Dit is een gastpost mede geschreven door Ajay K Gupta, Jean Felipe Teotonio en Paul A Churchyard van HSR.health.

HSR.Gezondheid is een geospatiaal analysebedrijf voor gezondheidsrisico's, wiens visie is dat mondiale gezondheidsproblemen oplosbaar zijn door menselijk vernuft en de gerichte en nauwkeurige toepassing van data-analyse. In dit bericht presenteren we één aanpak voor de preventie van zoönotische ziekten waarbij gebruik wordt gemaakt van: Amazon SageMaker georuimtelijke mogelijkheden om een ​​hulpmiddel te creëren dat nauwkeurigere informatie over de verspreiding van ziekten biedt aan gezondheidswetenschappers, zodat ze sneller meer levens kunnen redden.

Zoönotische ziekten treffen zowel dieren als mensen. De overgang van een ziekte van dier naar mens, ook wel bekend als spillover, is een fenomeen dat voortdurend op onze planeet voorkomt. Volgens gezondheidsorganisaties zoals de Centers for Disease Control and Prevention (CDC) en de Wereldgezondheidsorganisatie (WIE), heeft een overloopgebeurtenis op een natte markt in Wuhan, China hoogstwaarschijnlijk de coronavirusziekte 2019 (COVID-19) veroorzaakt. Studies suggereren dat een virus dat in fruitvleermuizen wordt aangetroffen, aanzienlijke mutaties heeft ondergaan, waardoor het mensen kan infecteren. De initiële patiënt, of ‘patiënt nul’, voor COVID-19 begon waarschijnlijk een daaropvolgende lokale uitbraak die zich uiteindelijk internationaal verspreidde. HSR.volksgezondheid's Zoonotic Spillover Risk Index heeft tot doel te helpen bij de identificatie van deze vroege uitbraken voordat ze de internationale grenzen overschrijden en tot een wijdverbreide mondiale impact leiden.

Het belangrijkste wapen dat de volksgezondheid heeft tegen de verspreiding van regionale uitbraken is ziektesurveillance: een compleet in elkaar grijpend systeem van ziekterapportage, onderzoek en datacommunicatie tussen verschillende niveaus van een volksgezondheidssysteem. Dit systeem is niet alleen afhankelijk van menselijke factoren, maar ook van technologie en middelen om ziektegegevens te verzamelen, patronen te analyseren en een consistente en continue stroom van gegevensoverdracht van lokale naar regionale naar centrale gezondheidsautoriteiten te creëren.

De snelheid waarmee COVID-19 overging van een lokale uitbraak naar een mondiale ziekte die op elk continent aanwezig is, zou een ontnuchterend voorbeeld moeten zijn van de dringende noodzaak om innovatieve technologie te benutten om efficiëntere en nauwkeurigere ziektebewakingssystemen te creëren.

Het risico op de verspreiding van zoönotische ziekten is nauw gecorreleerd met meerdere sociale, ecologische en geografische factoren die van invloed zijn op hoe vaak mensen omgaan met wilde dieren. HSR.gezondheid De Zoönotische Ziekte-spillover-risico-index maakt gebruik van meer dan twintig verschillende geografische, sociale en omgevingsfactoren waarvan historisch bekend is dat ze het risico op interactie tussen mens en dier en daarmee het risico op zoönotische ziekte-overlooprisico's beïnvloeden. Veel van deze factoren kunnen in kaart worden gebracht door een combinatie van satellietbeelden en teledetectie.

In dit bericht onderzoeken we hoe HSR.volksgezondheid maakt gebruik van de geospatiale mogelijkheden van SageMaker om relevante kenmerken uit satellietbeelden en teledetectie te halen voor het ontwikkelen van de risico-index. De georuimtelijke mogelijkheden van SageMaker maken het voor datawetenschappers en machine learning (ML)-ingenieurs gemakkelijk om modellen te bouwen, trainen en implementeren met behulp van georuimtelijke gegevens. Met de geospatiale mogelijkheden van SageMaker kunt u grootschalige geospatiale datasets efficiënt transformeren of verrijken, de modelbouw versnellen met vooraf getrainde ML-modellen en modelvoorspellingen en geospatiale gegevens verkennen op een interactieve kaart met behulp van versnelde 3D-graphics en ingebouwde visualisatietools.

