کلان داده؛ سلاحی در مقابل همه‌گیری‌‌ها

فناوری اطلاعات و هوش‌مصنوعی چطور می‌تواند به پیش‌بینی و پیشگیری از همه‌گیری‌های بعدی کمک کند؟

خشایار مریدپور:کمتر کسی سه سال پیش می‌توانست تصور کند شیوع یک بیماری ویروسی، آن‌ هم در دوران اوج شکوفایی دانش بشری، قادر به از پا درآوردن اقتصاد جهانی و تغییر همیشگی سبک زندگی ما باشد. پیشرفت‌های خیره‌کننده بدست آمده در تمامی شاخه‌های علوم تجربی، بخصوص در حوزه علوم پزشکی و فناوری اطلاعات، ما را آنقدر مغرور و مطمئن کرده بود که به نشانه‌های زودهنگام شروع یک همه‌گیری جدید آن‌طور که باید توجه نکردیم. تا جایی که وقتی هوش مصنوعی شرکت Blue Dot بیش از یک هفته قبل از سازمان جهانی بهداشت خبر از شروع یک همه‌گیری ناشناخته در ووهان چین داد، هیچ یک از نهادهای مرتبط آن را جدی نگرفتند. البته، این اعتماد چندان بی‌اساس نبود، زیرا به‌مدد همین ابزارها در صد سال اخیر موفق به کنترل انواع بیماری‌های مسری، نرخ مرگ‌و‌میر و افزایش امید به زندگی در سراسر جهان شده‌ایم. به‌علاوه، امروزه ما به‌لطف روش‌های جدید مبتنی بر ترکیب علوم پزشکی با فناوری دیجیتال، به قابلیت کشف زودهنگام و توسعه درمان‌های موثر برای بیماری‌های پیچیده و ناشناخته دست یافته‌ایم. اگرچه، همه‌گیری کرونا با نمایش آسیب‌پذیری‌های ما، ثابت کرد مقابله با بیماری‌های همه‌گیر ناشناخته بدون اتکا به همه امکانات ما مانند هوش‌مصنوعی و یادگیری ماشینی اگر نه غیرممکن، بسیار چالش‌برانگیز خواهد بود. آنچه در ادامه می‌خوانید، نگاهی کلی به این مساله، وضعیت فعلی و چشم‌انداز پیش روی نقش فناوری اطلاعات و هوش‌مصنوعی در پیش‌بینی و پیش‌گیری از همه‌گیری‌های آینده است

 

آنچه در همه‌گیری جهانی کووید-19 گذشت نشان داد، ترکیب علم داده و هوش مصنوعی با علوم پزشکی  نه تنها برای پیش‌بینی و پایش، بلکه برای اداره و مهار بحران‌های مشابه از جمله برای توسعه سریع و کارآمد درمان‌های دارویی ابزاری کارآمد خواهد بود و نیاز به سرمایه‌گذاری دارد. این مسئله درست به اندازه توسعه زیرساخت‌های فیریکی برای مواجه به امواج بلند بحران‌های سلامتی آینده ضروری است.این مسئله به این معنی است که هرچند، فن‌آوری اطلاعات و همه هم صنفانش ابزارهایی قدرتمند هستند، به‌تنهایی قادر به رفع تمامی مشکلات و تضمین سلامتی ما در آینده نبوده و در کنار توسعه ابزارهای جدید مبتنی بر فناوری اطلاعات، تحول سیستماتیک نظام سلامتی جهانی و توسعه زیرساخت فیزیکی نیز ضروری است.

