COVID-19에 대비한 데이터, AI 및 센서 배열

Covid-19 전염병을 해결하기 위해 분투하는 정부, 의료 전문가 및 산업계는 공중 보건과 세계 경제에 대한 피해를 최소화하기 위한 전투에서 강력한 동맹국입니다. 인공 지능 및 무기고와 결합된 빅 데이터 및 예측 분석 열 센서.

코비드-19는 중증급성호흡기증후군(SARS) 및 감기와 관련된 같은 바이러스 계열에 속합니다. 인간에게 사전 면역이 없었던 새로운 바이러스이기 때문에 초기 영향은 치명적입니다. 중국 후베이성에서 첫 보고가 나온 지 몇 달 후, 대부분의 국가에서 기껏해야 산발적인 검사가 이루어졌고, 전 세계 인구는 실제 사례 수와 위험에 대응하는 방법 또는 범위를 이해하는 방법을 불확실하게 만들었습니다. AI 및 데이터 분석 기술 전문가들이 AI 기술 및 데이터 과학이 전염병 학자 및 정부 위기 대응 팀의 작업을 지원할 가능성을 인식하기까지는 그리 오래 걸리지 않았습니다.

데이터 분석 및 수학은 물리학과 함께 자연 과정에 대한 심층적인 이해를 가능하게 합니다. 데이터 과학의 선구자들은 이미 공중 보건에 영향을 미치고 있으며, 데이터 수집 및 분석을 배포하여 초기 발병의 확산을 늦추는 데 도움을 주었습니다. 데이터 분석의 최초 역사적 적용 중 하나는 런던에서 콜레라가 창궐하던 1852년이었습니다. 최초의 데이터 기반 역학자 중 한 명인 John Snow는 런던에서 발생한 사망자를 지리 공간적으로 분석하여 질병의 원인을 분리할 수 있었습니다. 그의 분석에 따라 당국은 개입을 목표로 삼고 발병 확산을 신속하게 확인할 수 있었습니다.

데이터 평가

데이터 분석 시스템을 통해 모델을 실행함으로써 연구자들은 추세가 어떻게 진행될지 대략적으로 파악할 수 있습니다. 예를 들어 SIR 모델은 시간이 지남에 따라 폐쇄된 인구에서 전염병에 감염된 사람의 이론적 수를 계산하는 역학 모델입니다. 이 모델은 감수성 있는 사람의 수 S(t)를 분석하는 결합 방정식을 사용합니다. 감염자 수, I(t); 및 회복된 사람의 수, R(t).

가장 단순한 SIR 모델 중 하나는 Kermack-McKendrick 모델이며, 이는 다른 많은 구획 모델의 기반이 됩니다. 이러한 맥락에서 다음과 같은 분석을 찾았습니다. ¹ Università degli Studi di Padova의 대학원 연구원인 Ettore Mariotti가 3월 초에 발표한 매우 흥미로운 내용입니다.

사람들이 떠나거나 들어갈 수 없는 섬(우리 시스템)을 생각해 보십시오. 섬의 모든 개인은 주어진 시간에 "감수성", "감염됨" 및 "회복됨"(따라서 약어 SIR) 상태 중 하나에 있을 수 있습니다. 특정 확률로, 질병에 걸린 적이 없는 사람(S)이 회복되기 전에 특정 기간 동안 아프고 감염될 수 있습니다(I). Covid-19의 경우 바이러스에 감염되었지만 아직 감염되지 않은 사람들을 포함하도록 "노출됨"이라는 추가 상태로 모델을 확장하는 것이 적절합니다(SEIR 모델, 그림 1).

그림 1:SEIR 모델(이미지:triplebyte.com)

이 모델은 바이러스의 역학과 개인의 상호 작용이라는 두 가지 요소를 고려합니다. (후자는 매우 복잡하며 여기에 설명된 도구의 이점이 있습니다.) 이 정보를 사용하여 감염된 사람이 잠재적으로 감염시킬 수 있는 사람의 수를 나타내는 R0 매개변수를 정의할 수 있습니다.

예를 들어 사람 A가 아프고 우리 시스템에 R0 =2가 있다고 가정해 봅시다. 이는 A가 두 사람을 감염시킨다는 것을 의미합니다. 그 두 사람은 차례로 4명을 감염시키고, 그 사람은 각각 2명(4 × 2 =8)을 감염시키는 식입니다. 이것은 질병의 확산이 가산적이기보다는 승산적이라는 사실을 강조합니다. R0은 세 가지 기본 시나리오를 캡처할 수 있습니다(그림 2).

