شعار زيفيرنت

ذكاء البيانات التوليدية

AI

كيف تعمل HSR.health على الحد من مخاطر انتشار الأمراض من الحيوانات إلى البشر باستخدام القدرات الجغرافية المكانية لـ Amazon SageMaker | خدمات الويب الأمازون

أعاد نشره أفلاطون
أعاد نشره أفلاطون

التاريخ:

المشاهدات: 58

هذا منشور ضيف شارك في تأليفه أجاي كيه جوبتا، وجان فيليبي تيوتونيو، وبول إيه تشيرشارد من HSR.health.

HSR.الصحة هي شركة تحليلات المخاطر الصحية الجغرافية المكانية التي تتمثل رؤيتها في أن التحديات الصحية العالمية قابلة للحل من خلال البراعة البشرية والتطبيق المركّز والدقيق لتحليلات البيانات. في هذا المنشور، نقدم نهجًا واحدًا للوقاية من الأمراض الحيوانية المنشأ قدرات Amazon SageMaker الجغرافية المكانية لإنشاء أداة توفر معلومات أكثر دقة عن انتشار المرض لعلماء الصحة لمساعدتهم على إنقاذ المزيد من الأرواح بشكل أسرع.

الأمراض الحيوانية المنشأ تؤثر على كل من الحيوانات والبشر. انتقال المرض من الحيوان إلى الإنسان، والمعروف باسم امتداد، هي ظاهرة تحدث باستمرار على كوكبنا. وفقًا للمنظمات الصحية مثل مراكز السيطرة على الأمراض والوقاية منها (CDC) ومنظمة الصحة العالمية (من الذى)، حدث غير مباشر في سوق رطبة في ووهان، الصين، تسبب على الأرجح في الإصابة بمرض فيروس كورونا 2019 (كوفيد-19). تشير الدراسات إلى أن الفيروس الموجود في خفافيش الفاكهة خضع لطفرات كبيرة، مما سمح له بإصابة البشر. من المحتمل أن يكون المريض الأولي، أو "المريض صفر"، لـCOVID-19 قد بدأ تفشيًا محليًا لاحقًا وانتشر في النهاية على المستوى الدولي. HSR.الصحية ويهدف مؤشر مخاطر الانتشار الحيواني المصدر إلى المساعدة في تحديد حالات التفشي المبكرة هذه قبل أن تعبر الحدود الدولية وتؤدي إلى تأثير عالمي واسع النطاق.

إن السلاح الرئيسي الذي تمتلكه الصحة العامة ضد انتشار الفاشيات الإقليمية هو مراقبة الأمراض: نظام متشابك بالكامل للإبلاغ عن الأمراض والتحقيق فيها ونقل البيانات بين المستويات المختلفة لنظام الصحة العامة. ولا يعتمد هذا النظام على العوامل البشرية فحسب، بل يعتمد أيضًا على التكنولوجيا والموارد اللازمة لجمع بيانات المرض، وتحليل الأنماط، وإنشاء تدفق ثابت ومستمر لنقل البيانات من السلطات الصحية المحلية إلى الإقليمية إلى السلطات الصحية المركزية.

إن السرعة التي تحول بها مرض فيروس كورونا 19 (COVID-XNUMX) من تفشي محلي إلى مرض عالمي موجود في كل قارة، يجب أن تكون مثالا واضحا على الحاجة الماسة إلى تسخير التكنولوجيا المبتكرة لإنشاء أنظمة أكثر كفاءة ودقة لمراقبة الأمراض.

يرتبط خطر انتشار الأمراض الحيوانية المنشأ ارتباطًا وثيقًا بعوامل اجتماعية وبيئية وجغرافية متعددة تؤثر على عدد مرات تفاعل البشر مع الحياة البرية. HSR.الصحة يستخدم مؤشر مخاطر انتشار الأمراض الحيوانية المنشأ أكثر من 20 عاملاً جغرافيًا واجتماعيًا وبيئيًا متميزًا معروفًا تاريخيًا بتأثيره على خطر التفاعل بين الإنسان والحياة البرية وبالتالي خطر انتشار الأمراض الحيوانية المنشأ. ويمكن رسم خرائط للعديد من هذه العوامل من خلال مجموعة من صور الأقمار الصناعية والاستشعار عن بعد.