Gebruik van ML en georuimtelijke gegevens voor risicobeperking

ML is zeer effectief voor het detecteren van afwijkingen op ruimtelijke of temporele gegevens vanwege het vermogen om van gegevens te leren zonder expliciet geprogrammeerd te zijn om specifieke soorten afwijkingen te identificeren. Ruimtelijke gegevens, die betrekking hebben op de fysieke positie en vorm van objecten, bevatten vaak complexe patronen en relaties die voor traditionele algoritmen moeilijk te analyseren zijn.

Het integreren van ML met georuimtelijke gegevens vergroot de mogelijkheid om systematisch afwijkingen en ongebruikelijke patronen te detecteren, wat essentieel is voor systemen voor vroegtijdige waarschuwing. Deze systemen zijn van cruciaal belang op gebieden als milieumonitoring, rampenbeheer en veiligheid. Door voorspellende modellen te maken met behulp van historische georuimtelijke gegevens kunnen organisaties potentiële toekomstige gebeurtenissen identificeren en zich daarop voorbereiden. Deze gebeurtenissen variëren van natuurrampen en verkeersstoringen tot, zoals dit bericht bespreekt, uitbraken van ziekten.

Detecteren van zoönotische overlooprisico's

Om zoönotische overlooprisico's te voorspellen, is HSR.Gezondheid heeft gekozen voor een multimodale aanpak. Door gebruik te maken van een combinatie van gegevenstypen, waaronder milieu-, biogeografische en epidemiologische informatie, maakt deze methode een uitgebreide beoordeling van de ziektedynamiek mogelijk. Een dergelijk veelzijdig perspectief is van cruciaal belang voor het ontwikkelen van proactieve maatregelen en het mogelijk maken van een snelle reactie op uitbraken.

De aanpak omvat de volgende onderdelen:

• Gegevens over ziekten en uitbraken – HSR.Gezondheid maakt gebruik van de uitgebreide ziekte- en uitbraakgegevens van Gideon en de Wereldgezondheidsorganisatie (WHO), twee vertrouwde bronnen van mondiale epidemiologische informatie. Deze gegevens dienen als een fundamentele pijler in het analyseframework. Voor Gideon zijn de gegevens toegankelijk via een API, en voor de WHO HSR.Gezondheid heeft een groot taalmodel (LLM) gebouwd om uitbraakgegevens uit eerdere rapporten over uitbraken van ziekten te verzamelen.
• Gegevens over aardobservatie – Omgevingsfactoren, analyse van landgebruik en detectie van habitatveranderingen zijn integrale componenten bij het beoordelen van zoönotische risico's. Deze inzichten kunnen worden afgeleid uit op satellieten gebaseerde aardobservatiegegevens. HSR.Gezondheid is in staat het gebruik van aardobservatiegegevens te stroomlijnen door de geospatiale mogelijkheden van SageMaker te gebruiken om toegang te krijgen tot grootschalige geospatiale datasets en deze te manipuleren. SageMaker geospatial biedt een rijke datacatalogus, inclusief datasets van USGS Landsat-8, Sentinel-1, Sentinel-2 en anderen. Het is ook mogelijk om andere datasets in te brengen, zoals hoge resolutie beelden van Planet Labs.
• Sociale determinanten van risico – Naast biologische en omgevingsfactoren, het team van HSR.Gezondheid er wordt ook rekening gehouden met sociale determinanten, die verschillende sociaal-economische en demografische indicatoren omvatten, en een cruciale rol spelen bij het vormgeven van de zoönotische overloopdynamiek.

