Ứng dụng AI dự đoán dịch bệnh là gì
Ứng dụng AI dự đoán dịch bệnh là dùng thuật toán AI dự đoán, theo dõi, đánh giá và cảnh báo về nguy cơ bùng phát cũng như quỹ đạo lây lan của các bệnh truyền nhiễm, từ các dịch bệnh theo mùa như cúm, sốt xuất huyết đến các đại dịch toàn cầu như COVID-19.
Mục tiêu cốt lõi của ứng dụng AI dự đoán dịch bệnh là tạo ra sự chuyển đổi mô hình cơ bản trong y tế công cộng từ phản ứng (hành động sau khi dịch đã xảy ra) sang chủ động và dự báo (phòng ngừa và can thiệp dựa trên các dự báo về nguy cơ trong tương lai).
Thay vì chờ đợi các báo cáo chính thức từ bệnh viện, các hệ thống này chủ động tìm kiếm các “tín hiệu yếu” trong biển thông tin toàn cầu để đưa ra cảnh báo sớm.
Điều quan trọng cần nhấn mạnh là các hệ thống AI không được thiết kế để thay thế hoàn toàn các chuyên gia dịch tễ học hay bác sĩ mà đóng vai trò như một “trợ lý thông minh” hay một công cụ hỗ trợ đắc lực.
Chúng giúp khuếch đại năng lực phân tích của con người, hỗ trợ các chuyên gia xử lý một khối lượng thông tin mà trước đây không thể để từ đó đưa ra các quyết định nhanh chóng và chính xác hơn trong môi trường thông tin phức tạp và thay đổi liên tục.
Hệ sinh thái dữ liệu cung cấp cho AI
Dữ liệu y tế chính thức
Dữ liệu y tế chính thức vẫn là nguồn truyền thống nhưng không thể thiếu trong việc dự đoán bệnh tật dựa trên AI.
Dữ liệu này được thu thập từ các hệ thống và mạng lưới chăm sóc sức khỏe đã được thiết lập, bao gồm một số thành phần quan trọng:
Hồ sơ sức khỏe điện tử (EHRs)
Hồ sơ sức khỏe điện tử chứa thông tin chi tiết của bệnh nhân như tiền sử bệnh lý, chẩn đoán, hồ sơ thuốc men, ngày tiêm chủng, dị ứng và kết quả xét nghiệm.
EHRs cung cấp bộ dữ liệu có cấu trúc phong phú mà các thuật toán AI có thể phân tích để nhận diện các mẫu hình liên quan đến khởi phát, tiến triển và kết quả của bệnh tật.
Thông qua EHRs, hệ thống AI có thể phát hiện dấu hiệu sớm của các đợt bùng phát dựa trên các cụm triệu chứng hoặc tỷ lệ mắc tăng cao của những bệnh cụ thể trong một số nhóm dân cư hoặc khu vực nhất định.
Ví dụ: Tại Singapore, hệ thống EHR quốc gia đã giúp phát hiện sớm đợt bùng phát sốt xuất huyết vào năm 2022 khi AI nhận thấy sự gia tăng bất thường các triệu chứng như sốt cao, đau đầu và giảm tiểu cầu trong cùng một khu vực địa lý.
Dữ liệu chẩn đoán hình ảnh
Các hình ảnh chẩn đoán như X-quang, CT scan và MRI đóng góp những thông tin có giá trị về tình trạng sức khỏe cá nhân và tỷ lệ mắc bệnh.
Mô hình AI được huấn luyện trên thư viện khổng lồ của những hình ảnh này có thể phát hiện những bất thường tinh vi có thể cho thấy các vấn đề sức khỏe mới xuất hiện hoặc biến chứng liên quan đến bệnh truyền nhiễm.
Những thay đổi trong X-quang ngực có thể giúp nhận diện các nhiễm trùng hô hấp như viêm phổi hoặc COVID-19 trước khi chúng được chẩn đoán rộng rãi.
Ví dụ: Trong đại dịch COVID-19, các bệnh viện ở Trung Quốc đã sử dụng AI để phân tích X-quang phổi, giúp chẩn đoán nhanh hơn 50% so với phương pháp truyền thống và phát hiện được những trường hợp không có triệu chứng.
Kết quả xét nghiệm
Dữ liệu xét nghiệm như xét nghiệm máu, nuôi cấy hoặc kết quả PCR cung cấp xác nhận chính xác về nhiễm trùng hoặc các dấu hiệu bệnh tật.
Khi được tổng hợp từ các bệnh viện và phòng khám, những kết quả xét nghiệm này mang lại thông tin kịp thời và chính xác về sự lây lan và cường độ của các tác nhân gây bệnh.
Hệ thống AI có thể theo dõi xu hướng tỷ lệ xét nghiệm dương tính hoặc những đột biến bất thường ở một số mầm bệnh nhất định để dự báo các đợt bùng phát tiềm năng.
Mạng lưới giám sát
Nhiều quốc gia duy trì các chương trình giám sát chuyên biệt được thiết kế để theo dõi xu hướng bệnh tật liên tục.
Những mạng lưới này thu thập các báo cáo tiêu chuẩn hóa từ bệnh viện, phòng khám và phòng xét nghiệm về các bệnh phải báo cáo.
Tích hợp dữ liệu từ mạng lưới giám sát giúp mô hình AI có được nhịp đập thời gian thực về các bệnh đã biết và phát hiện những bất thường có thể báo hiệu các mối đe dọa mới nổi.
Dù là truyền thống, dữ liệu y tế chính thức vẫn rất quan trọng vì nó có độ chính xác cao, được xác thực lâm sàng và bao phủ một phổ nhân khẩu học rộng.
Bản chất có cấu trúc của nó làm cho AI dễ dàng phân tích và xử lý một cách hệ thống hơn.
Tuy nhiên hạn chế là sự phụ thuộc vào hành vi tìm kiếm chăm sóc sức khỏe và tính kịp thời của báo cáo.
Hơn nữa không phải tất cả bệnh nhân đều đi khám bác sĩ kịp thời và báo cáo chậm trễ đôi khi có thể cản trở phát hiện sớm.
Dữ liệu không chính thức
Ngoài các nguồn truyền thống là dữ liệu không chính thức.
Điều này đã mang lại sự thay đổi mang tính biến đổi trong thông tin dịch bệnh thông khi tạo ra các tín hiệu cảnh báo sớm hơn cho các đợt bùng phát dịch bệnh.
Dữ liệu không chính thức bao gồm các luồng thông tin đa dạng bên ngoài các môi trường chăm sóc sức khỏe chính thức:
Tin tức và truyền thông toàn cầu
Hệ thống AI quét các bài báo, thông cáo báo chí và bản tin trên toàn thế giới để tìm các báo cáo về các sự kiện bệnh tật bất thường hoặc mối quan tâm về sức khỏe.
Vì các cơ quan báo chí thường báo cáo các sự cố địa phương một cách nhanh chóng.
Do đó kênh thông tin này có thể tiết lộ các dấu hiệu sớm của đợt bùng phát trước khi có xác nhận chính thức.
Các báo cáo địa phương về gia tăng lượt thăm khám bệnh viện hoặc triệu chứng xuất hiện trong các câu chuyện cộng đồng có thể xuất hiện ở đây trước.