في هذا المقال، نستكشف كيفية HSR.الصحية تستخدم إمكانات SageMaker الجغرافية المكانية لاسترداد الميزات ذات الصلة من صور الأقمار الصناعية والاستشعار عن بعد لتطوير مؤشر المخاطر. تسهل قدرات SageMaker الجغرافية المكانية على علماء البيانات ومهندسي التعلم الآلي (ML) إنشاء النماذج وتدريبها ونشرها باستخدام البيانات الجغرافية المكانية. باستخدام إمكانات SageMaker الجغرافية المكانية، يمكنك تحويل أو إثراء مجموعات البيانات الجغرافية المكانية واسعة النطاق بكفاءة، وتسريع بناء النماذج باستخدام نماذج ML المدربة مسبقًا، واستكشاف تنبؤات النماذج والبيانات الجغرافية المكانية على خريطة تفاعلية باستخدام الرسومات المسرَّعة ثلاثية الأبعاد وأدوات التصور المدمجة.

استخدام تعلم الآلة والبيانات الجغرافية المكانية لتخفيف المخاطر

يعد التعلم الآلي فعالاً للغاية في اكتشاف الحالات الشاذة في البيانات المكانية أو الزمنية نظرًا لقدرته على التعلم من البيانات دون برمجته بشكل صريح لتحديد أنواع معينة من الحالات الشاذة. غالبًا ما تحتوي البيانات المكانية، التي تتعلق بالموضع المادي للأشياء وشكلها، على أنماط وعلاقات معقدة قد يكون من الصعب على الخوارزميات التقليدية تحليلها.

يؤدي دمج التعلم الآلي مع البيانات الجغرافية المكانية إلى تعزيز القدرة على اكتشاف الحالات الشاذة والأنماط غير العادية بشكل منهجي، وهو أمر ضروري لأنظمة الإنذار المبكر. تعتبر هذه الأنظمة حاسمة في مجالات مثل المراقبة البيئية وإدارة الكوارث والأمن. تسمح النمذجة التنبؤية باستخدام البيانات الجغرافية المكانية التاريخية للمؤسسات بتحديد الأحداث المستقبلية المحتملة والاستعداد لها. تتراوح هذه الأحداث من الكوارث الطبيعية واضطرابات حركة المرور إلى تفشي الأمراض، كما يناقش هذا المنشور.

الكشف عن مخاطر الانتشار الحيواني

للتنبؤ بمخاطر الانتشار الحيواني المصدر، HSR.الصحة وقد اعتمدت نهجا متعدد الوسائط. وباستخدام مزيج من أنواع البيانات - بما في ذلك المعلومات البيئية والجغرافية الحيوية والوبائية - تتيح هذه الطريقة إجراء تقييم شامل لديناميات المرض. يعد هذا المنظور متعدد الأوجه أمرًا بالغ الأهمية لتطوير تدابير استباقية وتمكين الاستجابة السريعة لتفشي المرض.

ويتضمن النهج المكونات التالية:

  • بيانات الأمراض وتفشيها – HSR.الصحة يستخدم بيانات الأمراض وتفشي المرض واسعة النطاق المقدمة من جدعون ومنظمة الصحة العالمية، وهما مصدران موثوقان للمعلومات الوبائية العالمية. تعمل هذه البيانات كركيزة أساسية في إطار التحليلات. بالنسبة لجيديون، يمكن الوصول إلى البيانات من خلال واجهة برمجة التطبيقات، وبالنسبة لمنظمة الصحة العالمية، يمكن الوصول إلى البيانات HSR.الصحة قامت ببناء نموذج لغة كبير (LLM) لاستخراج بيانات تفشي الأمراض من تقارير تفشي الأمراض السابقة.
  • بيانات رصد الأرض – تعتبر العوامل البيئية وتحليل استخدام الأراضي والكشف عن التغيرات في الموائل عناصر أساسية لتقييم المخاطر الحيوانية. ويمكن استخلاص هذه الأفكار من بيانات رصد الأرض المعتمدة على الأقمار الصناعية. HSR.الصحة قادر على تبسيط استخدام بيانات مراقبة الأرض باستخدام إمكانات SageMaker الجغرافية المكانية للوصول إلى مجموعات البيانات الجغرافية المكانية واسعة النطاق ومعالجتها. تقدم SageMaker Geospatial كتالوجًا غنيًا بالبيانات، بما في ذلك مجموعات البيانات من USGS Landsat-8 وSentinel-1 وSentinel-2 وغيرها. ومن الممكن أيضًا جلب مجموعات بيانات أخرى، مثل الصور عالية الدقة من Planet Labs.
  • المحددات الاجتماعية للمخاطر - ما وراء العوامل البيولوجية والبيئية، فريق HSR.الصحة تعتبر أيضًا المحددات الاجتماعية، التي تشمل مختلف المؤشرات الاجتماعية والاقتصادية والديموغرافية، وتلعب دورًا محوريًا في تشكيل ديناميكيات انتشار الأمراض الحيوانية المنشأ.