هشداری که شنیده نشد

علم داده، استخراج بزرگ‌داده‌ها و تحلیل‌شان برای پیدا کردن الگوهای تکرارشونده و داده‌های عمل‌پذیر از آنها مفاهیم جدیدی نیستند. با توجه به عملکرد درخشان این ابزارها در تجزیه و تحلیل و پیش‌بینی رفتارهای کاربران، جای تعجبی نیست که پیش از همه‌گیری کرونا هم تلاش‌ها برای بکارگیری هوش‌مصنوعی در پایش و پیش‌بینی بیماری‌های همه‌گیر شروع شده بود.  در واقع، گفته می‌شود که پیش از آغاز همه‌گیری جهانی کووید-19، یک ابزار مبتنی بر هوش مصنوعی پیش از همه زنگ خطر را نواخته بود. هوش مصنوعی شرکت BlueDot، که با استفاده از فناوری یادگیری ماشینی شروع انتشار بیماری‌های همه‌گیر را پایش می‌کند، در آخرین روز سال 2019 مشتریان خود – از جمله دولت‌‌ها، بیمارستان‌ها و کسب‌و‌کارهای مرتبط – را از افزایش غیرعادی موارد ابتلا به ذات‌الریه در ووهان چین مطلع کرده بود. برای مقایسه، بد نیست بدانید سازمان جهانی بهداشت (WHO) 9 روز بعد از این تاریخ به‌طور رسمی شیوع بیماری که دیگر همه با نام کرونا می‌شناسیم را تایید کرد. البته BlueDot تنها ابزار مبتنی بر هوش‌مصنوعی که توانست به‌خوبی شروع همه‌گیری را پیش‌بینی کند، نبود. برای مثال سرویسی هوشمند به‌نام HealthMap در بیمارستان کودکان بوستون و مدل پیش‌بینی Metabiota هم درباره علائم اولیه شروع یک همه‌گیری جدید هشدار داده بودند. اما شرکت‌هایی مثل BlueDot و Metabiota چطور توانستند پیش از سازمان جهانی بهداشت از شروع یک همه‌گیری ناشناخته در آن‌سوی کره زمین باخبر شوند؟ پاسخ ترکیب الگوریتم‌های پردازش زبان‌های طبیعی (NLP) با یادگیری ماشینی است که به این پلتفرم‌ها امکان می‌دهد به پایش مستمر خروجی خبرگزاری‌ها و گزارش‌های رسمی بهداشتی به زبان‌های مختلف در سراسر جهان پرداخته و موارد احتمالی ذکر شده از بیماری‌های مسری از جمله کرونا یا بیماری‌های بومی‌تر مانند HIV یا سل را گزارش کنند. به‌علاوه، این پلتفرم‌ها می‌توانند با ترکیب ابزارهای پیش‌بینی‌کننده خود با اطلاعات خطوط پروازی به ارزیابی میزان خطر ورود یا خروج افراد ناقل به مراکز اصلی جابجایی مسافر در سراسر جهان بپردازند. به این ترتیب، این پلتفرم‌ها توانستند با حاشیه خطایی قابل‌قبول دست به پیش‌بینی تعداد موارد ابتلا و کشورهایی که در مسیر گسترش بیماری هستند، بزنند.

شرکت‌هایی مثل BlueDot و Metabiota چطور توانستند پیش از سازمان جهانی بهداشت از شروع یک همه‌گیری ناشناخته در آن‌سوی کره زمین باخبر شوند؟ پاسخ ترکیب الگوریتم‌های پردازش زبان‌های طبیعی (NLP) با یادگیری ماشینی است