Ví dụ: Hệ thống HealthMap của Đại học Harvard đã phát hiện đợt bùng phát MERS ở Trung Đông trước WHO 2 tuần thông qua việc theo dõi tin tức địa phương về “bệnh lạ” và “viêm phổi bí ẩn”.
Mạng xã hội và diễn đàn
Nền tảng như Twitter, Facebook, Reddit và các diễn đàn sức khỏe cung cấp một kho lưu trữ khổng lồ nội dung do người dùng tạo ra.
Đây là nơi mọi người chia sẻ triệu chứng của họ hoặc thảo luận về các cụm bệnh tật.
Các công cụ xử lý ngôn ngữ tự nhiên được hỗ trợ bởi AI có thể sàng lọc qua hàng triệu bài đăng để nhận diện các đề cập đến sốt, ho, phát ban hoặc các triệu chứng khác có thể cho thấy nhiễm trùng đang lây lan.
Dữ liệu từ cộng đồng này mang lại những hiểu biết thời gian thực về hoạt động bệnh tật ở cấp độ cơ sở.
Ví dụ: Trong giai đoạn đầu của đại dịch COVID-19, các nhà nghiên cứu đã sử dụng dữ liệu từ Twitter để theo dõi sự lây lan của virus thông qua các từ khóa như “mất vị giác”, “khó thở” – giúp xác định các ổ dịch mới trước khi có báo cáo chính thức.
Báo cáo của chuyên gia y tế
Các mạng lưới chuyên biệt như ProMED-mail thu thập báo cáo từ các chuyên gia chăm sóc sức khỏe, nhà khoa học và nhân viên thực địa chia sẻ thông tin về các trường hợp bệnh truyền nhiễm bất thường hoặc mới xuất hiện.
Những báo cáo của chuyên gia vô cùng có giá trị vì chúng kết hợp các quan sát tuyến đầu với độ chính xác khoa học.
AI có thể tổng hợp những thông tin này cùng với các luồng dữ liệu khác để xác nhận các phát hiện hoặc phát hiện các mẫu hình.
Sức mạnh lớn nhất của dữ liệu không chính thức nằm ở tính kịp thời và độ rộng của nó.
Nó nắm bắt các tín hiệu có thể bị bỏ lỡ bởi các hệ thống chính thức do chậm trễ trong báo cáo hoặc khả năng xét nghiệm hạn chế.
Tuy nhiên, nó cũng có thể ồn ào và kém tin cậy hơn vì bao gồm những tin đồn chưa được xác minh hoặc thông tin sai lệch.
Để giảm thiểu điều này, các mô hình AI sử dụng các kỹ thuật lọc tiên tiến và tham chiếu chéo dữ liệu không chính thức với các nguồn chính thức để xác thực.
Dữ liệu môi trường và khí hậu
Môi trường đóng vai trò quan trọng trong sự xuất hiện và lây lan của nhiều bệnh truyền nhiễm.
Mô hình AI tích hợp dữ liệu môi trường và khí hậu để hiểu cách các yếu tố như nhiệt độ, độ ẩm, lượng mưa và thay đổi sinh thái tác động đến các vector bệnh và động lực truyền nhiễm.
Hình ảnh vệ tinh
Dữ liệu từ vệ tinh cung cấp các quan sát quy mô lớn về điều kiện môi trường bao gồm thay đổi sử dụng đất, độ che phủ của rừng, các vùng nước và biến đổi nhiệt độ.
Hình ảnh vệ tinh có thể phát hiện sự bùng nổ tảo trong các vùng nước là chỉ báo sớm về nguy cơ tả vì những sự bùng nổ như vậy thường chứa mầm bệnh.
Theo dõi những thay đổi môi trường này giúp dự đoán nơi các đợt bùng phát có thể bắt nguồn hoặc gia tăng.
Ví dụ: NASA đã sử dụng dữ liệu vệ tinh để theo dõi nhiệt độ bề mặt nước biển và dự đoán sự bùng phát tả ở Bangladesh, giúp các cơ quan y tế chuẩn bị trước 3-4 tuần.
Cảm biến mặt đất
Các trạm thời tiết và cảm biến môi trường thu thập dữ liệu địa phương về mức độ ẩm, biến đổi nhiệt độ, lượng mưa và chất lượng không khí.
Những yếu tố này tác động trực tiếp đến tỷ lệ sống sót và sinh sản của côn trùng mang bệnh như muỗi.
Khi nhiệt độ ấm kết hợp với nước tù đọng tạo ra môi trường sinh sản lý tưởng cho muỗi truyền sốt rét hoặc sốt xuất huyết.
Xu hướng khí hậu và mẫu hình theo mùa
Dữ liệu khí hậu dài hạn giúp các mô hình AI hiểu các mẫu hình theo mùa trong tỷ lệ mắc bệnh.
Nhiều bệnh truyền qua vector đạt đỉnh trong mùa mưa hoặc những tháng ấm hơn khi các vector phát triển mạnh.
Thông qua tương quan dữ liệu bùng phát lịch sử với các biến khí hậu, AI có thể dự báo các giai đoạn tương lai có nguy cơ gia tăng.
Ví dụ: Ở Ấn Độ, các mô hình AI đã dự đoán chính xác thời điểm bùng phát sốt xuất huyết dựa trên dữ liệu mưa giúp các cơ quan y tế triển khai chiến dịch diệt muỗi hiệu quả hơn.
Thông qua tích hợp thông tin môi trường với dữ liệu sức khỏe, hệ thống AI có được góc nhìn toàn diện về sinh thái bệnh tật.
Từ đó giúp ngành y tế hiểu không chỉ nơi các bệnh đang xuất hiện mà còn nơi chúng có khả năng bùng phát.
Thông tin này hỗ trợ các can thiệp y tế công cộng chủ động như kiểm soát vector có mục tiêu trước khi đợt bùng phát leo thang.
Dữ liệu di chuyển và nhân khẩu học
Một trong những yếu tố có tác động lớn nhất khi lây lan bệnh tật là di chuyển của con người.
Bệnh tật không tuân theo biên giới, và các mẫu hình mà con người di chuyển và tập trung ảnh hưởng mạnh mẽ đến cách thức nhiễm trùng lan truyền.
Các mô hình AI dựa vào dữ liệu chi tiết về di chuyển dân số và nhân khẩu học để mô phỏng và dự báo các đường dẫn truyền bệnh.
Lịch trình bay thương mại toàn cầu
Du lịch hàng không là nguyên nhân chính khiến bệnh truyền nhiễm dễ lây lan toàn cầu nhanh chóng.
Dữ liệu về các chuyến bay thương mại, tuyến đường, tần suất, khối lượng hành khách giúp hệ thống AI lập bản đồ cách thức bệnh tật có thể nhảy qua các châu lục trong vòng vài giờ.
Thông qua phân tích lịch trình bay cùng với vị trí bùng phát, AI có thể dự đoán thành phố hoặc quốc gia nào có nguy cơ cao tiếp nhận du khách bị nhiễm bệnh và có khả năng trở thành điểm nóng mới.
Trong giai đoạn đầu của các đại dịch như COVID-19, dữ liệu chuyến bay này đã chứng minh tính thiết yếu để xác định các khu vực dễ tổn thương và ưu tiên sàng lọc hoặc hạn chế đi lại.
Mô hình AI sử dụng thông tin này để mô phỏng nhiều kịch bản “giả định”, giúp các cơ quan chức năng chuẩn bị cho các mẫu hình lây lan có thể xảy ra dựa trên mạng lưới giao thông vận tải thực tế.