من هذه المكونات، HSR.الصحة تم تقييم مجموعة من العوامل المختلفة، وتم تحديد السمات التالية باعتبارها مؤثرة في تحديد مخاطر انتشار الأمراض الحيوانية المنشأ:

  • موائل الحيوانات والمناطق الصالحة للسكن – يعد فهم موائل العوائل الحيوانية المحتملة ومناطقها الصالحة للسكن أمرًا أساسيًا لتقييم مخاطر انتقال العدوى.
  • المراكز السكانية - يعد القرب من المناطق المكتظة بالسكان أحد الاعتبارات الرئيسية لأنه يؤثر على احتمالية التفاعلات بين الإنسان والحيوان.
  • فقدان المنزل – يمكن أن يؤدي تدهور الموائل الطبيعية، وخاصة من خلال إزالة الغابات، إلى تسريع الأحداث غير المباشرة الحيوانية.
  • واجهة الإنسان البرية - المناطق التي تتقاطع فيها المستوطنات البشرية مع موائل الحياة البرية هي نقاط ساخنة محتملة لانتقال الأمراض الحيوانية المنشأ.
  • الخصائص الاجتماعية - يمكن للعوامل الاجتماعية والاقتصادية والثقافية أن تؤثر بشكل كبير على المخاطر الحيوانية المنشأ، وعلى مخاطر الأمراض الحيوانية المنشأ.الصحية يفحص هذه أيضا.
  • خصائص صحة الإنسان – تعد الحالة الصحية للسكان المحليين متغيرًا أساسيًا لأنها تؤثر على قابلية التعرض للمرض وديناميكيات انتقاله.

حل نظرة عامة

HSR.الصحةيشمل سير عمل s المعالجة المسبقة للبيانات واستخراج الميزات وإنشاء تصورات إعلامية باستخدام تقنيات ML. وهذا يسمح بفهم واضح لتطور البيانات من شكلها الأولي إلى رؤى قابلة للتنفيذ.

فيما يلي تمثيل مرئي لسير العمل، بدءًا من بيانات الإدخال من Gideon، وبيانات مراقبة الأرض، والمحدد الاجتماعي لبيانات المخاطر.

حل نظرة عامة

يمكنك استرداد صور الأقمار الصناعية ومعالجتها باستخدام إمكانات SageMaker الجغرافية المكانية

تشكل بيانات الأقمار الصناعية حجر الزاوية في التحليل الذي يتم إجراؤه لبناء مؤشر المخاطر، مما يوفر معلومات مهمة عن التغيرات البيئية. لتوليد رؤى من صور الأقمار الصناعية، HSR.الصحة يستخدم وظائف مراقبة الأرض (EOJs). تمكن EOJs من الحصول على البيانات النقطية المجمعة من سطح الأرض وتحويلها. تحصل EOJ على صور القمر الصناعي من مصدر بيانات محدد - على سبيل المثال، مجموعة من الأقمار الصناعية - على منطقة وفترة زمنية محددة. ثم يقوم بعد ذلك بتطبيق نموذج واحد أو أكثر على الصور المستردة.

