в болницата Zhongnan на университета Ухан, са разработили алгоритъм за задълбочено обучение, използвайки изображения от компютърна томография (CT) за скрининг за вируса COVID-19, външно валидиран с точност от 79,3% [11]. Едно от предимствата е, че машината с изкуствен интелект може да замести лекар по време на диагностичния процес, осигурявайки защита и допълнителен капацитет на болница по време на пандемия, където много здравни работници може да са болни или в самоизолация. Тази технология може също така да позволи на повече държави да възприемат подход за масово тестване и проследяване на контакти за справяне с пандемия, което СЗО препоръча като ключ към нейното преодоляване. AI се използва широко по целия свят в подкрепа на политиките за масово наблюдение. Например в Италия компания е разработила приложение за проследяване на маршрута на човек, заразен с вируса, и за предупреждаване на хората, които може да са влезли в контакт с него [12]. Много статии обаче зловещо предсказват увеличаването на дигиталното наблюдение за целите на проследяване на контакти като врата за „пълзящ авторитаризъм“ [13].

Друг принос на AI е голямото търсене на лек. Например DeepMind на Google публикува проучване за използване на системи за дълбоко обучение за прогнозиране на протеиновата структура, свързана с COVID-19 [14]. Exscientia, компания за откриване на лекарства, базирана в Кеймбридж, използва AI, за да изследва колекция от 15 000 потенциални лечения за коронавирус. Много други проекти също използват AI при откриването на лекарства, но подходът на Exscientia се различава значително. Техните данни ще включват много повече одобрени лекарства, което означава, че всеки идентифициран кандидат може да бъде ускорен чрез клинични тестове [15]. Тези технологии обаче все още предстои да бъдат доказани и прекомерната увереност в техните способности може да доведе до недобре информирани инвестиции, което да доведе до изтичане на ценни обществени пари от доказани програми за лекарства [16].

Друг по-рядко споменаван проблем е огромното количество изчислителна мощност, необходима за обучение на ML алгоритми. Проучване, проведено от изследователи от Университета на Масачузетс Амхърст, установи, че някои методи за настройка на единичен голям NLP модел отделят пет пъти повече въглероден диоксид от емисиите през целия живот на автомобил [17]. Използването на AI като инструмент за справяне с пандемии не се използва от много дълго време и прилагането на тази технология в глобален мащаб ще доведе до много голям въглероден отпечатък, допринасяйки за климатичната криза.

С международно сътрудничество и координирана стратегия в глобален мащаб, AI може да бъде много мощен инструмент за откриване, контрол и в крайна сметка да победи следващия „невидим враг“. Въпреки това, политиците и глобалните лидери трябва да възприемат предпазлив подход, отрязвайки шума и погрешните схващания, преди да го изпратят на бой.

Библиография

[1] Б. Гейтс, „Следващата епидемия — уроци от ебола“, The New England Journal of Medicine,9 април 2015 г.

[2] Глобален съвет за наблюдение на готовността, „Свят в риск: годишен доклад за глобалната готовност за спешни здравни ситуации“, Wealth Health Organisation, Женева, 2019 г.

[3] К. Джоунс, Н. Пател, М. Леви и А. Сторигард, „Глобални тенденции в възникващите инфекциозни болести“, Nature,pp. 990–993, 2008 г.

[4] N. M. Ferguson, D. Laydon и G. Nedjati-Gilani, „Въздействие на нефармацевтичните интервенции (NPI) за намаляване на смъртността от COVID-19 и търсенето на здравни грижи“, Imperial College London, Лондон, 2020 г.

[5] BlueDot, [онлайн]. Налично: https://bluedot.global/.

[6] G. Watts, „Споделяне на данни: поддържане на пациентите на борда“, The Lancet,том. 1, бр. 7, стр. 332–333, 2019 г.

[7] W. D. Heaven, „AI може да помогне при следващата пандемия – но не и при тази“, MIT Technology Review,12 март 2020 г.

[8] Georgetown University, „COVID-19 Open Research Dataset (CORD-19)“, 2020 г. [Онлайн]. Налично: https://cset.georgetown.edu/covid-19-open-research-dataset-cord-19/. [Посетен на 15 април 2020 г.].

[9] К. Хао, „Над 24 000 научни статии за коронавирус вече са достъпни на едно място“, MIT Technology Review,16 март 2020 г.

[10] S. Woolley, The Reality Game, 1st Edition ed., New York: Endeavour, 2020 г.

[11] S. Wang, J. Ma и X. Zeng, „Алгоритъм за дълбоко обучение, използващ CT изображения за скрининг за коронавирусна болест (COVID-19),“ medRxiv,2020.

[12] Комитет по изкуствен интелект (CAHAI), „ИИ и контрол на коронавируса Covid-19“, Съвет на Европа, Женева, 2020 г.

[13] Ю. Н. Харари, „Ювал Ноа Харари: светът след коронавируса“, ​​Financial TImes,2020 март 2020 г.

[14] J. Jumper, K. Tunyasuvunakool и P. Kohli, „Изчислителни прогнози на протеинови структури, свързани с COVID-19“, DeepMind,8 април 2020 г.

[15] Exscientia, [онлайн]. Налично: https://www.exscientia.ai/.

[16] M. Giles, „Изкуственият интелект често се преувеличава – и ето защо това е опасно“, MIT Technology Review,13 септември 2018 г.

[17] E. Strubell, A. Ganesh и A. McCallum, „Енергийни и политически съображения за задълбочено обучение в НЛП“, 5 юни 2019 г. [Онлайн]. Налично: https://arxiv.org/abs/1906.02243. [Посетен на 10 април 2020 г.].