Ví dụ: Hệ thống BlueDot đã sử dụng dữ liệu hàng không để dự đoán chính xác rằng COVID-19 sẽ lan từ Vũ Hán đến Bangkok, Seoul và Đài Bắc trước khi WHO công bố cảnh báo đại dịch.
Mẫu hình di chuyển được ẩn danh hóa
Ngoài các chuyến bay, di chuyển của con người ở cấp độ địa phương và khu vực định hình động lực bệnh tật trong cộng đồng.
Dữ liệu thu được từ sử dụng điện thoại di động được ẩn danh hóa tiết lộ cách mọi người di chuyển khắp các thành phố và khu phố, nơi họ sống, làm việc, mua sắm hoặc tụ tập xã hội.
Dữ liệu di chuyển này giúp AI hiểu tỷ lệ tiếp xúc và các mẫu hình trộn lẫn xã hội quan trọng để mô hình hóa chuỗi nhiễm trùng.
Thông qua nghiên cứu những xu hướng di động này, AI có thể xác định các sự kiện siêu lây nhiễm tiềm năng hoặc các khu vực đông đúc có khả năng thúc đẩy truyền nhiễm.
Những thay đổi trong hành vi đi lại trong thời gian phong tỏa hoặc ngày lễ có thể được theo dõi gần như thời gian thực, giúp các mô hình điều chỉnh dự đoán tương ứng.
Ví dụ: Google Mobility Reports trong đại dịch COVID-19 đã cung cấp dữ liệu về việc giảm di chuyển đến các địa điểm bán lẻ, công viên, và nơi làm việc.
Vì vậy giúp các nhà nghiên cứu đánh giá hiệu quả của các biện pháp hạn chế.
Mật độ dân số và hồ sơ nhân khẩu học
Mật độ dân số tác động trực tiếp đến mức độ dễ dàng lây lan của bệnh tật.
Các trung tâm đô thị đông đúc với điều kiện sống dày đặc thường trải qua sự truyền nhiễm nhanh hơn so với các khu vực nông thôn hoặc thưa dân.
Bổ sung các biến nhân khẩu học như phân bố tuổi, quy mô hộ gia đình hoặc tình trạng kinh tế xã hội càng tinh chỉnh khả năng của AI trong việc dự đoán không chỉ nơi mà còn ai có thể bị ảnh hưởng nhiều nhất.
Ví dụ: dân số cao tuổi có thể dễ bị tổn thương hơn với các kết quả nghiêm trọng từ một số loại nhiễm trùng nhất định, trong khi các nhóm trẻ tuổi có thể thúc đẩy sự truyền nhiễm thông qua các tương tác xã hội.
Tích hợp sắc thái nhân khẩu học giúp điều chỉnh các phản ứng y tế công cộng để bảo vệ các nhóm có nguy cơ cao một cách hiệu quả.
Mẫu hình di chuyển và chi tiết nhân khẩu học tạo ra một bức tranh thực tế về cách thức bệnh tật di chuyển qua các quần thể dân số.
Không có lớp dữ liệu này, các dự đoán của AI có nguy cơ đơn giản hóa quá mức khi không tính đến các hành vi phức tạp của con người thúc đẩy các đợt bùng phát.
Dữ liệu này trao quyền cho các mô hình dự báo không chỉ sự lây lan địa lý mà còn cường độ và tốc độ truyền nhiễm trong các cộng đồng khác nhau.
Dữ liệu gen và sinh học phân tử
Giải trình tự gen và sinh học phân tử cung cấp góc nhìn vi mô về các mầm bệnh gây ra bệnh tật.
Vì vậy mang đến những thông tin thiết yếu để hiểu hành vi và mức độ đe dọa của chúng.
Giải trình tự bộ gen mầm bệnh
Giải trình tự bộ gen của virus hoặc vi khuẩn từ bệnh nhân bị nhiễm bệnh giúp hệ thống AI theo dõi những thay đổi di truyền theo thời gian.
Những đột biến này có thể thay đổi khả năng truyền nhiễm, mức độ nghiêm trọng hoặc cách thức mầm bệnh trốn tránh hệ thống miễn dịch.
Thông qua phân tích các trình tự gen từ nhiều mẫu trên toàn thế giới, AI có thể xác định các biến thể mới nổi có thể đặt ra những rủi ro gia tăng.
Ví dụ: trong đại dịch COVID-19, giải trình tự nhanh chóng đã giúp các nhà khoa học phát hiện sớm các biến thể như Delta và Omicron.
Các thuật toán AI đã xử lý những trình tự này để đánh giá các mẫu hình đột biến liên quan đến khả năng lây nhiễm cao hơn hoặc kháng vaccine.
Từ đó hướng dẫn các chiến lược y tế công cộng như chiến dịch tiêm nhắc lại hoặc phát triển vaccine cập nhật.
Ví dụ: Hệ thống GISAID đã thu thập hơn 15 triệu trình tự gen SARS-CoV-2 từ khắp nơi trên thế giới, giúp AI phát hiện biến thể Omicron chỉ sau 3 ngày kể từ khi mẫu đầu tiên được upload từ Nam Phi.
Theo đột biến và phát hiện biến thể
AI xuất sắc để nhận dạng mẫu hình trong các bộ dữ liệu gen lớn.
Nó có thể phát hiện những thay đổi tinh vi mà con người có thể bỏ qua và dự đoán tác động tiềm năng của chúng dựa trên các cơ chế sinh học đã biết.
Khả năng này hỗ trợ cảnh báo sớm khi các biến thể mới với những đột biến đáng lo ngại xuất hiện.
Hơn nữa, theo dõi những đột biến này giúp hiểu cách thức mầm bệnh tiến hóa để phản ứng với các can thiệp như thuốc kháng virus hoặc vaccine.
Thông tin này rất quan trọng để dự đoán kháng thuốc hoặc thoát khỏi miễn dịch, giúp điều chỉnh chủ động trong các giao thức điều trị.
Dự đoán kháng thuốc
Dữ liệu sinh học phân tử cũng cung cấp thông tin cho các dự đoán về kháng kháng sinh khi mầm bệnh phát triển khả năng kháng lại các loại thuốc hiện có.
Thông qua phân tích các dấu hiệu di truyền liên quan đến các đặc tính kháng thuốc, AI có thể dự báo những thất bại điều trị tiềm năng và khuyến nghị các liệu pháp thay thế.
Giám sát ở cấp độ phân tử rất quan trọng để quản lý các bệnh như lao hoặc sốt rét, nơi kháng thuốc đe dọa các nỗ lực kiểm soát toàn cầu.
Ví dụ: WHO đã sử dụng AI để phân tích dữ liệu gen của vi khuẩn lao từ 194 quốc gia, giúp dự đoán kháng thuốc với độ chính xác 95% và giảm thời gian xét nghiệm từ 2-3 tháng xuống còn vài ngày.
Tích hợp thông tin di truyền biến đổi dự đoán bệnh tật từ việc đơn thuần theo dõi sự lây lan sang hiểu sự tiến hóa mầm bệnh trong thời gian thực.
Từ đó nâng cao khả năng chuẩn bị bằng cách tạo ra phản ứng nhanh hơn với các mối đe dọa đang thay đổi do các biến thể mới hoặc chủng kháng thuốc gây ra.
