针对 COVID-19 排列的数据、人工智能和传感器

政府、医疗保健专业人士和行业争先恐后地应对 Covid-19 大流行，在最大限度地减少对公共卫生和全球经济造成的损失的战斗中拥有一些强大的盟友：大数据和预测分析与人工智能和武器库相结合热传感器。

Covid-19 属于与严重急性呼吸系统综合症 (SARS) 和普通感冒相关的病毒家族。由于它是一种人类事先没有免疫力的新型病毒，因此它的早期影响是毁灭性的。在中国湖北省发出第一批报告几个月后，大多数国家的检测充其量只是零星的，这让全球各地的人们不确定他们中间的实际病例数，不确定如何应对危险甚至了解其范围。不久之后，人工智能和数据分析技术专家就认识到人工智能技术和数据科学具有支持流行病学家和政府危机应对团队工作的潜力。

数据分析和数学与物理学一起，可以深入了解自然过程。数据科学先驱已经对公共卫生产生了影响，部署数据收集和分析以帮助减缓早期疫情的蔓延。数据分析的第一个历史应用是在 1852 年伦敦霍乱爆发期间。约翰·斯诺是首批数据驱动的流行病学家之一，他对伦敦发生的死亡事件进行了地理空间分析，从而能够分离出疾病的来源。依靠他的分析，当局能够有针对性地采取干预措施并快速检查疫情的传播。

让我们评估数据

通过数据分析系统运行模型，研究人员能够估计趋势可能会如何发展。一个例子是 SIR 模型，这是一种流行病学模型，可计算一段时间内封闭人群中感染传染病的理论人数。该模型使用耦合方程分析易感人群的数量，S(t)；感染人数，I(t)；和康复人数，R(t)。

最简单的 SIR 模型之一是 Kermack-McKendrick 模型，它是许多其他隔室模型的基础。在这种情况下，我发现了一个分析 ¹ 3 月初由 Università degli Studi di Padova 的研究生研究员 Ettore Mariotti 发表，非常有趣。

考虑一个岛——我们的系统——人们既不能离开也不能进入。岛上的每个人在给定时间都可能处于以下状态之一：“易感”、“感染”和“康复”（因此，缩写为 SIR）。在一定的概率下，从未患过这种疾病的人 (S) 可能会生病和感染 (I)，然后才能康复 (R)。在 Covid-19 的情况下，可以将模型扩展为附加状态“已暴露”，以包括感染病毒但尚未具有传染性的人（SEIR 模型；图 1）。

图 1：SEIR 模型（图片：triplebyte.com）

该模型考虑了两个因素：病毒的动态和个体之间的相互作用。 （后者非常复杂，并且受益于此处描述的工具。）有了这些信息，就可以定义 R0 参数，该参数表示感染者可能感染的人数。

例如，假设人 A 生病了，我们的系统的 R0 =2，这意味着 A 会感染两个人。这两个人会依次感染四个人，每个人又会感染另外两个人（所以 4 × 2 =8），依此类推。这突出了一个事实，即疾病的传播是乘性的，而不是累加的。 R0 可以捕获三种基本场景（图 2）。

图 2：R0 基本场景（图片：triplebyte.com）

学校、体育馆、剧院、餐馆和其他公共场所的关闭减少了社交互动的数量，从而降低了 R0。由于该病毒已使公共卫生资源紧张到了极限，因此将 R0 参数降低到 1 以下至关重要。如果 R0> 1，则疾病传播；如果 R0 <1，则疾病消失。因此，为了在冠状病毒爆发期间降低 R0，各国政府对人们的出行施加了严厉的限制。

需要注意的是，R0 衡量的是疾病的潜在传播，而不是疾病传播的速度。考虑流感病毒无处不在的性质，其 R0 仅为 1.3 左右。高 R0 值得关注，但不会引起恐慌。

R0 是平均值，因此它会受到特定人群中“超级传播者”数量等因素的影响。超级传播者是指感染人数出乎意料地多的人。超级传播者事件发生在 SARS 和 MERS 流行期间以及当前的大流行期间。然而，此类事件不一定是坏兆头，因为它们可能表明持续流行的人数减少了。超级传播者也可能更容易识别和控制，因为他们的症状可能更严重。

简而言之，R0 是一个移动目标。追踪每个病例和疾病的传播极其困难，因此估计 R0 既复杂又具有挑战性。估算值通常会随着新数据的可用性而变化。

为了帮助当局控制 R0，人工智能的使用以及从手机 GPS 跟踪中收集的数据可以创建分析模型，以预测哪些社区更有可能发生病例以及哪些社区需要紧急干预。

大数据、人工智能和传感器

在流行期间，临床数据的质量和一致性可能会有很大差异。这种并发症包括假阳性患者的病例。大数据和人工智能可用于检查是否符合隔离规定，而机器学习可用于药物研究。

亚洲的冠状病毒应对提供了许多通过使用数字技术实施干预的例子。配备智能扫描仪和摄像头的无人机能够检测那些不遵守隔离措施的人并检查人们的体温。大陆和台湾都为此采用了智能相机。