بالإضافة إلى ذلك، أمازون ساجميكر ستوديو يقدم دفترًا جغرافيًا مكانيًا مثبتًا مسبقًا بمكتبات جغرافية مكانية شائعة الاستخدام. يتيح هذا الكمبيوتر الدفتري إمكانية التصور المباشر ومعالجة البيانات الجغرافية المكانية داخل بيئة دفتر ملاحظات Python. يمكن إنشاء EOJs في بيئة دفتر الملاحظات الجغرافية المكانية.

لتكوين EOJ، يتم استخدام المعلمات التالية:

  • تكوين الإدخال - يحدد تكوين الإدخال مصادر البيانات ومعايير التصفية التي سيتم استخدامها أثناء الحصول على البيانات:
    • RasterDataCollectionArn – تحديد القمر الصناعي الذي سيتم جمع البيانات منه.
    • مجال الاهتمام - تحدد المنطقة الجغرافية محل الاهتمام (AOI) حدود المضلعات لجمع الصور.
    • مرشح النطاق الزمني - النطاق الزمني للفائدة: {StartTime: <string>, EndTime: <string>}.
    • مرشحات الملكية - مرشحات خصائص إضافية، مثل النسبة المقبولة للتغطية السحابية أو زوايا سمت الشمس المطلوبة.
  • تكوين الوظيفة - يحدد هذا التكوين نوع المهمة التي سيتم تطبيقها على بيانات صور القمر الصناعي المستردة. وهو يدعم عمليات مثل الرياضيات النطاقية أو إعادة أخذ العينات أو الفسيفساء الأرضية أو إزالة السحابة.

يوضح رمز المثال التالي تشغيل EOJ لإزالة السحابة، وهو ما يمثل الخطوات التي يقوم بها HSR.الصحة:

eoj_input_config = {
    "RasterDataCollectionQuery": {
        "RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
        "AreaOfInterest": {
            "AreaOfInterestGeometry": {
                "PolygonGeometry": {
                    "Coordinates": [
                        [
                            [-76.23240119828894,-6.268815697653608],
                            [-76.23240119828894,-6.339419992332921],
                            [-76.13834453776985,-6.339419992332921],
                            [-76.13834453776985,-6.268815697653608],
                            [-76.23240119828894,-6.268815697653608]                       
        ]
                    ]
                }
            }
        },
        "TimeRangeFilter": {
            "StartTime": "2022-03-01T00:00:00Z",
            "EndTime": "2022-06-30T23:59:59Z",
        },
        "PropertyFilters": {
            "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0.0, "UpperBound": 2.0}}}],
            "LogicalOperator": "AND",
        },
    }
}
eoj_job_config = {
    "CloudRemovalConfig": {
        "AlgorithmName": "INTERPOLATION",
        "InterpolationValue": "-9999",
        "TargetBands": ["red", "green", "blue", "nir", "swir16"],
    }
}

eoj = geospatial_client.start_earth_observation_job(
    Name="eoj-analysis-loreto",
    InputConfig=eoj_input_config,
    JobConfig=eoj_job_config,
    ExecutionRoleArn=execution_role,
)

HSR.الصحة استخدم عدة عمليات للمعالجة المسبقة للبيانات واستخراج الميزات ذات الصلة. ويشمل ذلك عمليات مثل تصنيف الغطاء الأرضي، ورسم خرائط لتغير درجات الحرارة، ومؤشرات الغطاء النباتي.

أحد مؤشرات الغطاء النباتي ذات الصلة بالإشارة إلى صحة الغطاء النباتي هو مؤشر الاختلاف الطبيعي للغطاء النباتي (NDVI). يقيس مؤشر NDVI صحة الغطاء النباتي باستخدام ضوء الأشعة تحت الحمراء القريبة، الذي يعكسه الغطاء النباتي، والضوء الأحمر، الذي يمتصه الغطاء النباتي. يمكن أن يكشف رصد مؤشر الغطاء النباتي للغطاء النباتي بمرور الوقت عن التغيرات في الغطاء النباتي، مثل تأثير الأنشطة البشرية مثل إزالة الغابات.