برخی دیگر از این پلتفرم‌ها، پایش هوشمند شبکه‌های اجتماعی را هم به این ترکیب اضافه کرده‌اند. برای مثال شرکت Startifyd در حال توسعه هوش‌مصنوعی است که با پایش پست‌های کاربران در شبکه‌های اجتماعی مثل توییتر یا فیس‌بوک درباره احوال فیزیکی خود و تطبیق این اطلاعات با علائم شناخته شده بیماری‌ها در پایگاه‌های داده رسمی مثل سازمان جهانی بهداشت دام و پایگاه داده شناسایی میکروبی جهانی درباره شروع همه‌گیری‌های جدید هشدار می‌دهد. دستاوردهایی چشم‌گیر که به‌خوبی نشان می‌دهند حوزه هوش‌مصنوعی و یادگیری ماشینی در همین چندسال اخیر تا چه حد پیشرفت داشته است. بخصوص وقتی سوابق عملکرد آنها در همه‌گیری کرونا را با تلاش‌های قبلی، مثل Flu Tracker گوگل که در سال 2013 کنار گذاشته شد، مقایسه کنیم. موفقیتی که بیشتر مرهون توانایی نرم‌افزارهای جدید برای پایش منابع اطلاعاتی گسترده‌تر و بخش دیگر هم به قابلیت آموزش بدون حضور انسان الگوریتم‌های یادگیری ماشینی و عمیق و قابلیت آنها در شناسایی الگوهای ناشناخته باز می‌گردد. در سال‌های اخیر با نمایش توانمندی و قابلیت‌های هوش مصنوعی و بزرگ‌داده‌ها در این دست کاربردها، روند توسعه آنها هم شتاب فزآینده‌ای گرفته و برای مثال تنها در سال اول همه‌گیری کرونا بیش از 70 روش جدید برای بررسی و تحلیل داده‌های آماری و استفاده از آنها در گستره وسیعی از تصمیم‌گیری‌ها توسعه یافته است. روندی که در قیاس با سال‌های قبل و همه‌گیری‌های قبلی از جمله SARS و MERS از رشد انفجاری این حوزه و دامنه حتی وسیع‌تر کاربردهای آن در آینده خبر می‌دهد.

سلاحی برای نبردهای بعدی

یکی دیگر از کاربرد‌های امیدوارکننده دیگر هوش مصنوعی، یادگیری ماشینی و بزرگ‌داده‌ها در مقابله با بحران‌هایی مانند همه‌گیری‌های جهانی استفاده از آنها برای تشخیص زودهنگام علائم بیماری با روش‌های مختلف است. برای مثال ترکیب فناوری‌های هوشمند پوشیدنی، اینترنت اشیاء (IOT) با سامانه‌های مدیریت شهری می‌تواند به مسئولان امر امکان دهد شروع علائم فیزیکی در بیماران را سریع‌تر شناسایی کرده و به‌نحو موثرتری راهبردهایی از جمله فاصله‌گذاری اجتماعی، قرنطینه هوشمند و پیگیری روند درمانی موارد مشکوک به ابتلا را پیاده‌سازی کنند. به‌علاوه، همان‌طور که مثلا در همه‌گیری کرونا شاهد استفاده از یادگیری ماشینی برای تشخیص خودکار علائم بیماری در تصاویر CT اسکن بودیم، می‌توان از هوش‌مصنوعی برای کمک به کادر درمان برای پردازش سریع‌تر داده‌های آزمایشگاهی یا تایید موارد مبتلا استفاده کرد. به اینها امکان پیش‌بینی دقیق‌تر منابع بیمارستانی مورد نیاز برای مقابله با امواج بیماری، مستندسازی خودکار کل روند درمان و نیز قابلیت پیشنهاد ترکیب‌های شیمیایی نوین برای استفاده به‌عنوان داروهای جدید را هم اضافه کنید تا بیشتر به پتانسیل عظیم این فناوری‌ها برای تحول حوزه سلامت عمومی و مقابله با بیماری‌های همه‌گیر پی ببرید. البته که همیشه پیش‌گیری بهتر از درمان است، و جالب اینجاست که این ابزارهای توانمند در این عرصه هم حرف‌های بسیاری برای گفتن دارند.