Dữ liệu kinh tế xã hội và chính sách
Bệnh tật không tác động đồng đều lên các quần thể dân số.
Các yếu tố xã hội và quyết định chính sách định hình cả tính dễ bị tổn thương và thành công trong việc ngăn chặn.
Mô hình AI bao gồm các chỉ số kinh tế xã hội và chính sách y tế công cộng đạt được các dự đoán chính xác và khả thi hơn.
Chính sách y tế công cộng và can thiệp
Dữ liệu về các hành động của chính phủ như lệnh phong tỏa, bắt buộc đeo khẩu trang, chiến dịch tiêm chủng, đóng cửa trường học hoặc hạn chế đi lại cung cấp bối cảnh quan trọng để mô hình hóa quỹ đạo bệnh tật.
Những chính sách này tác động trực tiếp đến tỷ lệ truyền nhiễm bằng cách thay đổi các mẫu hình tiếp xúc hoặc mức độ miễn dịch.
AI sử dụng thông tin này để mô phỏng cách thức các can thiệp khác nhau ảnh hưởng đến động lực bùng phát.
Một mô hình có thể cho thấy rằng khi áp đặt bắt buộc đeo khẩu trang làm giảm tỷ lệ truyền nhiễm một số phần trăm nhất định hoặc việc mở lại trường học tăng nguy cơ dưới các điều kiện cụ thể.
Ví dụ: Nghiên cứu của Imperial College London đã sử dụng AI để đánh giá tác động của các biện pháp phong tỏa ở châu Âu, cho thấy các biện pháp này đã ngăn chặn khoảng 3,1 triệu ca tử vong trong 11 quốc gia.
Chỉ số kinh tế
Các điều kiện kinh tế như tỷ lệ việc làm, mức thu nhập, khả năng tiếp cận chăm sóc sức khỏe và chất lượng nhà ở ảnh hưởng đến cả tính nhạy cảm với bệnh tật và khả năng phản ứng.
Các quần thể dân số đối mặt với nghèo đói hoặc tình trạng sống đông đúc thường trải qua nguy cơ phơi nhiễm cao hơn và kết quả sức khỏe kém hơn.
Tích hợp dữ liệu kinh tế giúp các mô hình AI xác định các cộng đồng có thể cần hỗ trợ hoặc tài nguyên có mục tiêu để quản lý đợt bùng phát hiệu quả.
Nó cũng giúp dự đoán các tác động gián tiếp như căng thẳng hệ thống chăm sóc sức khỏe hoặc hậu quả kinh tế xã hội từ các đại dịch kéo dài.
Ví dụ: Các nghiên cứu ở Mỹ cho thấy các khu vực có thu nhập thấp có tỷ lệ mắc COVID-19 cao gấp 2-3 lần so với khu vực giàu có, do điều kiện sống đông đúc và không thể làm việc từ xa.
Chính trị và xu hướng hành vi xã hội
Xu hướng chính trị và thái độ văn hóa đối với các biện pháp y tế có thể ảnh hưởng đến sự tuân thủ các hướng dẫn như tiêm chủng hoặc giãn cách xã hội.
Mô hình AI ngày càng xem xét dữ liệu hành vi như vậy có nguồn gốc từ khảo sát hoặc phân tích tình cảm mạng xã hội để tinh chỉnh dự đoán.
Hiểu những động lực xã hội này giúp các quan chức y tế công cộng xây dựng các chiến lược truyền thông phù hợp với mối quan tâm cụ thể của cộng đồng hoặc các điểm kháng cự.
Ví dụ: Nghiên cứu tại Đức đã sử dụng dữ liệu từ các cuộc thăm dò ý kiến và mạng xã hội để dự đoán tỷ lệ tiêm vaccine COVID-19 theo từng bang, giúp điều chỉnh chiến lược truyền thông và phân bổ vaccine hiệu quả hơn.
Tích hợp những yếu tố này đảm bảo rằng các mô hình dự đoán bệnh tật phản ánh đúng những phức tạp thực tế ảnh hưởng đến kết quả bùng phát.
Cách tiếp cận toàn diện cải thiện mức độ liên quan của dự báo đối với các nhà hoạch định chính sách cân bằng rủi ro sức khỏe với các cân nhắc kinh tế và xã hội.
Thuật toán AI dự đoán dịch bệnh
Xử lý ngôn ngữ tự nhiên
Xử lý ngôn ngữ tự nhiên là một công nghệ cốt lõi giúp máy tính có thể “đọc” và “hiểu” lượng lớn dữ liệu văn bản không có cấu trúc bằng nhiều ngôn ngữ.
Khác với các định dạng dữ liệu có cấu trúc như bảng tính hoặc cơ sở dữ liệu, dữ liệu ngôn ngữ tự nhiên xuất hiện dưới dạng bài báo, bài đăng mạng xã hội, báo cáo y tế và các nguồn văn bản khác thiếu định dạng rõ ràng.
NLP biến đổi văn bản hỗn độn này thành thông tin có ý nghĩa mà các mô hình AI có thể sử dụng để dự đoán bệnh tật.
Cách hoạt động
Chức năng thiết yếu của NLP trong dự báo bệnh tật là khả năng tự động trích xuất các mảnh thông tin quan trọng từ văn bản không có cấu trúc.
NLP giúp nhận diện tên bệnh, địa điểm bị ảnh hưởng, số ca báo cáo, triệu chứng và các chi tiết liên quan khác rải rác trên nhiều tài liệu và nền tảng trực tuyến.
Khi một báo cáo mới xuất hiện về đợt bùng phát cúm ở một thành phố cụ thể, các thuật toán NLP quét văn bản để nhận ra các cụm từ như “cúm,” “sốt,” “ho,” hoặc đề cập đến tên thành phố.
Sau đó chúng chuyển đổi văn bản thô này thành các điểm dữ liệu có cấu trúc có thể được phân tích thêm bởi các mô hình dự đoán.
Ví dụ thực tế: Hệ thống HealthMap sử dụng NLP để theo dõi hơn 50.000 nguồn tin tức bằng 15 ngôn ngữ khác nhau, giúp phát hiện đợt bùng phát MERS ở Trung Đông sớm hơn WHO 2 tuần.
Các kỹ thuật được sử dụng
Một số kỹ thuật NLP đã được thiết lập tốt hỗ trợ quy trình này:
- Nhận diện thực thể có tên (NER): Xác định và phân loại các thực thể như tên bệnh, địa điểm, ngày tháng và số ca trong văn bản.
- Phân tích tình cảm: Đánh giá mức độ lo lắng hoặc hoảng loạn của công chúng trong các bài đăng mạng xã hội liên quan đến đợt bùng phát bệnh.
- Mô hình hóa chủ đề: Nhóm các tài liệu thảo luận về các chủ đề tương tự để phát hiện xu hướng mới xuất hiện.
- Xử lý đa ngôn ngữ: Đảm bảo hiểu được các báo cáo bằng nhiều ngôn ngữ khác nhau, điều quan trọng cho giám sát bệnh tật toàn cầu.
Ứng dụng thực tế
Khả năng của NLP khi sàng lọc hàng triệu bài báo và tin nhắn mạng xã hội theo thời gian thực đã chứng minh giá trị vô giá.
Trong giai đoạn đầu của đại dịch COVID-19, các công cụ NLP đã phát hiện các cụm ca viêm phổi bất thường được báo cáo ở Vũ Hán trước khi có số liệu thống kê chính thức.
