新しい機械学習モデルは公衆衛生当局が次の危機を先取りするのに役立つ可能性がある

病気の発生や、自然災害のような破壊的な出来事による健康への影響を診断して封じ込めることは、大変な作業になる可能性があります。 ニューヨーク大学が金曜日に発表した研究は、新しい機械学習モデルが将来のパンデミックやその他の公衆衛生上の危機に対応する保健当局の能力を向上させる可能性があることを示唆している。

この研究は、カーネギーメロン大学とニューヨーク市保健精神衛生局と協力して行われた。

マーケットプレイスのキンバリー・アダムス氏は、ニューヨーク大学のコンピューターサイエンス教授であり、この研究を発表した同大学の機械学習フォーグッド研究所の所長でもあるダニエル・ニール氏に話を聞きます。 彼は、この機械学習モデルがどのように機能するかを説明します。 以下は、彼らの会話の編集された記録です。

ダニエル・ニール：私たちのアプローチは、救急外来の訪問からのテキストデータを使用します。 したがって、特に、患者が救急外来を訪れた主な目的は次のとおりです。 そして、そのテキストデータには、単に「ある人にインフルエンザのような症状がある」というものよりもはるかに豊富なデータが含まれています。 私たちは、彼らがどのような種類の症状を持っているか、または彼らが何にさらされているかを正確に知っている可能性があるため、このテキストデータのパターンを検出することで、新たな流行、公衆衛生がまだ探していなかったこと、および他の種類の感染症を表面化することができます。イベント。

キンバリー・アダムス：このアルゴリズムを保健部門にどのように導入して、新規または未確認の病気の発生を特定できるでしょうか?

ニール:期待されているのは、公衆衛生部門が実際にこの種のアプローチを日常的に実行し、アルゴリズムが過去のクラスターを毎日表面化することです。たとえば、公衆衛生が調査できる 24 時間のデータと、必要に応じて、に対応する。 また、公衆衛生が日常的に対処しなければならない無数の事柄すべてに対処するのにも役立ちます。それは、煙の吸入による集団感染や、ある種の化学物質への曝露、あるいは私たちが目にしている感染症などです。新しい合成麻薬による薬物過剰摂取の新たなクラスター。 したがって、繰り返しになりますが、目標は、管轄区域内で起こっているすべてのことについて、彼らに日々の認識を与えることです。

アダムス:ということは、もしかしたら、私にはわかりませんが、レジオネラ症のようなものの発生を、そうでない場合よりも早く発見できるかもしれません?

ニール:はい、そのとおり。 これは、まれな症状を示す良い例です。 また、何かが新しい症状、つまり人々の鼻が青くなったり落ちたりするなど、これまで見たことのない症状を伴う場合を想像することもできます。 さて、公衆衛生が対処する必要がある新しくてこれまでとは異なる何かがあることに私たちが気づくには、このような事件がそれほど多く発生する必要はありません。 しかし皮肉なことに、典型的な疾病監視システムはそれらを既存の症候群カテゴリーにマッピングするだけで、実際にそこに何か新しいものがあるという事実を本質的に見逃してしまうのです。 したがって、私たちが提供するのは、他のシステムが見逃してしまう可能性のあるあらゆる種類のイベントをキャッチするためのセーフティ ネットです。

アダムス:データに誤りがあった場合、または自分の症状について話す人がいなかった場合はどうなるでしょうか?

ニール:それは正しい。 これは完全にシステムの制限であり、データの品質、データの可用性、データの適時性に依存します。 したがって、たとえば、管轄区域が地元の病院から救急部門のデータをタイムリーに取得していない場合、そのデータのあらゆるパターンに対応するすべての能力に影響を与えることになります。 同様に、データの収集方法に重大なエラーがあった場合、そのデータを使用して検出できる範囲にそのエラーが伝播する可能性があります。 また、おっしゃるとおり、救急外来の受診に至らない可能性のあるものは、この特定のデータ ソースを通じて必ずしも検出できるとは限りません。 ただし、公衆衛生がアウトブレイク検出に使用するデータソースは多岐にわたります。

アダムス:皆さんがこのアルゴリズムをテストした方法の 1 つは、ハリケーン サンディの後に病院に入ってきたデータを調べることでした。 あなたが見たものと、アルゴリズムがそれにどのように反応したかについて説明してもらえますか?

ニール:もちろん。 私たちは、ニューヨーク市の救急部門でクラスターの感染が非常に興味深い経過をたどっていることを発見しました。 サンディが襲来してから 1 ～ 2 日で、私たちが予想していたような状況が見られました。それは多くの急性症例でした。足の怪我や息切れなど、ハリケーンの影響による直接的な結果として来院する人々です。 。 その数日後、私たちは精神的健康問題に関連した症例のクラスターを確認し始めました。 つまり、うつ病や不安症などの症状を抱えた人々が来院します。 そしてその数日後、さらに別の種類の事件が発生しました。 透析やメサドンのメンテナンスなどのために救急外来にやってくる人々を目にしました。 これらはすべて、通常、病院の救急部門では扱われないものです。 しかし、すべての外来診療所が閉鎖されたため、人々は基本的にそれらの理由でもEDを使用する必要がありました。 したがって、これが実際に私たちに示しているのは、自然災害の影響で救急部門にさまざまなストレスが進行していることです。 そして、病院の救急部門の担当者にとって、これらのさまざまな種類の問題すべてに対処するために、何を予測し、準備を整え、適切なリソースを確保する必要があるかを知ることは、非常に有益だと思います。

アダムス:この一連の公衆衛生上の問題に対して、機械学習の使用がこれまでの方法よりも優れたツールであるのはなぜでしょうか?

ニール:決して、これは[人工知能]が人間に取って代わるべき仕事ではありません。 したがって、私たちのシステムが行うことは、健康疫学者である人間に、他の方法では気づかなかったかもしれないデータ内に出現しているイベントを認識させることです。 したがって、この膨大で複雑なデータの中で、人間が関心を持ち、応答したいと思う重要なものを明らかにすることが、本当に鍵となります。

毎日、「マーケットプレイス テック」チームは、単なるビッグ テック以上のものを探求するストーリーでデジタル経済の謎を解き明かしています。 私たちは、テクノロジーが気候変動、不平等、偽情報とどのように交差するかを深く掘り下げ、あなたや私たちの周囲の世界にとって重要なトピックを取り上げることに全力を尽くしています。

非営利のニュース編集室の一環として、私たちはこの公共サービスをペイウォールなしですべての人が利用できるようにしてくれるあなたのようなリスナーに期待しています。

今すぐ「Marketplace Tech」をいくらでもサポートし、私たちの使命のパートナーになってください。