يوضح مقتطف التعليمات البرمجية التالي كيفية حساب مؤشر الغطاء النباتي مثل مؤشر NDVI بناءً على البيانات التي تم تمريرها من خلال إزالة السحابة:

eoj_input_config = {
    "PreviousEarthObservationJobArn": eoj["Arn"]
}
eoj_job_config = {
  "BandMathConfig": {
    "CustomIndices": {
        "Operations": [
            {
                "Equation": "(nir - red) / (nir + red)",
                "Name": "ndvi",
                "OutputType": "FLOAT32"
            }
        ]
    }
  }
}
eoj = geospatial_client.start_earth_observation_job(
    Name="eoj-vi-ndvi",
    InputConfig=eoj_input_config,
    JobConfig=eoj_job_config,
    ExecutionRoleArn=execution_role,
)

تصور EOJ

يمكننا تصور مخرجات الوظيفة باستخدام إمكانيات SageMaker الجغرافية المكانية. يمكن أن تساعدك إمكانات SageMaker الجغرافية المكانية على تراكب تنبؤات النماذج على خريطة أساسية وتوفير تصور متعدد الطبقات لتسهيل التعاون. باستخدام المتخيل التفاعلي المدعوم بوحدة معالجة الرسومات ودفاتر ملاحظات Python، من الممكن استكشاف ملايين نقاط البيانات في عرض واحد، مما يسهل الاستكشاف التعاوني للرؤى والنتائج.

توضح الخطوات الموضحة في هذا المنشور واحدة فقط من الميزات العديدة المستندة إلى البيانات النقطية التي يوفرها HSR.الصحة تم استخراجه لإنشاء مؤشر المخاطر.

الجمع بين الميزات المستندة إلى البيانات النقطية والبيانات الصحية والاجتماعية

بعد استخراج الميزات ذات الصلة بتنسيق البيانات النقطية، تم إنشاء HSR.الصحة استخدمت إحصائيات المناطق لتجميع البيانات النقطية داخل مضلعات الحدود الإدارية التي تم تخصيص البيانات الاجتماعية والصحية لها. يتضمن التحليل مجموعة من البيانات الجغرافية المكانية النقطية والمتجهة. يسمح هذا النوع من التجميع بإدارة البيانات النقطية في إطار البيانات الجغرافية، مما يسهل تكاملها مع البيانات الصحية والاجتماعية لإنتاج مؤشر المخاطر النهائي.

يوضح مقتطف التعليمات البرمجية التالي كيفية تجميع البيانات النقطية إلى حدود المتجهات الإدارية:

import geopandas as gp
import numpy as np
import pandas as pd
import rasterio
from rasterstats import zonal_stats
import pandas as pd

def get_proportions(inRaster, inVector, classDict, idCols, year):
    # Reading In Vector File
    if '.parquet' in inVector:
        vector = gp.read_parquet(inVector)
    else:
        vector = gp.read_file(inVector)
    raster = rasterio.open(inRaster)
    vector = vector.to_crs(raster.crs)
    # Retrieving the Bounding Box for the Raster Image
    xmin, ymin, xmax, ymax = raster.bounds
    # Selecting the Vector Features that Intersect with the Raster Bounding Box
    vector = vector.cx[xmin:xmax, ymin:ymax]
    vector = vector.reset_index()
    # Calculate the sum of pixels of each class in the vector geometries
    stats = zonal_stats(vector.geometry, raster.read(1), affine=raster.transform, nodata=raster.nodata, categorical=True)
    # Creating a dataframe with the class sum of pixels and the id fields of the vector geometries
    df1 = pd.DataFrame(data=stats)
    df1 = df1.fillna(0)
    df1['totalpixels'] = df1.sum(axis=1)  
    df1['year'] = year 
    if 'year' in vector.columns.tolist():
        vector = vector.drop(['year'], 1)
    # Merging the class sum of pixels dataframe with the vector geodataframe
    df = vector.merge(df1, left_index=True, right_index=True)
    # Renaming Columns
    cdict = pd.read_csv(classDict)
    cdict = cdict.set_index("Value")['Class_name'].to_dict()
    df = df.rename(columns=cdict)
    keptCols = [x for x in df.columns.tolist() if x in idCols + list(cdict.values()) + ['totalpixels', 'year']]
    df = df[keptCols]
    return(df)