Thông qua liên tục theo dõi các luồng tin tức toàn cầu và cuộc trò chuyện trực tuyến, các tổ chức y tế có thể nhận được cảnh báo sớm về các đợt bùng phát có thể xảy ra.
Hơn nữa, NLP hỗ trợ theo dõi các triệu chứng được công chúng báo cáo thông qua các nền tảng xã hội.
Nó có thể xác định các báo cáo về vấn đề hô hấp hoặc tăng đột biến sốt ở một khu vực cụ thể, điều có thể báo hiệu sự xuất hiện của một mối đe dọa truyền nhiễm mới.
Ví dụ: Dự án Flu Near You sử dụng NLP để phân tích các báo cáo triệu chứng tự nguyện từ người dùng, giúp CDC Mỹ theo dõi hoạt động cúm với độ chính xác tương đương với hệ thống giám sát truyền thống nhưng nhanh hơn 1-2 tuần.
Học máy và học sâu
Trong khi NLP trích xuất dữ liệu có ý nghĩa từ văn bản, sức mạnh dự đoán nằm ở các thuật toán Học Máy (ML) và Học Sâu (DL).
Những kỹ thuật AI này học các mẫu hình từ dữ liệu lịch sử và đưa ra dự đoán dựa trên những mối quan hệ đã học được.
Học máy có thể được coi như “bộ não” của hệ thống AI để dự đoán bệnh tật.
Nó sử dụng các thuật toán để phát hiện các mẫu hình ẩn trong bộ dữ liệu phức tạp và áp dụng những hiểu biết đó vào dữ liệu mới.
Học sâu, một phần của ML được lấy cảm hứng từ cách thức hoạt động của não người.
Học sâu sử dụng mạng nơ-ron nhân tạo để mô hình hóa những mẫu hình này với độ chính xác đáng kinh ngạc.
Học có giám sát
Một trong những cách tiếp cận phổ biến nhất là học có giám sát.
Trong phương pháp này, các mô hình được huấn luyện trên bộ dữ liệu lịch sử nơi kết quả đã được biết.
Ví dụ: các đợt bùng phát bệnh trước đây với ngày tháng, địa điểm, số ca và các đặc điểm liên quan khác được ghi lại.
Thông qua học từ những ví dụ được gán nhãn, mô hình có giám sát có thể xác định dấu hiệu cảnh báo trong dữ liệu mới giống với các đợt bùng phát trước đây.
Nếu sự kết hợp của các triệu chứng và mẫu hình địa lý đã xảy ra trước một đợt bùng phát trước đây, mô hình học cách nhận ra các tín hiệu tương tự khi chúng xuất hiện lại.
Ví dụ: Mô hình ARGO của Google đã được huấn luyện trên dữ liệu cúm từ 2003-2008 và có thể dự đoán xu hướng cúm sớm hơn CDC 1-2 tuần với độ chính xác 85%.
Mạng Nơ-ron tích chập (CNNs)
Đặc biệt hiệu quả để phân tích dữ liệu có cấu trúc không gian như hình ảnh. CNNs đã được sử dụng rộng rãi để phát hiện dấu hiệu bệnh lý trên hình ảnh y tế như X-quang hoặc CT scan.
Ví dụ: trong đại dịch COVID-19, các CNNs như VGG16 và ResNet50 đã chứng minh độ chính xác tương đương hoặc vượt trội so với các bác sĩ X-quang trong khả năng xác định tổn thương phổi do virus gây ra.
Ngoài hình ảnh y tế, CNNs có thể phân tích hình ảnh vệ tinh để đánh giá các yếu tố rủi ro môi trường có thể góp phần vào sự lây lan bệnh tật như các khu vực nước ứ đọng dễ sinh sôi muỗi.
Ví dụ: Nghiên cứu tại Đại học Stanford cho thấy CNN có thể phát hiện COVID-19 từ X-quang ngực với độ chính xác 89%, giúp tăng tốc chẩn đoán ở các bệnh viện thiếu chuyên gia X-quang.
Mạng Nơ-ron hồi quy (RNNs) và LSTM
Những kiến trúc này xuất sắc để xử lý dữ liệu tuần tự hoặc chuỗi thời gian.
Trong dự đoán bệnh tật, chúng thường được sử dụng để dự báo số ca mới hàng ngày dựa trên xu hướng từ những ngày trước đó.
Khả năng ghi nhớ các chuỗi dài làm cho chúng lý tưởng để mô hình hóa cách thức một đợt bùng phát phát triển theo thời gian.
Học không giám sát
Không phải tất cả những thông tin có giá trị đều đến từ dữ liệu được gán nhãn.
Các thuật toán học không giám sát xác định những bất thường hoặc cụm trong bộ dữ liệu không được gán nhãn.
Khả năng này rất quan trọng để phát hiện các tín hiệu bệnh tật bất ngờ chưa được phân loại trước đây.
Một thuật toán không giám sát có thể đánh dấu một cụm đột ngột các báo cáo đề cập đến triệu chứng hô hấp bất thường ở một khu vực cụ thể mà không có kiến thức trước rằng mẫu hình này cho thấy một đợt bùng phát.
Khả năng phát hiện sớm này có thể thúc đẩy điều tra thêm trước khi dịch bệnh lan rộng.
Ví dụ: Hệ thống EPIWATCH sử dụng học không giám sát để phân tích dữ liệu mạng xã hội và đã phát hiện đợt bùng phát virus Zika ở Brazil trước WHO 6 tuần thông qua việc nhận diện cụm từ “bệnh lạ” và “sốt” bất thường.
AI tạo sinh
Một lĩnh vực mới đang thu hút sự chú ý là AI tạo sinh.
Đây là các mô hình tạo ra dữ liệu tổng hợp hoặc mô phỏng các kịch bản phức tạp.
Trong dự đoán bệnh tật, AI tạo sinh có thể làm giàu bộ dữ liệu huấn luyện với hình ảnh y tế hoặc hồ sơ bệnh nhân được tạo ra nhân tạo để cải thiện độ bền vững của mô hình khi dữ liệu thực tế khan hiếm.
Hơn nữa, mô hình tạo sinh có thể mô phỏng cách thức bệnh tật có thể lây lan dưới các điều kiện khác nhau, giúp các quan chức y tế công cộng chuẩn bị cho nhiều kịch bản bùng phát khác nhau.
Khả năng mô phỏng này đặc biệt có giá trị khi đối phó với các mầm bệnh mới lạ nơi dữ liệu lịch sử bị hạn chế hoặc không tồn tại.
Ví dụ: DeepMind đã phát triển mô hình AI sinh tạo có thể tạo ra hàng triệu kịch bản lây lan COVID-19 khác nhau, giúp các chính phủ châu Âu đánh giá hiệu quả của 200+ biện pháp can thiệp khác nhau trước khi thực hiện.
Phân phối thông tin
Cảnh báo sớm
Bản chất cốt lõi của việc dự đoán dịch bệnh là cung cấp các cảnh báo sớm trước khi dịch bệnh bùng phát.
Hệ thống AI liên tục giám sát nhiều nguồn dữ liệu khác nhau như tin tức, mạng xã hội và hồ sơ y tế để phát hiện tín hiệu của các mối đe dọa mới.
Khi một rủi ro tiềm ẩn được xác định, các cảnh báo tự động sẽ được tạo ra và gửi đến người dùng.
