Kako se novi korona virus ( COVID -19) i dalje širi po svetu, vlade i bolnice su preplavljene sve većim brojem pacijenata. U takvim okolnostima, jedan od ključnih izazova sa kojim moraju da se suoče je upravljanje resursima i razvoj strategija bolničke nege i hospitalizacije u kojima se daje prednost najrizičnijim pacijentima. To je područje u kome veštačka inteligencija može da pomogne, vjeruju stručnjaci iz „Jvion-a“. Kompanija, specijalizovana za kliničku veštačku inteligenciju, počela je projekat analize podataka koji će informisati o strategijama za blagovremeni odgovor na COVID -19 i pomoći bolnicama da proaktivno pristupe upravljanju populacijom pacijenata u bolničkim i ambulantnim okruženjima. „Jvion“ koristi algoritme mašinskog učenja za određivanje faktora društvenog rizika prema kojima se određuje koliko je verovatno da će se pojedinac zaraziti i širiti virus или dobiti infekciju koja zahteva hospitalizaciju.
„Danas znamo dve stvari: Prvo, projekcije su da, u nekom trenutku, bolnički resursi i kapaciteti neće moći da zadovolje potražnju, a drugo, klinički podaci (vitalni znakovi, rendgenski snimci i sl.) loši su pokazatelji za krajnji ishod pacijenta“, rekao je glavni medicinski direktor kompanije „Jvion“. „Koji pacijent može da ostane na kućnom lečenju, a koji verovatno neće preživeti bez obzira na to koja terapija se nudi, jedan je od težih kliničkih izazova. Veštačka inteligencija, definitivno, može da pomogne u toj oblasti.“
Veštačka inteligencija kompanije pomoći će da se identifikuju neinficirani ljudi u zajednici koji su u opasnosti da njihov tok bolesti bude izuzetno težak. Zdravstvene organizacije mogu da savetuju te ljude da sprovode potpune mere predostrožnosti i samoizolacije. „Pošto su bolnice preplavljene pacijentima, ove osobe će biti sigurne kod kuće. To se ne može generalno primeniti na sve ljude, ali za one koji su u najvećem riziku to može biti razlika između života i smrti“, kaže direktor Fraunfelter.
Već je napravljeno nekoliko pokušaja da se podstakne veštačka inteligencija u borbi protiv korona virusa. Neki od tih metoda uključuju automatsko merenje temperature ljudi na javnim mestima, utvrđivanje infekcije COVID -19 pomoću rendgenskih snimaka grudnog koša i korišćenje algoritama mašinskog učenja za predviđanje širenja virusa. Kompanijin pristup dopunjuje sve te postupke određivanjem pojedinačnih nivoa rizika uz istovremeno korišćenje minimalnih или nikakvih kliničkih podataka i korišćenja ograničenih informacija o pacijentu za koje nije potrebna posebna medicinska oprema. To će omogućiti korišćenje veštačke inteligencije pri proučavanju velike populacije i utvrđivanju rizičnih pacijenata bez opterećivanja medicinskih centara.
Preliminarna analiza koju je obavila veštačka inteligencija pregledala je podatke dva miliona pacijenata kako bi utvrdila koji od nekoliko hiljada faktora povećava rizik od infekcije koji dovode do potpunog oštećenja organa, kao što je zastoj respiratornih organa. Kao i druga istraživanja o korona virusu, i ovo je otkrilo da su starost i hronična stanja glavni faktori rizika za loše ishode. Ipak, algoritam mašinskog učenja je, takođe, bio u stanju da utvrdi faktore socijalnog rizika, uključujući dugotrajno putovanje, život u gustim stambenim područjima kao što su spavaonice na fakultetima, lično prisustvovanje javnim događajima i kupovina.
Otkrivanje faktora socijalnog rizika može značajno da utiče na suočavanje sa zaraznim bolestima, kao što je novi korona virus. Studije pokazuju da su u prethodnim pandemijama, poput H1N1 u 2009. godini, socijalni faktori doprineli lošijim rezultatima među socijalno i ekonomski ugroženim stanovništvom. Društvene odrednice zdravlja lakše je dobiti nego pojedinačne zdravstvene informacije, koje podležu raznim pravilima i propisima o privatnosti, što često otežava veštačkoj inteligenciji da razvije rešenja zdravstvo. „Razvili smo metode i resurse za brzo prikupljanje svih podataka o bilo kojoj osobi. Pored toga, razvili smo metode i tehnologiju za analizu zajednica, bez podataka o pojedinačnim pacijentima“, kaže Fraunfelter.
Stručnjaci kompanije „Jvion“ prvi put su predstavili svoj metod u radu objavljenom u američkom časopisu Managed Care u januaru. Suština se sastoji u tome da modeli mašinskog učenja omogućavaju da se predvidi upotreba pojedinačnih bolnica i hitnih službi pomoću javno dostupnih podataka o socio-ekonomskim odrednicama nege i bihevioralnih podataka, bez potrebe za kliničkim faktorima rizika. Kompanija je takođe predstavila Mapu ranjivosti zajednice (Community Vulnerability Map) COVID , besplatan javno dostupan alat koji identifikuje populacije za koje je verovatno da će imati ozbiljne ishode koji zahtevaju hospitalizaciju ako se zaraze virusom. Karta takođe prikazuje socio-ekonomske i ekološke faktore koji utiču na povećanje rizika za pacijente.
Iako su napori „Jvion-a“ trenutno ograničeni na Sjedinjene Države, uspeh veštačke inteligencije mogao bi da pomogne drugim regionima u kojima pojedinačni zdravstveni podaci nisu lako dostupni, ali dovoljno velika veličina uzorka može brzo da stvori model koji je reprezentativan za populaciju.
„Čak i kada podaci o zdravstvenom događaju nisu lako dostupni, postoje surogati koji se mogu koristiti za identifikaciju verovatnih ishoda za proaktivno informisanje strategija“, kaže Fraunfelter. „Анализа i Mapa ranjivosti zajednice COVID , koja je iz nje proizašla, može pomoći da se spasu životi tako što će zajednicama, državama i zdravstvenim sistemima dati vreme da planiraju i uvide šta da planiraju.“