Van deze componenten, HSR.Gezondheid evalueerde een reeks verschillende factoren, en de volgende kenmerken zijn van invloed gebleken op het identificeren van zoönotische overlooprisico's:

• Dierenhabitats en bewoonbare zones – Het begrijpen van de habitats van potentiële zoönotische gastheren en hun bewoonbare zones is van fundamenteel belang voor het beoordelen van het transmissierisico.
• Bevolkingscentra – De nabijheid van dichtbevolkte gebieden is een belangrijke overweging, omdat deze de waarschijnlijkheid van interacties tussen mens en dier beïnvloedt.
• Verlies van leefomgeving – De achteruitgang van natuurlijke habitats, vooral door ontbossing, kan zoönotische overloopeffecten versnellen.
• Mens-wildland-interface – Gebieden waar menselijke nederzettingen kruisen met habitats voor wilde dieren zijn potentiële hotspots voor zoönotische overdracht.
• Sociale kenmerken – Sociaal-economische en culturele factoren kunnen een aanzienlijke invloed hebben op het zoönotische risico en de HSR.volksgezondheid onderzoekt deze ook.
• Kenmerken van de menselijke gezondheid – De gezondheidsstatus van lokale menselijke populaties is een essentiële variabele omdat deze de gevoeligheid en transmissiedynamiek beïnvloedt.

Overzicht oplossingen

HSR.GezondheidDe workflow van de onderneming omvat de voorverwerking van gegevens, de extractie van functies en het creëren van informatieve visualisaties met behulp van ML-technieken. Dit zorgt voor een duidelijk inzicht in de evolutie van de gegevens, van de ruwe vorm naar bruikbare inzichten.

Het volgende is een visuele weergave van de workflow, te beginnen met invoergegevens van Gideon, aardobservatiegegevens en sociale determinanten van risicogegevens.

Haal satellietbeelden op en verwerk ze met behulp van de geospatiale mogelijkheden van SageMaker

Satellietgegevens vormen de hoeksteen van de analyse die wordt uitgevoerd om de risico-index op te bouwen en verschaffen cruciale informatie over veranderingen in het milieu. Om inzichten uit satellietbeelden te genereren, heeft HSR.Gezondheid toepassingen Aardobservatie banen (EOJ's). EOJ's maken de verwerving en transformatie mogelijk van rastergegevens verzameld vanaf het aardoppervlak. Een EOJ verkrijgt satellietbeelden van een aangewezen gegevensbron, bijvoorbeeld een satellietconstellatie, over een specifiek gebied en een specifieke tijdsperiode. Vervolgens past het een of meer modellen toe op de opgehaalde afbeeldingen.

Bovendien Amazon SageMaker Studio biedt een georuimtelijke notebook waarop veelgebruikte georuimtelijke bibliotheken vooraf zijn geïnstalleerd. Deze notebook maakt directe visualisatie en verwerking van georuimtelijke gegevens mogelijk binnen een Python-notebookomgeving. EOJ's kunnen worden gemaakt in de geospatiale notebookomgeving.

Om een ​​EOJ te configureren, worden de volgende parameters gebruikt:

• Invoerconfiguratie – De invoerconfiguratie specificeert de gegevensbronnen en de filtercriteria die moeten worden gebruikt tijdens de gegevensverzameling:
  • RasterDataCollectionArn – Specificeert de satelliet waarvan gegevens moeten worden verzameld.
  • Gebied van intresse – Het geografische interessegebied (AOI) definieert de polygoongrenzen voor het verzamelen van afbeeldingen.
  • Tijdbereikfilter – Het tijdbereik van interesse: {StartTime: <string>, EndTime: <string>}.
  • PropertyFilters – Extra eigenschapsfilters, zoals acceptabel percentage bewolking of gewenste azimuthoeken van de zon.
• JobConfig – Deze configuratie definieert het type taak dat moet worden toegepast op de opgehaalde satellietbeeldgegevens. Het ondersteunt bewerkingen zoals bandwiskunde, resampling, geomosaïsche of cloudverwijdering.

