Dados, IA e sensores agrupados contra COVID-19

Os governos, profissionais de saúde e indústrias que lutam para enfrentar a pandemia Covid-19 têm alguns aliados poderosos na batalha para minimizar o impacto na saúde pública e na economia global:big data e análise preditiva em combinação com inteligência artificial e um arsenal de sensores térmicos.

Covid-19 pertence à mesma família de vírus associados à síndrome respiratória aguda grave (SARS) e ao resfriado comum. Por ser um vírus novo para o qual os humanos não tinham imunidade anterior, seu impacto inicial foi devastador. Meses após a chegada dos primeiros relatórios da província chinesa de Hubei, os testes na maioria dos países permaneceram esporádicos, na melhor das hipóteses, deixando as populações ao redor do mundo incertas quanto ao número real de casos em seu meio e incertas sobre como responder ao perigo ou mesmo compreender seu escopo. Não demorou muito para que especialistas em IA e técnicas de análise de dados reconhecessem o potencial da tecnologia de IA e ciência de dados para apoiar o trabalho de epidemiologistas e equipes de resposta a crises do governo.

A análise de dados e a matemática, juntamente com a física, permitem uma compreensão aprofundada dos processos naturais. Os pioneiros da ciência de dados já tiveram um impacto na saúde pública, implantando coleta e análise de dados para ajudar a desacelerar a propagação de surtos anteriores. Uma das primeiras aplicações históricas da análise de dados foi em 1852, durante um surto de cólera em Londres. John Snow, um dos primeiros epidemiologistas orientados por dados, analisou geoespacialmente as mortes que ocorreram em Londres e, assim, foi capaz de isolar a fonte da doença. Com base em sua análise, as autoridades foram capazes de direcionar suas intervenções e verificar rapidamente a propagação do surto.

Vamos avaliar os dados

Executando modelos por meio de sistemas de análise de dados, os pesquisadores podem estimar como as tendências podem progredir. Um exemplo é o modelo SIR, um modelo epidemiológico que calcula o número teórico de pessoas infectadas por uma doença contagiosa em uma população fechada ao longo do tempo. O modelo usa equações acopladas analisando o número de pessoas suscetíveis, S (t); número de pessoas infectadas, I (t); e número de pessoas que se recuperaram, R (t).

Um dos modelos SIR mais simples é o modelo Kermack-McKendrick, a base sobre a qual muitos outros modelos compartimentais foram baseados. Neste contexto, encontrei uma análise ¹ publicado no início de março por Ettore Mariotti, pesquisador graduado da Università degli Studi di Padova, é bastante interessante.

Considere uma ilha - nosso sistema - onde as pessoas não podem sair nem entrar. Cada indivíduo na ilha pode estar em um dos seguintes estados em um determinado momento:“Susceptível”, “Infectado” e “Recuperado” (daí a sigla SIR). Com certa probabilidade, pessoas que nunca tiveram a doença (S) podem adoecer e se infectar (I) por um determinado período antes de se recuperarem (R). No caso da Covid-19, é apropriado estender o modelo com um estado adicional, “Exposto”, para incluir pessoas que têm o vírus, mas ainda não são infecciosas (modelo SEIR; Figura 1).

Figura 1:modelo SEIR (Imagem:triplebyte.com)

Este modelo considera dois fatores:a dinâmica do vírus e a interação dos indivíduos. (Este último é muito complexo e se beneficia das ferramentas descritas aqui.) Com essas informações em mãos, é possível definir o parâmetro R0, que representa o número de pessoas que uma pessoa infectada pode infectar potencialmente.

Suponhamos, por exemplo, que a pessoa A está doente e que nosso sistema tem um R0 =2, o que significa que A infectará duas pessoas. Essas duas pessoas irão, por sua vez, infectar quatro pessoas, que irão infectar outras duas pessoas cada (então 4 × 2 =8) e assim por diante. Isso destaca o fato de que a propagação da doença é multiplicativa e não aditiva. R0 pode capturar três cenários básicos (Figura 2).