Những cảnh báo sớm này thường được phân loại dựa trên mức độ rủi ro như cao, trung bình hoặc thấp.
Do đó giúp người nhận có thể ưu tiên sự chú ý và nỗ lực phản ứng của họ một cách phù hợp.
Ví dụ: một cảnh báo rủi ro cao có thể chỉ ra một ổ nhiễm lây lan nhanh chóng ở khu vực đô thị lớn, thúc đẩy điều tra khẩn cấp và huy động tài nguyên.
Các cảnh báo rủi ro trung bình hoặc thấp có thể báo hiệu các mô hình mới xuất hiện cần được theo dõi nhưng không cần hành động ngay lập tức.
Hiệu quả của cảnh báo sớm phụ thuộc vào khả năng phổ biến nhanh chóng qua nhiều kênh thông tin như email, SMS, ứng dụng chuyên dụng hoặc tích hợp vào các hệ thống thông tin y tế hiện có.
Cung cấp thông báo kịp thời, AI hỗ trợ các quan chức y tế công cộng, bệnh viện và thậm chí cả công chúng có thể thực hiện các biện pháp chủ động như tăng cường xét nghiệm, đưa ra khuyến cáo du lịch hoặc nâng cao nhận thức về vệ sinh.
Đây là những hình thức có thể ngăn chặn dịch bệnh trước khi chúng lan rộng.
Ví dụ: Trong đợt bùng phát cúm gia cầm H5N1 gần đây, các hệ thống AI đã phát hiện sự gia tăng bất thường các báo cáo về chim chết hàng loạt trên mạng xã hội, gửi cảnh báo sớm đến các cơ quan thú y 48 giờ trước khi các ca nhiễm được xác nhận chính thức.
Bản đồ điểm nóng
Dữ liệu thô và các cảnh báo dạng văn bản có thể khó diễn giải chỉ trong một cái nhìn.
Bản đồ điểm nóng chuyển đổi dữ liệu dịch tễ học phức tạp thành các hình ảnh trực quan địa lý trực quan, làm nổi bật các khu vực có rủi ro cao hoặc đang có sự lây truyền.
Thông qua vẽ số ca bệnh hoặc điểm rủi ro lên bản đồ được phủ lớp với thông tin nhân khẩu học và môi trường, công cụ trực quan giúp những người ra quyết định nhanh chóng xác định các khu vực đang trải qua hoạt động dịch bệnh đáng kể.
Một bản đồ nhiệt có thể hiển thị các vùng đỏ đậm trên các khu phố có tỷ lệ nhiễm tăng cao trong khi các màu mát hơn chỉ ra các khu vực có rủi ro thấp.
Bản đồ điểm nóng có giá trị không thể thiếu khi lập kế hoạch chiến lược.
Chúng hướng dẫn nơi cần phân bổ vật tư y tế, triển khai các điểm xét nghiệm, hoặc tập trung các chiến dịch giáo dục công cộng.
Chúng cũng giúp các nhà hoạch định chính sách theo dõi cách một đợt bùng phát phát triển về mặt không gian theo thời gian.
Ngoài ra, bản đồ điểm nóng có thể tương tác, hỗ trợ người dùng phóng to vào các vị trí cụ thể hoặc phủ lớp các dữ liệu khác nhau như công suất bệnh viện hoặc mô hình di chuyển.
Khả năng trực quan hóa linh động thúc đẩy thông tin tốt hơn về bối cảnh địa lý của đợt bùng phát và hỗ trợ các can thiệp chính xác hơn.
Ví dụ: Bản đồ điểm nóng COVID-19 đã sử dụng dữ liệu từ ứng dụng giao hàng để xác định các khu vực có mật độ đơn hàng thuốc hạ sốt cao bất thường.
Do đó giúp phát hiện sớm các ổ dịch tiềm ẩn trước khi có báo cáo chính thức.
Dự báo quỹ đạo lây lan
Biết được một căn bệnh có thể lan truyền tới đâu tiếp theo là điều thiết yếu cho các chiến lược ngăn chặn.
Các mô hình AI sử dụng dữ liệu di chuyển như lưu lượng hành khách hàng không, tuyến đường tàu hỏa và mô hình giao thông đường bộ để ước tính cách một tác nhân truyền nhiễm có thể di chuyển từ khu vực bùng phát ban đầu đến các thành phố hoặc quốc gia khác.
Dự báo quỹ đạo lan truyền cung cấp dự đoán xác suất về những địa điểm nào có khả năng cao nhất báo cáo các ca mới sớm.
Chúng thường kết hợp các yếu tố bổ sung như mật độ dân số, cơ sở hạ tầng y tế địa phương và mô hình hành vi xã hội để tinh chỉnh các ước tính của mình.
Ví dụ: trong các giai đoạn bùng phát COVID-19 sớm, các mô hình AI đã phân tích dữ liệu giao thông hàng không toàn cầu để dự đoán những trung tâm quốc tế nào có rủi ro cao nhất trong việc nhập khẩu các ca bệnh từ các khu vực bị ảnh hưởng.
Những dự báo này đã giúp các chính phủ quyết định nơi thực hiện sàng lọc sân bay và các biện pháp cách ly.
Thông qua dự đoán trước các con đường lây truyền bệnh, dự báo quỹ đạo lan truyền tạo điều kiện cho các hành động phòng ngừa như hạn chế du lịch hoặc chiến dịch tiêm chủng nhắm mục tiêu ở các khu vực dễ bị tổn thương.
Thông tin hướng tới tương lai này giảm thời gian phản ứng và cải thiện hiệu quả của các phản ứng y tế công cộng.
Ví dụ: Các mô hình AI đã dự đoán chính xác sự lan truyền của biến thể Omicron từ Nam Phi sang Việt Nam thông qua các tuyến bay trung chuyển qua Dubai và Singapore.
Do đó giúp cơ quan chức năng chuẩn bị sẵn sàng các biện pháp kiểm soát tại các sân bay quốc tế.
Báo cáo đánh giá rủi ro
Mặc dù AI xuất sắc trong xử lý các tập dữ liệu lớn và tạo ra dự đoán nhanh chóng, chuyên môn của con người vẫn quan trọng để diễn giải những kết quả này trong bối cảnh.
Báo cáo đánh giá rủi ro là các tài liệu toàn diện được chuẩn bị bởi các nhà dịch tễ học và chuyên gia y tế công cộng.
Đây là những người phân tích đầu ra AI cùng với các thông tin liên quan khác.
Các báo cáo này cung cấp giải thích chi tiết về bối cảnh đe dọa hiện tại, các động lực cơ bản của sự lan truyền bệnh (như các cuộc tập trung xã hội hoặc yếu tố khí hậu), và những hậu quả tiềm tăng nếu không có hành động nào được thực hiện.
Chúng dịch các kết quả mô hình kỹ thuật thành ngôn ngữ dễ tiếp cận mà các nhà hoạch định chính sách có thể hiểu và tin tưởng.
Các báo cáo như vậy thường bao gồm các khuyến nghị về can thiệp dựa trên cả phát hiện AI và kiến thức rộng lớn hơn về hệ thống y tế và các yếu tố xã hội.
Chúng đóng vai trò như những công cụ có giá trị cho các cơ quan chính phủ xây dựng các chính sách y tế công cộng hoặc kế hoạch phản ứng khẩn cấp.