그림 2:R0 기본 시나리오(이미지:triplebyte.com)

학교, 체육관, 극장, 레스토랑 및 기타 공공 장소의 폐쇄는 사회적 상호 작용의 수를 감소시켜 R0를 낮춥니다. 바이러스가 공중 보건 자원을 한계점까지 압박했기 때문에 R0 매개변수를 1 이하로 줄이는 것이 중요했습니다. R0> 1이면 질병이 퍼집니다. R0 <1이면 질병이 사라집니다. 따라서 정부는 코로나바이러스 발생 기간 동안 R0를 줄이기 위해 사람들의 이동성에 엄격한 제약을 가했습니다.

R0는 질병이 퍼지는 속도가 아니라 질병의 잠재적 전염을 측정한다는 점에 유의하는 것이 중요합니다. R0가 약 1.3에 불과한 인플루엔자 바이러스의 유비쿼터스 특성을 고려하십시오. 높은 R0은 우려의 원인이지만 패닉의 원인은 아닙니다.

R0는 평균이므로 주어진 인구의 "슈퍼 전파자" 수와 같은 요인의 영향을 받을 수 있습니다. 슈퍼전파자는 예상치 못한 많은 수의 사람들을 감염시키는 감염된 개인입니다. 슈퍼전파자 사건은 SARS 및 MERS 전염병뿐만 아니라 현재 전염병 동안 발생했습니다. 그러나 그러한 사건이 반드시 나쁜 징조는 아닙니다. 그 이유는 전염병을 영속화하는 사람이 줄어들고 있음을 나타낼 수 있기 때문입니다. 슈퍼 전파자도 증상이 더 심할 수 있으므로 식별 및 격리가 더 쉬울 수 있습니다.

한마디로 R0는 움직이는 표적이다. 각 사례와 질병의 전파를 추적하는 것은 매우 어렵기 때문에 R0를 추정하는 것은 복잡하고 어렵습니다. 추정치는 새 데이터의 가용성에 따라 변경되는 경우가 많습니다.

당국이 R0를 통제할 수 있도록 돕기 위해 휴대전화의 GPS 추적 데이터 수집과 함께 AI를 사용하면 분석 모델을 생성하여 사례가 발생할 가능성이 더 높은 지역과 긴급 개입이 필요한 지역을 예측할 수 있습니다.

빅 데이터, AI 및 센서

전염병이 발생하는 동안 임상 데이터는 품질과 일관성이 매우 다양할 수 있습니다. 이러한 종류의 합병증에는 위양성 환자의 경우가 포함됩니다. 하지만 빅데이터와 AI를 활용해 검역 준수 여부를 확인할 수 있고, 머신러닝을 약물 연구에 활용할 수도 있다.

아시아의 코로나바이러스 대응은 디지털 기술을 사용하여 구현된 개입의 많은 예를 제공합니다. 스마트 스캐너와 카메라가 장착된 드론은 검역 조치를 준수하지 않은 사람을 감지하고 체온을 확인할 수 있는 기능을 제공한다. 중국과 대만은 이를 위해 지능형 카메라를 사용했습니다.

홍콩에 본사를 둔 AI 기술 기업 센스타임(SenseTime)은 의료용 마스크를 착용한 사람들의 얼굴을 스캔하여 발열을 감지할 수 있는 플랫폼을 개발했습니다. SenseTime의 비접촉식 온도 감지 소프트웨어는 베이징, 상하이, 선전의 지하철역, 학교 및 공공 센터에 구현되었습니다.

한편 알리바바는 컴퓨터 단층촬영(CT)을 통해 최대 96%의 정확도로 새로운 코로나바이러스 사례를 탐지할 수 있는 AI 기반 코로나19 진단 시스템을 개발했다.

뉴욕에 기반을 둔 Graphen은 Columbia University 연구원들과 협력하여 바이러스의 각 유전자 국소화의 표준 형태를 정의하고 정확한 변이를 식별합니다. 연구진은 인간 두뇌의 기능을 모방한 그래핀의 아디 AI 플랫폼을 이용해 돌연변이 데이터를 저장하고 시각화하고 있다. 일반적인 시각화는 동일한 게놈 서열을 가진 바이러스 세트에 대해 바이러스를 매핑합니다. 감염자의 위치, 성별, 연령 등 바이러스 관련 정보는 해당 노드를 클릭하면 확인할 수 있습니다.

한편, 빅 데이터는 바이러스 확산을 매핑하기 위해 감시 시스템을 개선하는 데 널리 사용되었습니다.

빅데이터의 수집 및 처리는 수집 및 분석을 위한 새로운 방법론과 기술을 요구했습니다. 특히 빅데이터 분석을 위한 4가지 방법론을 구분할 수 있습니다.