def aggregateData(rasterList, inVector, classDict, idCols, years):
    dfList = []
    # Creating aggregated raster to vector geodataframes for all rasters in rasterList
    for tiff in rasterList:
        inRaster = tiff
        year = [x for x in years if x in tiff][0]
        dfList.append(get_proportions(inRaster, inVector, classDict, idCols, year))
    # Concating into a single geodataframe
    allDf = pd.concat(dfList, ignore_index=True)
    classDictDf = pd.read_csv(classDict)
    # Renaming the numerical values of the categories to the string version of the category name
    classCols = classDictDf['Class_name'].unique().tolist()
    # Summing the pixel counts by administrative division as a single administrative division might cover more than one raster image
    for col in classCols:
        allDf[col] = allDf[col].fillna(0)
        allDf[col] = allDf.groupby(idCols + ['year'])[col].transform(lambda x: x.sum())
    # Removing Duplicates from the dataframe
    allDf = allDf.groupby(idCols + ['year']).first().reset_index()
    # Reattaching the geometry to the aggregated raster data
    if '.parquet' in inVector:
        vector = gp.read_parquet(inVector)
    else:
        vector = gp.read_file(inVector)
    allDf = vector.merge(allDf, on=idCols)
    return(allDf)

لتقييم الميزات المستخرجة بشكل فعال، يتم استخدام نماذج تعلم الآلة للتنبؤ بالعوامل التي تمثل كل ميزة. أحد النماذج المستخدمة هو جهاز ناقل الدعم (SVM). يساعد نموذج SVM في الكشف عن الأنماط والارتباطات ضمن البيانات التي تساعد في تقييم المخاطر.

ويمثل المؤشر تقييما كميا لمستويات المخاطر، محسوبا كمتوسط ​​مرجح لهذه العوامل، للمساعدة في فهم الأحداث غير المباشرة المحتملة في مختلف المناطق.

import pandas as pd
import numpy as np
import geopandas as gp

def finalIndicatorCalculation(inputLayer, weightDictionary, outLayer):
    # Creating a dictionary with the weights for each factor in the indicator
    weightsDict = pd.read_csv(weightDictionary).set_index('metric')['weight'].to_dict()
    # Reading in the data from the layer
    layer = gp.read_file(inputLayer)
    # Initializing the Sum of the Weights
    layer['sumweight'] = 0
    # Calculating the sum of the weighted factors
    for col in weightsDict.keys():
        layer[col] = layer[col].fillna(0)
        layer['sumweight'] = layer['sumweight'] + (layer[col] * zweights[col])
    # Calculating Raw Zoonotic Spillover Risk Index
    layer['raw_idx'] = np.log(layer['e_pop']) * layer['sumweight']
    # Normalizing the Index between 0 and 100
    layer['zs_idx'] = ((layer['raw_idx'] - layer['raw_idx'].min()) / (layer['raw_idx'].max() - layer['raw_idx'].min()) * 100).round(2)
    return(layer)

يوضح الشكل التالي على اليسار تجميع تصنيف الصور من مشهد منطقة الاختبار في شمال بيرو المجمعة على المستوى الإداري للمنطقة مع التغير المحسوب في مساحة الغابات بين 2018-2023. تعد إزالة الغابات أحد العوامل الرئيسية التي تحدد خطر انتشار الأمراض الحيوانية المنشأ. يسلط الشكل الموجود على اليمين الضوء على مستويات شدة مخاطر انتشار الأمراض الحيوانية المنشأ داخل المناطق المشمولة، والتي تتراوح من أعلى مستوى (أحمر) إلى أدنى مستوى (أخضر داكن). تم اختيار المنطقة كأحد مناطق التدريب لتصنيف الصور بسبب تنوع الغطاء الأرضي الذي تم تصويره في المشهد، بما في ذلك: المناطق الحضرية والغابات والرمال والمياه والمراعي والزراعة وغيرها. بالإضافة إلى ذلك، يعد هذا أحد المجالات العديدة المثيرة للاهتمام للأحداث غير المباشرة الحيوانية المحتملة بسبب إزالة الغابات والتفاعل بين البشر والحيوانات.