Figura 2:Cenários básicos R0 (Imagem:triplebyte.com)

O fechamento de escolas, academias, teatros, restaurantes e outros locais públicos diminui o número de interações sociais, reduzindo assim R0. Como o vírus esgotou os recursos de saúde pública ao ponto de quebrar, reduzir o parâmetro R0 abaixo da unidade tem sido crítico. Se R0> 1, a doença se espalha; se R0 <1, a doença desaparece. Os governos, portanto, impuseram restrições draconianas à mobilidade das pessoas em uma tentativa de reduzir R0 durante o surto de coronavírus.

É importante observar que R0 mede o potencial de transmissão de uma doença, não a taxa de disseminação da doença. Considere a natureza onipresente dos vírus da gripe, que têm um R0 de apenas cerca de 1,3. Um R0 alto é motivo de preocupação, mas não de pânico.

R0 é uma média, portanto, pode ser influenciado por fatores como o número de “superespalhadores” em uma determinada população. Um super espalhador é um indivíduo infectado que infecta um número inesperadamente grande de pessoas. Os eventos de superalimentação ocorreram durante as epidemias de SARS e MERS, bem como a atual pandemia. No entanto, esses eventos não são necessariamente um mau sinal, porque podem indicar que menos pessoas estão perpetuando uma epidemia. Os super espalhadores também podem ser mais fáceis de identificar e conter, porque seus sintomas são provavelmente mais graves.

Resumindo, R0 é um alvo móvel. Rastrear cada caso e a transmissão da doença é extremamente difícil, então estimar R0 é complexo e desafiador. As estimativas costumam mudar com a disponibilidade de novos dados.

Para ajudar as autoridades a controlar o R0, o uso de IA, em conjunto com a coleta de dados do rastreamento por GPS de telefones celulares, permite a criação de modelos analíticos para prever quais bairros têm maior probabilidade de ter casos e aqueles em que uma intervenção urgente é necessária.

Big data, IA e sensores

Durante uma epidemia, os dados clínicos podem variar muito em qualidade e consistência. Complicações desse tipo incluem casos de pacientes falso-positivos. Big data e IA podem ser empregados para verificar a conformidade com quarentenas, no entanto, e o aprendizado de máquina pode ser usado para pesquisas de drogas.

A resposta do coronavírus na Ásia fornece muitos exemplos de intervenções implementadas por meio do uso de tecnologias digitais. Drones equipados com scanners e câmeras inteligentes fornecem a capacidade de detectar aqueles que não cumprem as medidas de quarentena e verificar a temperatura corporal das pessoas. China e Taiwan empregaram câmeras inteligentes para esse fim.

A SenseTime, empresa de tecnologia de IA baseada em Hong Kong, desenvolveu uma plataforma que pode detectar febre escaneando o rosto das pessoas, mesmo que elas estejam usando máscaras médicas. O software de detecção de temperatura sem contato da SenseTime foi implementado em estações de metrô, escolas e centros públicos em Pequim, Xangai e Shenzhen.

A Alibaba, por sua vez, desenvolveu um sistema baseado em IA para diagnóstico de Covid-19 que permite a detecção de novos casos de coronavírus com uma taxa de precisão de até 96% por meio de tomografias computadorizadas (tomografias computadorizadas).

A Graphen, sediada em Nova York, está colaborando com pesquisadores da Universidade de Columbia para definir a forma canônica de cada localização genética do vírus e identificar a (s) variante (s) exata (s). Os pesquisadores estão usando a plataforma Ardi AI de Graphen, que imita as funções do cérebro humano, para armazenar os dados de mutação e visualizá-los. Uma visualização típica mapeia um vírus contra um conjunto de vírus que possuem a mesma sequência de genoma. Informações relacionadas ao vírus, incluindo localização, sexo e idade das pessoas afetadas, podem ser vistas clicando nos nós correspondentes.

O big data, por sua vez, tem sido amplamente utilizado para melhorar os sistemas de vigilância a fim de mapear a propagação do vírus.

A aquisição e o processamento de big data têm exigido novas metodologias e tecnologias de coleta e análise. Em particular, podemos distinguir quatro metodologias para análise de big data:

análise descritiva, ou seja, as metodologias e tecnologias utilizadas para descrever a situação atual e passada dos processos de negócio ou projetos de negócio, representando de forma sintética e gráfica os indicadores de desempenho da atividade;
análise preditiva, que compreende ferramentas de análise de dados que ajudam a entender o que pode acontecer no futuro usando técnicas matemáticas, como regressão e modelos preditivos;
análise prescritiva, utilizada para identificar soluções estratégicas e operacionais eficazes; e
análise automatizada, que inclui as ferramentas que permitem que a ação desejada seja executada de forma autônoma, de forma automatizada e de acordo com o resultado das análises realizadas.