De volgende voorbeeldcode demonstreert het uitvoeren van een EOJ voor het verwijderen van cloud, representatief voor de stappen die door HSR worden uitgevoerd.Gezondheid:

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.Gezondheid gebruikte verschillende bewerkingen om de gegevens voor te verwerken en relevante kenmerken te extraheren. Dit omvat operaties zoals classificatie van landbedekking, het in kaart brengen van temperatuurvariatie en vegetatie-indexen.

Een vegetatie-index die relevant is voor het aangeven van de gezondheid van de vegetatie is de Normalised Difference Vegetation Index (NDVI). De NDVI kwantificeert de gezondheid van de vegetatie door gebruik te maken van nabij-infraroodlicht, dat de vegetatie reflecteert, en rood licht, dat de vegetatie absorbeert. Door de NDVI in de loop van de tijd te monitoren, kunnen veranderingen in de vegetatie aan het licht komen, zoals de impact van menselijke activiteiten zoals ontbossing.

Het volgende codefragment laat zien hoe je een vegetatie-index zoals de NDVI kunt berekenen op basis van de gegevens die via wolkenverwijdering zijn doorgegeven:

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,
)

We kunnen de taakuitvoer visualiseren met behulp van de geospatiale mogelijkheden van SageMaker. De geospatiale mogelijkheden van SageMaker kunnen u helpen modelvoorspellingen op een basiskaart te leggen en gelaagde visualisatie te bieden om samenwerking eenvoudiger te maken. Met de GPU-aangedreven interactieve visualisator en Python-notebooks is het mogelijk om miljoenen datapunten in één weergave te verkennen, waardoor de gezamenlijke verkenning van inzichten en resultaten wordt vergemakkelijkt.

De stappen die in dit bericht worden beschreven, demonstreren slechts een van de vele rastergebaseerde functies van HSR.Gezondheid heeft geëxtraheerd om de risico-index te creëren.

Het combineren van rastergebaseerde functies met gezondheids- en sociale gegevens

Na het extraheren van de relevante features in rasterformaat, HSR.Gezondheid gebruikte zonale statistieken om de rastergegevens te aggregeren binnen de administratieve grenspolygonen waaraan de sociale en gezondheidsgegevens zijn toegewezen. De analyse omvat een combinatie van raster- en vectorgeospatiale gegevens. Dit soort aggregatie maakt het beheer van rastergegevens in een geodataframe mogelijk, wat de integratie ervan met de gezondheids- en sociale gegevens vergemakkelijkt om de uiteindelijke risico-index te produceren.

Het volgende codefragment laat zien hoe u rastergegevens kunt samenvoegen tot administratieve vectorgrenzen:

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)

Om de geëxtraheerde kenmerken effectief te evalueren, worden ML-modellen gebruikt om factoren te voorspellen die elk kenmerk vertegenwoordigen. Eén van de gebruikte modellen is een support vector machine (SVM). Het SVM-model helpt bij het onthullen van patronen en associaties binnen gegevens die ten grondslag liggen aan risicobeoordelingen.

De index vertegenwoordigt een kwantitatieve beoordeling van risiconiveaus, berekend als een gewogen gemiddelde van deze factoren, om te helpen bij het begrijpen van potentiële overloopgebeurtenissen in verschillende regio's.