مستويات خطورة انتشار الأمراض الحيوانية المنشأ في شمال بيرو

من خلال اعتماد هذا النهج متعدد الوسائط، الذي يشمل البيانات التاريخية حول تفشي الأمراض، وبيانات مراقبة الأرض، والمحددات الاجتماعية، وتقنيات التعلم الآلي، يمكننا فهم مخاطر انتشار الأمراض الحيوانية المنشأ والتنبؤ بها بشكل أفضل، وتوجيه استراتيجيات مراقبة الأمراض والوقاية منها في نهاية المطاف إلى المناطق الأكثر عرضة لخطر تفشي المرض. تُظهر لقطة الشاشة التالية لوحة معلومات لمخرجات تحليل مخاطر الانتشار الحيواني. يسلط تحليل المخاطر هذا الضوء على الأماكن التي يمكن أن تحدث فيها الموارد والمراقبة لتفشي الأمراض الحيوانية المنشأ الجديدة المحتملة حتى يمكن احتواء المرض التالي قبل أن يصبح متوطنًا أو وباءً جديدًا.

لوحة معلومات تحليل مخاطر الانتشار الحيواني

نهج جديد للوقاية من الأوبئة

في عام 1998، على طول نهر نيباه في ماليزيا، بين خريف عام 1998 وربيع عام 1999، أصيب 265 شخصًا بفيروس غير معروف آنذاك تسبب في التهاب الدماغ الحاد وضيق تنفسي حاد. توفي 105 منهم، بمعدل وفيات 39.6%. وعلى النقيض من ذلك، يبلغ معدل الوفيات الناجمة عن مرض كوفيد-19 غير المعالج 6.3%. ومنذ ذلك الحين، انتقل فيروس نيباه، كما يطلق عليه الآن، من موطنه في الغابات وتسبب في أكثر من 20 حالة تفشي مميتة، معظمها في الهند وبنجلاديش.

تظهر فيروسات مثل نيباه كل عام، مما يفرض تحديات على حياتنا اليومية، وخاصة في البلدان حيث يكون إنشاء أنظمة قوية ودائمة وقوية لمراقبة الأمراض والكشف عنها أكثر صعوبة. تعتبر أنظمة الكشف هذه ضرورية لتقليل المخاطر المرتبطة بمثل هذه الفيروسات.

يمكن للحلول التي تستخدم التعلم الآلي والبيانات الجغرافية المكانية، مثل مؤشر مخاطر الانتشار الحيواني، أن تساعد سلطات الصحة العامة المحلية في تحديد أولويات تخصيص الموارد للمناطق الأكثر عرضة للخطر. ومن خلال القيام بذلك، يمكنهم إنشاء تدابير مراقبة مستهدفة ومحلية لاكتشاف ووقف تفشي المرض على المستوى الإقليمي قبل أن يمتد إلى خارج الحدود. ويمكن لهذا النهج أن يحد بشكل كبير من تأثير تفشي المرض وأن ينقذ الأرواح.

وفي الختام

أظهر هذا المنشور كيف HSR.الصحة نجحت في تطوير مؤشر مخاطر الانتشار الحيواني من خلال دمج البيانات الجغرافية المكانية والصحة والمحددات الاجتماعية والتعلم الآلي. باستخدام SageMaker، أنشأ الفريق سير عمل قابلاً للتطوير يمكنه تحديد التهديدات الأكثر أهمية التي قد تنجم عن جائحة محتمل في المستقبل. ومن الممكن أن تؤدي الإدارة الفعالة لهذه المخاطر إلى خفض عبء المرض العالمي. ولا يمكن المبالغة في تقدير المزايا الاقتصادية والاجتماعية الكبيرة المترتبة على الحد من مخاطر الأوبئة، حيث تمتد الفوائد على المستويين الإقليمي والعالمي.

HSR.الصحة استخدمت قدرات SageMaker الجغرافية المكانية للتنفيذ الأولي لمؤشر مخاطر الانتشار الحيواني وتسعى الآن إلى إقامة شراكات، فضلاً عن الدعم من البلدان المضيفة ومصادر التمويل، لتطوير المؤشر بشكل أكبر وتوسيع نطاق تطبيقه ليشمل مناطق إضافية حول العالم. لمزيد من المعلومات حول HSR.الصحة ومؤشر مخاطر الامتداد الحيواني، تفضل بزيارة www.hsr.health.