• 기술적 분석, 또는 비즈니스 프로세스 또는 비즈니스 프로젝트의 현재 및 과거 상황을 설명하는 데 사용되는 방법론 및 기술, 활동의 성과 지표를 종합 및 그래픽 방식으로 표현,
• 회귀 및 예측 모델과 같은 수학적 기술을 사용하여 미래에 어떤 일이 일어날 수 있는지 이해하는 데 도움이 되는 데이터 분석 도구로 구성된 예측 분석,
• 효과적인 전략 및 운영 솔루션을 식별하는 데 사용되는 규범적 분석 그리고
• 자동 분석:수행된 분석 결과에 따라 원하는 작업을 자동화된 방식으로 자율적으로 구현할 수 있는 도구를 포함합니다.

알리바바는 또한 중국 의료 시스템이 제공한 빅 데이터를 사용하여 공공 장소에 누가 접근할 수 있는지 여부를 나타내는 앱인 Alipay Health Code를 개발했습니다.

인공 지능을 기반으로 구축된 플랫폼을 갖춘 토론토 기반의 스타트업인 BlueDot은 전염병의 확산을 자동으로 모니터링하고 예측할 수 있는 지능형 시스템을 개발했습니다. BlueDot 플랫폼이 사용되었으며 SARS 전염병 동안 그 효과가 입증되었습니다.

특히, 2019년 12월 BlueDot은 코로나바이러스의 잠재적인 심각성에 대한 경고도 제기했으며 다시 해당 모델이 정확함을 입증했습니다. BlueDot에서 사용하는 도구 중에는 자연어 처리 기술이 있습니다.

Insilico Medicine(메릴랜드주 록빌)은 인공 지능을 통한 질병 예방에 중점을 둔 또 다른 회사입니다. 이 회사는 신약 개발 및 약물 개발 프로세스의 모든 단계에 차세대 AI 및 딥 러닝 접근 방식을 개발 및 적용하고 있습니다. Insilico는 최근 이 시스템을 사용하여 새로운 코로나바이러스와 싸우는 데 적합할 수 있는 분자를 분석하고 결과를 공유할 수 있습니다. 이 문제가 언론에 보도되면서 회사는 백신 개발에 사용할 정보 데이터베이스를 큐레이팅하고 있었습니다.

경제적 영향 연구

코로나19는 건강에 미치는 영향 외에도 세계 경제에 치명적인 타격을 주었습니다. 여기서도 빅 데이터와 AI는 영향을 분석하고 적절한 대응을 공식화하는 데 도움이 될 수 있습니다. 예를 들어, 위성 분석 기술은 WeBank 연구원들이 철강과 같이 중국에서 가장 큰 영향을 받는 산업을 식별하는 데 도움이 되었습니다. 분석에 따르면 중국 제철소의 생산량은 전염병 초기에 최소 29%의 생산 능력으로 떨어졌지만 2월 9일까지 생산 능력의 76%로 회복된 것으로 나타났습니다(그림 3).

그림 3:2019년 12월 30일(왼쪽)과 2020년 1월 29일의 나란히 위성 이미지는 전염병 초기에 중국의 철강 산업 활동이 급격히 하락했음을 보여줍니다. (이미지:spectrum.ieee.org)

그런 다음 연구원들은 AI를 사용하는 다른 유형의 생산 및 상업 활동을 살펴보았습니다. 한 가지 접근 방식은 단순히 큰 주차장에 있는 차의 수를 세는 것이었습니다. 이 분석에 따르면 2월 10일 현재 Tesla의 상하이 자동차 생산은 완전히 회복된 반면 상하이 디즈니랜드와 같은 관광 명소는 폐쇄 상태를 유지하고 있습니다.

GPS 위성 데이터를 분석해 통근하는 사람들을 파악할 수 있었다. 그런 다음 소프트웨어는 각 도시의 통근자 수를 계산하고 2019년 설 연휴 시작 시점과 2020년 해당 날짜의 통근자 수를 비교했습니다. 두 해 모두 공휴일이 시작될 때 통근자 수가 감소했습니다. , 그러나 올해는 2019년과 같이 연휴 이후 정상 물량이 재개되지 않았습니다.

활동이 천천히 회복되면서 WeBank 연구원들은 2020년 3월 10일까지 노동력의 약 75%가 직장으로 복귀했다고 계산했습니다. 연구원들은 이러한 곡선을 예상하여 우한에 있는 근로자를 제외한 대부분의 중국 근로자가 3월 말까지 업무에 복귀할 것이라고 결론지었습니다.

코로나바이러스 문제에 대응하려는 사람들은 강력한 도구를 마음대로 사용할 수 있으며 위기 상황에서 가치를 입증하는 솔루션은 문제가 해결된 후 표준 관행이 될 수 있습니다.

<시간 />

참조

1 Mariotti, E. (2020년 3월 6일). 이탈리아의 Covid-19 발병을 모델링합니다.

---

>> 이 기사 원래 자매 사이트인 EE Times Europe에 게시되었습니다.