數據、人工智能和傳感器按COVID-19新冠流感排列

Data, AI and sensors arrayed against COVID-19

各國政府、衛生保健專業人士和工業界爭先恐后地應對Covid-19流感大流行，在這場將對公共衛生和全球經濟造成的損失降至最低的戰斗中，有一些強有力的盟友：大數據和預測分析，加上人工智能和熱傳感器庫。

Covid-19屬于與嚴重急性呼吸綜合征（SARS）和普通感冒相關的病毒家族。因為它是一種人類先前沒有免疫力的新型病毒，它的早期影響是毀滅性的。在中國湖北省發布第一份報告數月后，大多數國家的檢測結果充其量仍然是零星的，這讓全球各地的民眾不確定他們當中的實際病例數，也不知道如何應對這種危險，甚至不知道其范圍。不久，人工智能和數據分析技術專家就認識到人工智能技術和數據科學有可能支持流行病學家和政府危機應對小組的工作。

數據分析和數學，加上物理學，使我們能夠深入了解自然過程。數據科學的先驅們已經對公共衛生產生了影響，他們部署了數據收集和分析來幫助減緩早期疫情的傳播。數據分析最早的歷史應用之一是1852年，當時倫敦爆發霍亂。約翰·斯諾是第一批以數據為導向的流行病學家之一，他對倫敦發生的死亡事件進行了地理空間分析，從而能夠分離出疾病的源頭。根據他的分析，當局能夠有針對性地采取干預措施，并迅速遏制疫情蔓延。

讓我們評估一下數據

通過在數據分析系統中運行模型，研究人員能夠大致了解趨勢如何發展。一個例子是SIR模型，這是一個流行病學模型，它計算一段時間內封閉人口中感染傳染病的理論人數。該模型使用耦合方程分析易感人群數量S（t）；感染人數I（t）；康復人數R（t）。

最簡單的SIR模型之一是KalMaC－McKeDrimk模型，它是許多其他房室模型的基礎。在這方面，我發現帕多瓦大學（Universit a degli Studi di Padova）的研究生研究員埃托雷·馬里奧蒂（Ettore
Mariotti）在3月初發表的一篇分析文章非常有趣。

考慮一個島嶼——我們的系統——人們既不能離開也不能進入。島上的每一個人在某一特定時間都可能處于以下狀態之一：“易感”、“感染”和“康復”（因此，縮寫為SIR）。在一定的概率下，從未患過這種疾病的人在康復之前可能會生病并被感染（I）。在Covid-19的情況下，適當地將模型擴展為一個附加狀態“暴露”，以包括已感染病毒但尚未感染的人（SEIR模型；圖1）。

Figure 1: SEIR model

該模型考慮了兩個因素：病毒的動態和個體間的相互作用。（后者非常復雜，并且受益于這里描述的工具。）有了這些信息，就可以定義R0參數，它表示被感染者可能感染的人數。
例如，假設某人A生病了，而我們的系統的R0=2，意味著A會感染兩個人。這兩個人將依次感染四個人，他們將分別感染另外兩個人（所以4×2=8），以此類推。這突出了一個事實，即疾病的傳播是乘性的，而不是加性的。R0可以捕獲三個基本場景（圖2）。

Figure 2: R0 basic scenarios

學校、體育館、劇院、餐館和其他公共場所的關閉減少了社交活動的數量，從而降低了R0。由于該病毒已將公共衛生資源緊張到了臨界點，將R0參數降低到unity以下至關重要。如果R0>1，疾病傳播；如果R0<1，疾病消失。因此，在冠狀病毒爆發期間，政府對人們的流動性施加了嚴格的限制，試圖降低R0。

值得注意的是，R0衡量的是疾病的潛在傳播，而不是疾病傳播的速度。考慮到流感病毒無處不在的特性，R0只有1.3左右。高R0是一個令人擔憂的原因，但不是恐慌的原因。

R0是一個平均值，因此它可以受到一些因素的影響，比如在給定的人群中“超級傳播者”的數量。超級傳播者是一個被感染的人誰感染了出乎意料的大量的人。超級傳播事件發生在SARS和MERS流行期間以及當前的大流行期間。然而，這類事件并不一定是一個壞兆頭，因為它們可能表明使一種流行病長期存在的人數減少了。超級傳播者也可能更容易識別和控制，因為它們的癥狀可能更嚴重。