اكتشف إمكانية دمج بيانات مراقبة الأرض في مبادرات الرعاية الصحية الخاصة بك من خلال استكشاف ميزات SageMaker الجغرافية المكانية. لمزيد من المعلومات، راجع قدرات Amazon SageMaker الجغرافية المكانية، أو التعامل معها أمثلة إضافية للحصول على الخبرة العملية.

حول المؤلف

أجاي ك غوبتاأجاي ك غوبتا هو المؤسس المشارك والرئيس التنفيذي لشركة HSR.health، وهي شركة تعمل على تعطيل وابتكار تحليلات المخاطر الصحية من خلال التكنولوجيا الجغرافية المكانية وتقنيات الذكاء الاصطناعي للتنبؤ بانتشار المرض وشدته. ويقدم هذه الأفكار للصناعة والحكومات والقطاع الصحي حتى يتمكنوا من توقع المخاطر المستقبلية وتخفيفها والاستفادة منها. خارج العمل، يمكنك العثور على أجاي خلف الميكروفون وهو يدق طبلة الأذن بينما يعزف نغمات موسيقى البوب ​​المفضلة لديه من U2 أو Sting أو George Michael أو Imagine Dragons.

جان فيليبي تيوتونيوجان فيليبي تيوتونيو هو طبيب متحمس وخبير متحمس في جودة الرعاية الصحية وعلم وبائيات الأمراض المعدية، ويقود جان فيليبي فريق الصحة العامة في HSR.health. إنه يعمل على تحقيق الهدف المشترك المتمثل في تحسين الصحة العامة من خلال تقليل العبء العالمي للمرض من خلال الاستفادة من مناهج GeoAI لتطوير حلول لأكبر التحديات الصحية في عصرنا. خارج العمل، تشمل هواياته قراءة كتب الخيال العلمي، والمشي لمسافات طويلة، والدوري الإنجليزي الممتاز، والعزف على الجيتار.

بول أ باحة الكنيسةبول أ باحة الكنيسة، CTO ورئيس مهندسي الجغرافيا المكانية لشركة HSR.health، يستخدم مهاراته وخبراته التقنية الواسعة لبناء البنية التحتية الأساسية للشركة بالإضافة إلى منصة GeoMD الحاصلة على براءة اختراع والمملوكة لها. بالإضافة إلى ذلك، يقوم هو وفريق علم البيانات بدمج التحليلات الجغرافية المكانية وتقنيات الذكاء الاصطناعي/التعلم الآلي في جميع مؤشرات المخاطر الصحية التي تنتجها HSR.health. خارج العمل، بول هو DJ علم نفسه بنفسه ويحب الثلج.

يانوش فوشيتزيانوش فوشيتز هو أحد كبار مهندسي الحلول في AWS، وهو متخصص في الذكاء الاصطناعي/تعلم الآلة الجغرافي المكاني. ومع أكثر من 15 عامًا من الخبرة، فهو يدعم العملاء على مستوى العالم في الاستفادة من الذكاء الاصطناعي والتعلم الآلي للحلول المبتكرة التي تستفيد من البيانات الجغرافية المكانية. تشمل خبرته التعلم الآلي، وهندسة البيانات، والأنظمة الموزعة القابلة للتطوير، مدعومة بخلفية قوية في هندسة البرمجيات والخبرة الصناعية في المجالات المعقدة مثل القيادة الذاتية.

ايميت نيلسونايميت نيلسون هو مدير حسابات في AWS يدعم عملاء الأبحاث غير الربحية عبر مجالات الرعاية الصحية وعلوم الحياة، وعلوم الأرض / البيئة، وقطاعات التعليم. ينصب تركيزه الأساسي على تمكين حالات الاستخدام عبر التحليلات، والذكاء الاصطناعي/التعلم الآلي، والحوسبة عالية الأداء (HPC)، وعلم الجينوم، والتصوير الطبي. انضم Emmett إلى AWS في عام 2020 ويقيم في أوستن، تكساس.

بقعة_صورة

أحدث المعلومات الاستخباراتية

بقعة_صورة

حقوق النشر @ 2024 Plato Technologies Inc.