همچنین باید به موضوع استفاده از فناوری‌هایی مانند هوش‌مصنوعی و یادگیری ماشینی برای مقابله پیش‌دستانه با انتشار بیماری‌های مسری اشاره کنیم که بیشتر شبیه به داستان‌های علمی تخیلی به نظر می‌رسند، اما در عمل از آنچه تصور می‌کنید به واقعیت نزدیک‌تر شده‌اند. یکی از مهم‌ترین عوامل شروع همه‌گیری‌ها، پرش یا Spillover عوامل بیماری‌زا از حیوانات به انسان است. در واقع، تقریبا 60% از بیماری‌های مسری شناخته شده و 75% از بیماری‌های جدید از حیوانات به انسان‌ها انتقال پیدا می‌کنند. به‌علاوه توسعه بیش از حد جوامع انسانی و تجاوز آنها به اکوسیستم‌های طبیعی، گرمایش جهانی و تغییرات اقلیمی در دوران مدرن بسامد و شدت این جهش‌های خطرناک را بیشتر کرده است. هرچند، در اکثر موارد عامل بیماری‌زای مشترک، شامل ویروس، باکتری، انگل یا قارچ، تنها میزبان اصلی را آلوده کرده و تبدیل به یک پاتوژن مسری نمی‌شود. اما با توجه افزایش میزان تماس و خطر انتقال بیماری‌های جدید از حیوانات به انسان، به شدت نیاز به توسعه یک سیستم هشدار زودهنگام جهانی برای پیش‌بینی موارد احتمالی بعدی احساس می‌شود.

این دقیقا همان‌ کاری است که محققان دانشگاه گلسکو اسکاتلند از سال 2015 تا کنون مشغول آن هستند. دکتر باربارا هان و همکارانش در حال توسعه یک ابزار مبتنی بر هوش مصنوعی هستند که به ما امکان می‌دهد خطر پرش یا Spillover یک ویروس از یک گونه حیوانی به انسان را ارزیابی و ما را از نقاط خطر احتمالی آگاه کنند. تیم دکتر هان یک مدل یادگیری ماشینی مبتنی بر تحلیل ژنوم عوامل ویروسی و انسانی ساخته‌اند که نه‌تنها می‌تواند احتمال جهش یک ویروس از حیوان به انسان را به ما نشان دهد، بلکه می‌تواند مناطقی که در آنها احتمال این انتقال بالاتر است را هم برای ما مشخص کند. همچنین مدل ارائه شده توسط تیم دکتر هان می‌تواند تنها با تحلیل یک ژنوم ویروسی ناشناخته، مشخص کند این عامل بیماری‌زا احتمالا در چه گروهی از حیوانات بیشتر دیده خواهند شد. ترکیب این قابلیت با توانایی بسیار بهتر ما در شناسایی ویروس‌های جدید به ما امکان خواهد داد در آینده با توسعه هرچه بیشتر داده‌های مرتبط و بهبود مدل‌های پیش‌بینی، عملا دست به مقابله پیش‌دستانه با شیوع بیماری‌های مشترک بین حیوان و انسان بزنیم. اگرچه هنوز این مدل‌ها تا تولید داده‌های عمل‌پذیر فاصله بسیاری دارند و در حال حاضر تنها می‌توانیم به این نشانه‌های امیدبخش از پیشرفت‌های بدست آمده دلخوش باشیم.

هوش مصنوعی؛ تیغ دولبه

هوش‌مصنوعی و زیرمجموعه‌های آن از جمله یادگیری ماشینی، مانند هر فناوری دیگری، می‌توانند مثل یک تیغ دولبه عمل کنند. داده‌های نادرست، تفسیرهای غلط و ترس‌های جمعی می‌توانند بر کیفیت و کارآیی این روش‌ها تاثیر قابل‌ملاحظه و گاه مخربی داشته باشند.  بنابراین، با وجود تمام توانمندی‌های ذکر شده، هوش مصنوعی و یادگیری ماشینی تنها ابزارهای دیگری در مسیر مبارزه هستند و نمی‌توان آنها را حلال تمامی مشکلات در نظر گرفت.