Sự hợp tác giữa dữ liệu do AI tạo ra và phân tích chuyên gia đảm bảo các quyết định được dựa trên cả bằng chứng định lượng và hiểu biết định tính làm cho các phản ứng cân bằng và hiệu quả hơn.
Ví dụ: Báo cáo đánh giá rủi ro về dịch sốt xuất huyết đã kết hợp dữ liệu AI về mức độ ô nhiễm nước với phân tích chuyên gia về thói quen sinh hoạt địa phương.
Từ đó dẫn đến chiến lược phòng chống hiệu quả tập trung vào các khu vực có điều kiện thuận lợi cho muỗi sinh sản.
Hỗ trợ ra quyết định lâm sàng
Ở cấp độ vi mô, vai trò của AI mở rộng ra ngoài các dự đoán toàn dân để hỗ trợ các nhà cung cấp dịch vụ y tế cá nhân trong việc đưa ra quyết định lâm sàng.
Thông qua phân tích dữ liệu cụ thể của bệnh nhân như hình ảnh y khoa, kết quả xét nghiệm và lịch sử lâm sàng, thuật toán AI đưa ra gợi ý chẩn đoán và thông tin chi tiết về tiên lượng.
Ví dụ: mô hình học sâu được huấn luyện trên hàng nghìn hình ảnh X-quang có thể phát hiện các dấu hiệu viêm phổi cho thấy mức độ nghiêm trọng của COVID-19.
Những thông tin chi tiết này giúp bác sĩ đánh giá liệu một bệnh nhân có khả năng phát triển bệnh nặng cần chăm sóc đặc biệt hay có thể được quản lý với điều trị tiêu chuẩn.
Hỗ trợ quyết định lâm sàng cá nhân hóa đảm bảo các can thiệp kịp thời được điều chỉnh theo tình trạng của từng bệnh nhân thay vì chỉ dựa vào các hướng dẫn chung.
Nó nâng cao độ chính xác chẩn đoán, tối ưu hóa kế hoạch điều trị và cải thiện kết quả bệnh nhân trong các đợt bùng phát khi hệ thống y tế phải đối mặt với nhu cầu quá tải.
Tích hợp các khuyến nghị được điều khiển bởi AI này vào hồ sơ y tế điện tử hoặc quy trình lâm sàng tạo điều kiện truy cập liền mạch cho các bác sĩ mà không làm gián đoạn công việc thường ngày của họ.
Ví dụ: Hệ thống AI tại Bệnh viện đã phân tích hình ảnh CT phổi kết hợp với các chỉ số sinh hóa để dự đoán nguy cơ suy hô hấp ở bệnh nhân COVID-19.
Do đó giúp bác sĩ quyết định thời điểm chuyển bệnh nhân vào ICU một cách chính xác, giảm 30% thời gian nằm viện không cần thiết.
Triển khai thực tế thành công
BlueDot: Mô hình thông tin y tế toàn cầu
BlueDot là một công ty tư nhân Canada được công nhận rộng rãi là một trong những tổ chức đầu tiên áp dụng thành công AI để dự đoán dịch bệnh toàn cầu.
Nền tảng của họ hoạt động như một giải pháp Phần mềm dưới dạng Dịch vụ (SaaS).
Nó cung cấp thông tin dịch bệnh cho các khách hàng trả phí bao gồm chính phủ, tổ chức y tế công cộng, bệnh viện và các tập đoàn đa quốc gia.
Mô hình SaaS này giúp BlueDot liên tục cung cấp các đánh giá rủi ro và cảnh báo được cập nhật mà không yêu cầu khách hàng phải xây dựng hoặc duy trì cơ sở hạ tầng AI phức tạp.
Nền tảng này hoạt động như một hệ thống cảnh báo sớm giúp người dùng đưa ra quyết định chính xác về chuẩn bị và ứng phó với dịch bệnh.
Cơ chế hoạt động
Trung tâm của nền tảng BlueDot là các thuật toán AI tinh vi đặc biệt là xử lý ngôn ngữ tự nhiên (NLP) và học máy (ML) liên tục quét hàng trăm nghìn nguồn dữ liệu trên toàn thế giới.
Dữ liệu đầu vào bao gồm bài báo, tuyên bố chính thức của chính phủ, diễn đàn y tế và thông tin công cộng liên quan khác, được thu thập bằng hơn 130 ngôn ngữ.
Thành phần NLP “đọc” và diễn giải văn bản phi cấu trúc từ các nguồn đa ngôn ngữ này để trích xuất các chi tiết chủ chốt như tên bệnh, số ca, địa điểm và triệu chứng.
Các mô hình ML sau đó phân tích thông tin để xác định các mẫu và tín hiệu cho thấy các mối đe dọa sức khỏe mới nổi.
Tuy nhiên, hệ thống BlueDot không chỉ dựa vào đầu ra AI.
Khi các rủi ro tiềm ẩn được gắn cờ bởi các thuật toán, một nhóm chuyên gia đa ngành bao gồm bác sĩ y khoa, bác sĩ thú y và nhà dịch tễ học sẽ xem xét và xác minh cẩn thận các phát hiện trước khi đưa ra cảnh báo cho khách hàng.
Vai trò của con người trong vòng lặp này đảm bảo độ chính xác cao và hiểu biết theo ngữ cảnh, ngăn chặn báo động giả và tăng độ tin cậy.
Yếu tố khác biệt
Một trong những lợi thế cạnh tranh quan trọng nhất của BlueDot nằm ở khả năng tích hợp độc quyền dữ liệu du lịch hàng không thương mại vào các mô hình dự đoán của mình.
Thông qua phân tích các tuyến bay, khối lượng hành khách và kết nối giữa các thành phố trên toàn thế giới, BlueDot có thể ước tính cách bệnh tật lan truyền về mặt địa lý từ một địa điểm bùng phát ban đầu.
Cách tiếp cận này cung cấp dự báo có độ chính xác cao về những thành phố hoặc quốc gia nào có khả năng cao nhất sẽ đón nhận khách du lịch bị nhiễm bệnh tiếp theo.
Những thông tin chi tiết như vậy rất quan trọng để điều chỉnh các can thiệp y tế công cộng như sàng lọc sân bay hoặc khuyến cáo du lịch tới những địa điểm có rủi ro cao nhất.
Thông qua kết hợp dữ liệu dịch tễ học truyền thống với các mẫu di chuyển thời gian thực, BlueDot mang lại một bức tranh toàn diện và năng động hơn về sự lây truyền bệnh toàn cầu so với nhiều hệ thống giám sát truyền thống.
Thành tựu đáng chú ý
Thành công được công bố rộng rãi nhất của BlueDot đến trong sự xuất hiện của COVID-19.
Vào ngày 31 tháng 12 năm 2019, BlueDot đã cảnh báo khách hàng về một ổ viêm phổi không rõ nguồn gốc tại Vũ Hán, Trung Quốc.
Cảnh báo này đến trước sáu ngày so với thông báo chính thức của Tổ chức Y tế Thế giới (WHO) và chín ngày trước Trung tâm Kiểm soát và Phòng ngừa Dịch bệnh Hoa Kỳ (CDC).
Ngoài khả năng xác định đợt dịch bùng phát, BlueDot đã dự đoán chính xác rằng các thành phố có rủi ro cao tiếp theo sẽ là Bangkok, Seoul, Taipei và Tokyo.