O Alibaba também desenvolveu um aplicativo, o Alipay Health Code, que usa o big data disponibilizado pelo sistema de saúde chinês para indicar quem pode ou não acessar os espaços públicos.

BlueDot, uma startup com sede em Toronto com uma plataforma construída em torno de inteligência artificial, desenvolveu sistemas inteligentes para permitir o monitoramento automático e a previsão da propagação de doenças infecciosas. A plataforma BlueDot foi usada e sua eficácia comprovada durante a epidemia de SARS.

Notavelmente, em dezembro de 2019, o BlueDot também deu o alarme sobre a gravidade potencial do coronavírus e, novamente, seus modelos se mostraram corretos. Entre as ferramentas usadas pelo BlueDot estão técnicas de processamento de linguagem natural.

A Insilico Medicine (Rockville, Maryland) é outra empresa focada na prevenção de doenças por meio de inteligência artificial. A empresa está desenvolvendo e aplicando IA de próxima geração e abordagens de aprendizado profundo em cada etapa do processo de descoberta e desenvolvimento de medicamentos. A Insilico recentemente usou seu sistema para analisar moléculas que podem ser adequadas para combater o novo coronavírus e é capaz de compartilhar os resultados. Quando esta edição foi para a imprensa, a empresa estava fazendo a curadoria de um banco de dados de informações para uso no desenvolvimento de vacinas.

Estudo do impacto econômico

Além dos efeitos na saúde, a Covid-19 deu um golpe devastador na economia global. Aqui, também, big data e IA podem ajudar a analisar o impacto e formular respostas adequadas. As tecnologias de análise de satélite, por exemplo, ajudaram os pesquisadores do WeBank a identificar os setores mais afetados na China, como o aço. A análise mostrou que a produção nas siderúrgicas da China caiu para um mínimo de 29% da capacidade no início da epidemia, mas recuperou para 76% da capacidade em 9 de fevereiro (Figura 3).

Figura 3:Imagens de satélite lado a lado de 30 de dezembro de 2019 (esquerda) e 29 de janeiro de 2020 mostram que a atividade da indústria de aço caiu drasticamente na China nos primeiros dias da epidemia. (Imagem:spectrum.ieee.org)

Os pesquisadores então examinaram outros tipos de produção e atividades comerciais usando IA. Uma abordagem era simplesmente contar os carros em grandes estacionamentos. Esta análise mostrou que, em 10 de fevereiro, a produção de carros da Tesla em Xangai havia se recuperado totalmente, enquanto os locais de turismo, como a Disneylândia de Xangai, permaneceram fechados.

Por meio da análise dos dados do satélite GPS, foi possível identificar quais pessoas estavam se deslocando. O software então contou o número de passageiros em cada cidade e comparou o número de passageiros no início do feriado do Ano Novo Chinês em 2019 e na data correspondente em 2020. Em ambos os anos, o volume de passageiros diminuiu no início do feriado , mas este ano, o volume normal não foi retomado após o feriado como em 2019.

À medida que a atividade se recuperava lentamente, os pesquisadores do WeBank calcularam que, em 10 de março de 2020, cerca de 75% da força de trabalho havia retornado ao trabalho. Projetando a partir dessas curvas, os pesquisadores concluíram que a maioria dos trabalhadores chineses, com exceção dos de Wuhan, voltaria ao trabalho no final de março.

Aqueles que tentam responder ao desafio do coronavírus têm ferramentas poderosas à sua disposição, e as soluções que provam seu valor durante a crise podem se tornar uma prática padrão depois que ela for resolvida.

Referência

1 Mariotti, E. (2020, 6 de março). Modelando o surto de Covid-19 na Itália.

>> Este artigo foi publicado originalmente em nosso site irmão, EE Times Europe.

ST adiciona vários objetos variando para sensores de tempo de voo Sensor de audição adaptativo ‘aprende’ ruído de fundo, vida útil da bateria aumenta

Sensor

Integrado

Sensor

Computação em Nuvem

Tecnologia da Internet das Coisas