دکتر باربارا هان و همکارانش در حال توسعه یک ابزار مبتنی بر هوش مصنوعی هستند که به ما امکان می‌دهد خطر پرش یا Spillover یک ویروس از یک گونه حیوانی به انسان را ارزیابی و ما را از نقاط خطر احتمالی آگاه کنند

در واقع با وجود سابقه نسبتا طولانی بکارگیری ابزارهایی از این دست در حوزه سیاست‌گذاری سلامت عمومی، قابلیت‌های شگرف ارتباطی در عصر فناوری اطلاعات و پیشرفت قابل‌توجه فناوری‌های مرتبط، ما کماکان برای همه‌گیری کرونا آماده نبودیم. زیرا ابزارهای مبتنی بر هوش مصنوعی برای تاثیرگذاری بیش از هر چیز به «داده‌های موثق و معتبر» نیاز دارند، ولی این دست داده‌ها در عمل در سال 2022 و با وجود تجربه ناخوشایند کرونا هنوز در دسترس پژوهشگران و نهادهای مسئول قرار ندارد. برای مثال، می‌توانیم به همه‌گیری آبله میمونی در آمریکا اشاره کنیم که فاصله زمانی زیاد مورد نیاز برای اشتراک‌گذاری داده‌های مرتبط با موارد احتمالی ابتلا بین دولت‌های ایالتی و CDC در آن مثال دیگری از نواقص سیستم فعلی تولید و اشتراک‌گذاری داده‌های سلامتی را در یکی از پیشرفته‌ترین کشورهای جهان به‌تصویر می‌کشد. این در حالی است که همه‌گیری کرونا ثابت کرده سلامت عمومی و آینده آن به ترکیب داده‌های کلینیکال، آزمایشگاهی، ژنتیک و اپیدمیولوژیک برای هدایت موثر تصمیم‌گیری‌ درباره سیاست‌گذاری‌ها و رویه‌های اجرایی بستگی دارد.

البته، توسعه چنین شبکه فراگیری برای گردآوری، دسته‌بندی و اشتراک‌گذاری اطلاعات که احتمالا باید بر بستر فناوری 5G و با کمک اینترنت اشیاء پیاده‌سازی شود، مشکلات دیگری به‌همراه خواهد داشت. مسائلی مانند بحث حریم خصوصی افراد و نحوه دسترسی به اطلاعات آنها، بحث تهدیدهای امنیت سایبری ناشی از یکپارچه شدن نظام سلامتی عمومی با بزرگ‌داده‌های جمعیتی می‌تواند خطرات بی‌سابقه‌ای را در مقابل دولت‌ها و نهادهای تصمیم‌گیرنده قرار دهد. اگرچه، بکارگیری فناوری‌های در حال ظهور مانند پروتکل‌های جدید رمزنگاری و استفاده از پایگاه‌های داده غیرمتمرکز و بلاک‌چین‌ها و یکپارچه‌سازی آن با شبکه‌های اختصاصی و ایمن استخراج و انتشار بزرگ‌داده‌های سلامتی می‌تواند تا حد زیادی به این نگرانی‌ها پاسخ دهد. همچنین، توافق‌های در حال اجرا و آتی بین دولت‌ها و نهادهای بین‌المللی از جمله WHO و سازمان ملل می‌تواند به ایجاد این شبکه جهانی انتقال اطلاعات کمک قابل‌توجهی داشته باشد.

در نهایت باید به این نقل قول معروف در علم داده اشاره کنیم که می‌گوید:«کیفیت داده‌های خروجی تنها به‌خوبی داده‌های ورودی است» و این موضوع بخصوص در حوزه سیاست‌گذاری سلامت عمومی از اهمیت بیشتری نیز برخوردار است. در نتیجه، تحول نظام اشتراک داده و نحوه ارتباط نهادهای مرتبط با سیاست‌های سلامت عمومی جهانی با سازمان‌های محلی و کشوری در کنار توسعه بسترهای جدید ارتباطی برای کمک به تشکیل جریانی پیوسته و شفاف از اطلاعات فاقد سوگیری و معتبر بین تمام کشورهای جهان، مهم‌ترین نیازمندی ما در جهت کاربرد موثر هوش‌مصنوعی برای پیش‌بینی و پیش‌گیری از بروز همه‌گیری‌های بعدی محسوب می‌شود.