Những dự đoán này sau đó được xác nhận khi virus lan truyền quốc tế.
Trước COVID-19, BlueDot cũng được báo cáo đã dự đoán trước đợt bùng phát virus Zika ở Florida sáu tháng trước khi nó xảy ra.
Từ đó cho thấy khả năng nhất quán của công nghệ của họ trong khả năng phát hiện sớm các mối đe dọa mới.
Vai trò với cộng động y tế
Thông tin khả thi được tạo ra bởi BlueDot đã được các chính phủ như Canada và các tổ chức như CDC Đài Loan sử dụng để thông báo cho các chiến lược can thiệp sớm.
Điều này bao gồm tăng cường các quy trình sàng lọc sân bay, điều chỉnh khuyến cáo du lịch và chuẩn bị hệ thống y tế cho các đợt gia tăng ca bệnh tiềm ẩn.
Thông qua cung cấp cảnh báo sớm với độ chính xác không gian cao, BlueDot trao quyền cho các cơ quan chức năng hành động chủ động thay vì phản ứng nên có thể giảm quy mô và mức độ nghiêm trọng của các đợt bùng phát.
Thành công của BlueDot không chỉ minh chứng cho tiềm năng to lớn của AI trong dự đoán dịch bệnh, mà còn chỉ ra tầm quan trọng khi kết hợp công nghệ tiên tiến với chuyên môn của con người để tạo ra các hệ thống cảnh báo sớm đáng tin cậy và hiệu quả.
HealthMap: Giám sát dịch tễ mã nguồn mở
HealthMap được tạo ra bởi các nhà nghiên cứu tại Bệnh viện Nhi Boston phối hợp với các chuyên gia từ Đại học Harvard.
Khác với các nền tảng thương mại, HealthMap có thể truy cập miễn phí với bất kỳ ai có kết nối internet.
Như vậy thể hiện nguyên tắc thông tin dịch bệnh kịp thời nên có sẵn cho tất cả các bên liên quan từ quan chức chính phủ và nhà khoa học đến nhà báo và công chúng.
Mô hình truy cập mở của nó khuyến khích tính minh bạch và sự tham gia rộng rãi trong việc giám sát dịch bệnh.
Vì vậy giúp thu hẹp khoảng cách giữa các hệ thống giám sát chính thức và các nguồn thông tin đa dạng.
Các tổ chức y tế có thể phát triển theo mô hình mở tương tự, tạo ra nền tảng miễn phí để các trạm y tế xã, phường có thể báo cáo và theo dõi tình hình dịch bệnh địa phương một cách trực quan và dễ sử dụng.
Mô hình hoạt động
Hệ thống tự động tổng hợp dữ liệu từ nhiều nguồn công khai có sẵn.
Những nguồn này bao gồm các bộ tổng hợp tin tức như Google News, diễn đàn thảo luận chuyên nghiệp như ProMED-mail và báo cáo chính thức từ các tổ chức như Tổ chức Y tế Thế giới (WHO).
Sau khi thu thập, các thuật toán AI của HealthMap phân loại báo cáo theo loại mầm bệnh và vị trí địa lý.
Dữ liệu được xử lý sau đó được trực quan hóa trên bản đồ thế giới tương tác cập nhật liên tục.
Vì thế hỗ trợ người dùng tìm hiểu hoạt động dịch bệnh gần như thời gian thực.
Quy trình tự động này giúp HealthMap giám sát hàng nghìn báo cáo hàng ngày trên nhiều ngôn ngữ và định dạng.
Do đó nhanh chóng phát hiện các ổ dịch bất thường hoặc đợt bùng phát mới nổi.
Yếu tố khác biệt
Điểm mạnh lớn nhất của HealthMap nằm ở khả năng cung cấp cái nhìn tổng quan toàn diện nhưng thân thiện với người dùng về xu hướng bệnh truyền nhiễm toàn cầu.
Thông qua khả năng củng cố thông tin từ các nguồn phi truyền thống cùng với dữ liệu chính thức, nó mang lại bức tranh phong phú và tinh tế hơn về cảnh quan dịch bệnh.
Tính năng này đã chứng minh giá trị khi khai thác các báo cáo không chính thức, cuộc trò chuyện trên mạng xã hội và bao quát truyền thông.
Đây là các luồng dữ liệu thường bị bỏ qua bởi giám sát truyền thống nhưng quan trọng cho việc phát hiện sớm.
Giao diện trực quan của nền tảng và dữ liệu có sẵn miễn phí trao quyền cho một nhóm người dùng rộng lớn trên toàn thế giới để được thông báo về các mối đe dọa sức khỏe hiện tại, thúc đẩy nhận thức và khả năng phản ứng lớn hơn.
Thành tựu đáng chú ý
HealthMap có thành tích đã được chứng minh trong việc xác định các tín hiệu sớm của các đợt bùng phát lớn trước khi chúng được công nhận rộng rãi.
Vào tháng 3 năm 2014, HealthMap đã giám sát các báo cáo ban đầu mô tả một “cơn sốt giống sốt xuất huyết” ở Tây Phi.
Những dấu hiệu sớm này cuối cùng dẫn đến việc xác định dịch Ebola đã ảnh hưởng nghiêm trọng đến khu vực.
Thông qua theo dõi các báo cáo rải rác một cách kịp thời, HealthMap đã cung cấp nhận thức tình huống quan trọng trong các giai đoạn hình thành của đợt bùng phát.
Tương tự, vào đầu tháng 12 năm 2019, HealthMap đã phát hiện các ổ viêm phổi bất thường xung quanh Vũ Hán, Trung Quốc.
Những ví dụ này làm nổi bật cách khả năng giám sát thời gian thực của HealthMap có thể đóng góp vào việc nhận biết nhanh hơn các cuộc khủng hoảng sức khỏe mới.
Vai trò với cộng đồng y tế
Hệ thống AI mã nguồn mở của HealthMap được sử dụng rộng rãi bởi một số cơ quan y tế công cộng hàng đầu thế giới như một công cụ bổ sung cho mạng lưới giám sát chính thức của họ.
Các cơ quan như WHO, Trung tâm Kiểm soát và Phòng ngừa Dịch bệnh Hoa Kỳ (CDC), và Trung tâm Châu Âu về Phòng ngừa và Kiểm soát Dịch bệnh (ECDC) sử dụng dữ liệu HealthMap để tăng cường nhận thức tình huống của họ.
Khả năng tổng hợp và trực quan hóa các luồng dữ liệu đa dạng của nó lấp đầy những khoảng trống quan trọng để lại bởi các cơ chế báo cáo truyền thống chậm hơn.
Thông tin chi tiết bổ sung hỗ trợ các tổ chức này để đưa ra quyết định kịp thời về phân bổ tài nguyên, khuyến cáo du lịch và truyền thông công cộng.
Thành công của HealthMap chứng minh chia sẻ công nghệ AI một cách mở và minh bạch không chỉ mang lại lợi ích cho cộng đồng khoa học mà còn tạo ra tác động tích cực rộng lớn đến sức khỏe cộng đồng toàn cầu.
Điều này đặc biệt quan trọng trong việc ứng phó với các đại dịch xuyên quốc gia.
Có thể bạn quan tâm
Liên hệ
Địa chỉ
Tầng 3 Toà nhà VNCC 243A Đê La Thành Str Q. Đống Đa-TP. Hà Nội