簡言之，R0是一個移動的目標。追蹤每一個病例和疾病的傳播是非常困難的，所以估計R0是復雜和具有挑戰性的。估計值常常隨著新數據的可用性而變化。

為了幫助當局控制R0，人工智能的使用，加上手機GPS跟蹤數據的收集，可以建立分析模型，預測哪些社區更容易發生病例，哪些社區需要緊急干預。

Big data, AI, and sensors

大數據、人工智能和傳感器

在流行期間，臨床數據在質量和一致性方面可能有很大的變化。這類并發癥包括假陽性患者。然而，大數據和人工智能可以用來檢查是否符合隔離，而機器學習可以用于藥物研究。

亞洲的冠狀病毒反應提供了許多通過使用數字技術實施干預的例子。配備了智能掃描儀和攝像頭的無人機能夠探測到不遵守檢疫措施的人，并能檢測人們的體溫。中國大陸和臺灣為此使用了智能攝像機。

總部位于香港的AI科技公司SSESETIME開發了一個平臺，可以通過掃描人們的臉來檢測發燒，即使他們戴著醫療面罩。SenseTime的非接觸式溫度檢測軟件已經在北京、上海和深圳的地鐵站、學校和公共中心實施。

與此同時，阿里巴巴開發了一個基于人工智能的Covid-19診斷系統，通過計算機斷層掃描（CT掃描），可以檢測出新的冠狀病毒病例，準確率高達96%。

總部位于紐約的Graphen正與哥倫比亞大學的研究人員合作，以確定病毒每個基因定位的典型形式，并確定確切的變體。研究人員正在使用Graphen的Ardi-AI平臺來存儲突變數據，并將其可視化。一種典型的可視化方法是將一種病毒與一組具有相同基因組序列的病毒進行比對。通過單擊相應的節點，可以看到與病毒相關的信息，包括受感染者的位置、性別和年齡。

與此同時，大數據已經被廣泛應用于改進監控系統，以繪制病毒傳播的地圖。

大數據的獲取和處理需要新的收集和分析方法和技術。特別是，我們可以區分四種大數據分析方法：

描述性分析，或用于描述業務流程或業務項目當前和過去情況的方法和技術，以綜合和圖形方式表示活動的績效指標；

預測分析，包括數據分析工具，幫助了解未來會發生什么，使用數學技術，如回歸和預測模型；

規范性分析，用于確定有效的戰略和運營解決方案；以及

自動分析，包括允許以自動方式根據分析結果自動執行所需操作的工具。

阿里巴巴還開發了一款應用程序“支付寶健康代碼”，它使用中國醫療系統提供的大數據來顯示誰可以或不能訪問公共空間。

BlueDot是一家總部位于多倫多的初創企業，其平臺圍繞人工智能構建，它開發了智能系統，能夠自動監測和預測傳染病的傳播。在SARS流行期間，BlueDot平臺得到了應用，并證明了其有效性。

值得注意的是，在2019年12月，BlueDot還對冠狀病毒的潛在嚴重性發出了警報，再次證明其模型是正確的。BlueDot使用的工具包括自然語言處理技術。

Insilico Medicine（馬里蘭州洛克維爾）是另一家專注于通過人工智能預防疾病的公司。公司正在開發和應用下一代人工智能和深度學習方法，將其應用于藥物發現和藥物開發過程的每一步。Insilico最近利用其系統分析了可能適合對抗這種新型冠狀病毒的分子，并能夠分享結果。在本期雜志付印時，該公司正在策劃一個用于疫苗開發的信息數據庫。

研究經濟影響

除了對健康的影響外，Covid-19還對全球經濟造成了毀滅性的打擊。在這里，大數據和人工智能也可以幫助分析影響并制定適當的應對措施。例如，衛星分析技術幫助webbank的研究人員確定了中國受影響最大的行業，比如鋼鐵。分析顯示，在疫情初期，中國鋼廠的產量已降至最低產能的29%，但到2月9日已恢復至產能的76%（圖3）。

Figure 3: Side-by-side satellite images from Dec. 30, 2019 (left), and Jan. 29, 2020, show that steel industry activity fell sharply in China in the early days of the epidemic.

研究人員隨后研究了使用人工智能的其他類型的生產和商業活動。一種方法是簡單地計算大型停車場的汽車數量。分析顯示，截至2月10日，特斯拉在上海的汽車生產已全面恢復，而上海迪士尼樂園等旅游場館仍處于關閉狀態。

通過分析GPS衛星數據，可以確定哪些人在上下班。該軟件隨后統計了每個城市的通勤人數，并比較了2019年春節假期開始時和2020年相應日期的通勤人數。這兩年，通勤客流量在假期開始時都有所下降，但今年，節后的正常交通量并沒有像2019年那樣恢復正常。

隨著經濟活動的緩慢復蘇，webbank的研究人員計算出，到2020年3月10日，大約75%的勞動力已經重返工作崗位。根據這些曲線，研究人員得出結論，除武漢工人外，大多數中國工人將在3月底返回工作崗位。

那些試圖應對冠狀病毒挑戰的國家擁有強大的工具，在危機解決后，證明其價值的解決方案很可能成為標準做法。

總結

以上是生活随笔為你收集整理的数据、人工智能和传感器按COVID-19新冠流感排列的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。