总部位于香港的人工智能技术公司商汤科技开发了一个平台，即使人们戴着医用口罩，也可以通过扫描人脸来检测发烧情况。商汤科技的非接触式测温软件已在北京、上海和深圳的地铁站、学校和公共中心实施。

与此同时，阿里巴巴开发了一种基于人工智能的 Covid-19 诊断系统，可以通过计算机断层扫描 (CT 扫描) 以高达 96% 的准确率检测新的冠状病毒病例。

总部位于纽约的 Graphen 正在与哥伦比亚大学的研究人员合作，以定义病毒每个基因定位的规范形式，并确定确切的变体。研究人员正在使用 Graphen 的 Ardi AI 平台，该平台模仿人脑的功能，来存储突变数据并将其可视化。典型的可视化将病毒映射到一组具有相同基因组序列的病毒。点击对应节点可查看病毒相关信息，包括感染者的位置、性别、年龄等。

与此同时，大数据已被广泛用于改进监控系统，以绘制病毒传播图。

大数据的获取和处理需要新的收集和分析方法和技术。特别是，我们可以区分四种大数据分析方法：

• 描述性分析，或用于描述业务流程或业务项目的当前和过去情况的方法和技术，以综合和图形方式表示活动的绩效指标；
• 预测分析，包括使用回归和预测模型等数学技术帮助了解未来可能发生的事情的数据分析工具；
• 规范性分析，用于确定有效的战略和运营解决方案；和
• 自动化分析，其中包括允许根据已执行的分析结果以自动化方式自主实施所需操作的工具。

阿里巴巴还开发了一款名为支付宝健康码的应用程序，该应用程序使用中国医疗保健系统提供的大数据来指示哪些人可以进入或不能进入公共场所。

BlueDot 是一家位于多伦多的初创公司，拥有一个围绕人工智能构建的平台，它开发了智能系统，能够自动监测和预测传染病的传播。非典疫情期间使用了BlueDot平台，效果明显。

值得注意的是，在 2019 年 12 月，BlueDot 还对冠状病毒的潜在严重性发出了警报，并且再次证明其模型是正确的。 BlueDot 使用的工具包括自然语言处理技术。

Insilico Medicine（马里兰州罗克维尔）是另一家专注于通过人工智能预防疾病的公司。该公司正在开发并将下一代人工智能和深度学习方法应用于药物发现和药物开发过程的每一步。 Insilico 最近使用其系统分析了可能适合对抗新型冠状病毒的分子，并能够分享结果。在此问题付印时，该公司正在策划一个用于疫苗开发的信息数据库。

研究经济影响

除了对健康的影响之外，Covid-19 还对全球经济造成了毁灭性的打击。在这里，大数据和人工智能也可以帮助分析影响并制定适当的应对措施。例如，卫星分析技术帮助微众银行的研究人员确定了中国受影响最严重的行业，例如钢铁行业。分析显示，中国钢厂的产量在疫情初期降至最低产能的 29%，但到 2 月 9 日已恢复到产能的 76%（图 3）。

图 3：2019 年 12 月 30 日（左）和 2020 年 1 月 29 日的并排卫星图像显示，在疫情初期，中国钢铁行业活动急剧下降。 （图片：spectrum.ieee.org）

然后，研究人员使用人工智能研究了其他类型的生产和商业活动。一种方法是简单地计算大型停车场中的汽车数量。分析显示，截至2月10日，特斯拉在上海的汽车生产已全面恢复，而上海迪士尼乐园等旅游场所仍处于关闭状态。

通过分析 GPS 卫星数据，可以确定哪些人正在通勤。该软件随后统计了每个城市的通勤人数，并比较了 2019 年春节假期开始和 2020 年相应日期的通勤人数。这两年，通勤量在假期开始时有所下降，但今年，节后成交量并没有像2019年那样恢复正常。

随着活动缓慢恢复，微众银行的研究人员计算出，到 2020 年 3 月 10 日，大约 75% 的劳动力已经重返工作岗位。根据这些曲线，研究人员得出结论，除武汉的工人外，大多数中国工人将在 3 月底前复工。

那些试图应对冠状病毒挑战的人拥有强大的工具可供使用，在危机期间证明其价值的解决方案很可能在解决后成为标准做法。

参考

1 Mariotti, E.（2020 年，3 月 6 日）。为意大利的 Covid-19 疫情建模。

>>这篇文章最初发表在我们的姊妹网站 EE Times Europe。