Harvard: AI gebruiken voor gepersonaliseerde voorspellende quarantaine

In de afgelopen paar maanden heeft de wereld een reeks Covid-19-uitbraken meegemaakt die over het algemeen dezelfde weg hebben gevolgd: een beginfase met weinig infecties en beperkte respons, gevolgd door een start van de beroemde epidemische curve vergezeld van een landelijke lockdown tot maak de curve plat. Dan, zodra de curve zijn hoogtepunt bereikt, moeten regeringen aanpakken wat president Trump heeft genoemd "de grootste beslissing'Van zijn leven: wanneer en hoe de opsluiting moet worden beheerd.

Tijdens de pandemie is veel nadruk gelegd op het delen (of het ontbreken daarvan) van cruciale informatie tussen landen - met name uit China - over de verspreiding van de ziekte. Daarentegen is er relatief weinig gezegd over hoe Covid-19 beter had kunnen worden beheerd door gebruik te maken van de geavanceerde datatechnologieën die bedrijven de afgelopen 20 jaar hebben getransformeerd. In dit artikel bespreken we een manier waarop regeringen die technologieën kunnen gebruiken om een ​​toekomstige pandemie te beheersen - en misschien zelfs de laatste fasen van de huidige.

De kracht van gepersonaliseerde voorspelling

Een alternatieve benadering voor beleidsmakers om te overwegen hun mix toe te voegen voor de strijd tegen Covid-19 is gebaseerd op de technologie van gepersonaliseerde voorspelling, die de afgelopen 20 jaar veel industrieën heeft getransformeerd. Met behulp van machine learning en kunstmatige intelligentie (AI) -technologie doen datagestuurde bedrijven (van 'Big Tech' tot financiële diensten, reizen, verzekeringen, detailhandel en media) gepersonaliseerde aanbevelingen voor wat te kopen en oefenen ze gepersonaliseerde prijzen, risico's en kredietwaardigheid uit , en dergelijke met behulp van de gegevens die ze hebben verzameld over hun klanten.

In een recent HBR-artikelMing Zeng, de voormalige chief strategy officer van Alibaba, beschreef bijvoorbeeld hoe Ant Financial, de leningverstrekker van zijn bedrijf, kredietaanvragers in realtime kan beoordelen door hun transactie- en communicatiegegevens op Alibaba's e-commerceplatforms te analyseren. Ondertussen evalueren bedrijven zoals Netflix de keuzes en kenmerken van consumenten in het verleden om voorspellingen te doen over wat ze hierna zullen zien.

Dezelfde aanpak zou kunnen werken voor pandemieën - en zelfs voor de toekomst van Covid-19. Met behulp van meerdere gegevensbronnen zouden machine-learning modellen worden getraind om die van een individu te meten klinisch risico op ernstige gevolgen (indien geïnfecteerd met Covid): hoe groot is de kans dat ze intensieve zorg nodig hebben, waarvoor beperkte middelen zijn? Hoe waarschijnlijk is het dat ze zullen sterven? De gegevens kunnen de medische basisgeschiedenis van individuen bevatten (voor Covid-19 lijkt de ernst van de symptomen toe te nemen met de leeftijd en met de aanwezigheid van comorbiditeiten zoals suikerziekte or hypertensie) evenals andere gegevens, zoals de samenstelling van het huishouden. Een jong, gezond persoon (die anders misschien zou worden geclassificeerd als "laag risico") kan bijvoorbeeld worden geclassificeerd als "hoog risico" als hij of zij samenleeft met oude of zwakke mensen die waarschijnlijk intensieve zorg nodig hebben als ze besmet raken.

Deze klinische risicovoorspellingen kunnen vervolgens worden gebruikt om het beleid en de toewijzing van middelen op individueel / huishoudelijk niveau aan te passen, waarbij op passende wijze rekening wordt gehouden met standaard medische verplichtingen en risico's. Het zou ons bijvoorbeeld in staat kunnen stellen om sociale distantie en bescherming te richten op mensen met hoge klinische risicoscores, terwijl mensen met lage scores min of meer normaal kunnen leven. De criteria voor het toewijzen van individuen aan groepen met een hoog of een laag risico moeten natuurlijk worden bepaald, rekening houdend met de beschikbare middelen, risico's voor medische aansprakelijkheid en andere risico-afwegingen, maar de benaderingen voor gegevenswetenschap hiervoor zijn standaard en worden in tal van toepassingen.

Een gepersonaliseerde aanpak heeft meerdere voordelen. Het kan helpen bouwen kudde-immuniteit met een lagere sterfte - en snel. Het zou ook een betere - en eerlijkere - toewijzing van middelen mogelijk maken, bijvoorbeeld van schaarse medische apparatuur (zoals testkits, beschermende maskers en ziekenhuisbedden) of andere middelen.

Opsluitingsstrategieën in latere stadia van een pandemie - een volgende belangrijke stap voor Covid-19 in de meeste landen - kunnen op vergelijkbare wijze profiteren. Bepalen met welke mensen het onthechtingsproces moet worden gestart, is van nature een classificatieprobleem dat vergelijkbaar is met de classificatieproblemen die de meeste datagestuurde bedrijven kennen. Sommige regeringen naderen de ontsluiting al door leeftijd te gebruiken als een maatstaf voor risico, een relatief ruwe classificatie die mogelijk andere personen met een hoog risico mist (zoals het bovenstaande voorbeeld van gezonde jongeren die samenwonen met ouderen).

Het uitvoeren van classificatie op basis van gegevens en AI-voorspellingsmodellen zou kunnen leiden tot besluiten tot ontsluiting die veilig zijn op gemeenschapsniveau en veel minder duur voor het individu en de economie. We weten dat een belangrijk kenmerk van Covid-19 is dat het een uitzonderlijk hoge overdrachtssnelheid heeft, maar ook relatief lage ernstige symptomen of sterftecijfers. Uit gegevens blijkt dat mogelijk meer dan 90% van de geïnfecteerde mensen asymptomatisch is of milde symptomen ervaart wanneer ze geïnfecteerd zijn.

In theorie zouden we met een betrouwbare voorspelling van wie deze 90% zijn, al deze individuen kunnen opsluiten. Zelfs als ze elkaar zouden infecteren, zouden ze geen ernstige symptomen hebben en het medische systeem niet overweldigen of sterven. Deze 90% mensen met beperkte klinische risico's zouden ook helpen bij de snelle opbouw van een hoge immuniteit voor het beslag, waarna de resterende 10% ook zou kunnen worden opgesloten.

Lees hier het hele verhaal ...