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)

De volgende afbeelding aan de linkerkant toont de aggregatie van de beeldclassificatie van de testgebiedscène in Noord-Peru, geaggregeerd naar het districtsbestuursniveau, met de berekende verandering in het bosgebied tussen 2018-2023. Ontbossing is een van de belangrijkste factoren die het risico op zoönotische overloop bepalen. De figuur rechts benadrukt de ernstniveaus van het zoönotische overlooprisico binnen de betrokken regio's, variërend van het hoogste (rode) tot het laagste (donkergroene) risico. Het gebied werd gekozen als een van de oefengebieden voor de beeldclassificatie vanwege de diversiteit aan landbedekking die in de scène is vastgelegd, waaronder onder andere: stad, bos, zand, water, grasland en landbouw. Bovendien is dit een van de vele aandachtsgebieden voor potentiële zoönotische overloopgebeurtenissen als gevolg van de ontbossing en de interactie tussen mens en dier.

Door deze multimodale aanpak te hanteren, die historische gegevens over de uitbraak van ziekten, aardobservatiegegevens, sociale determinanten en ML-technieken omvat, kunnen we het zoönotische overlooprisico beter begrijpen en voorspellen, waardoor de surveillance- en preventiestrategieën van ziekten uiteindelijk kunnen worden gericht op gebieden met het grootste uitbraakrisico. De volgende schermafbeelding toont een dashboard van de output van een zoönotische overlooprisicoanalyse. Deze risicoanalyse benadrukt waar middelen en surveillance voor nieuwe potentiële zoönotische uitbraken kunnen plaatsvinden, zodat de volgende ziekte onder controle kan worden gebracht voordat deze een endemische of nieuwe pandemie wordt.

Een nieuwe benadering van pandemiepreventie

In 1998 raakten langs de Nipah-rivier in Maleisië tussen de herfst van 1998 en de lente van 1999 265 mensen besmet met een toen nog onbekend virus dat acute encefalitis en ernstige ademnood veroorzaakte. 105 van hen stierven, een sterftecijfer van 39.6%. Het onbehandelde sterftecijfer van COVID-19 bedraagt ​​daarentegen 6.3%. Sindsdien heeft het Nipah-virus, zoals het nu wordt genoemd, zijn boshabitat verlaten en meer dan twintig dodelijke uitbraken veroorzaakt, voornamelijk in India en Bangladesh.

Virussen zoals Nipah duiken elk jaar op en vormen een uitdaging voor ons dagelijks leven, vooral in landen waar het opzetten van sterke, duurzame en robuuste systemen voor ziektebewaking en -detectie moeilijker is. Deze detectiesystemen zijn van cruciaal belang voor het verminderen van de risico's die aan dergelijke virussen zijn verbonden.

Oplossingen die gebruik maken van ML en georuimtelijke gegevens, zoals de Zoonotic Spillover Risk Index, kunnen lokale volksgezondheidsautoriteiten helpen bij het prioriteren van de toewijzing van middelen aan gebieden met het hoogste risico. Door dit te doen kunnen ze gerichte en plaatselijke surveillancemaatregelen vaststellen om regionale uitbraken op te sporen en te stoppen voordat ze zich over de grenzen heen uitstrekken. Deze aanpak kan de impact van een ziekte-uitbraak aanzienlijk beperken en levens redden.

Conclusie

Dit bericht liet zien hoe HSR.Gezondheid heeft met succes de Zoonotic Spillover Risk Index ontwikkeld door geospatiale gegevens, gezondheid, sociale determinanten en ML te integreren. Door SageMaker te gebruiken creëerde het team een ​​schaalbare workflow die de meest substantiële bedreigingen van een potentiële toekomstige pandemie kan identificeren. Effectief beheer van deze risico’s kan leiden tot een vermindering van de mondiale ziektelast. De substantiële economische en sociale voordelen van het terugdringen van het pandemische risico kunnen niet genoeg worden benadrukt, waarbij de voordelen zich zowel regionaal als mondiaal uitstrekken.

HSR.Gezondheid gebruikte de geospatiale capaciteiten van SageMaker voor een eerste implementatie van de Zoonotic Spillover Risk Index en zoekt nu partnerschappen, evenals steun van gastlanden en financieringsbronnen, om de index verder te ontwikkelen en de toepassing ervan uit te breiden naar andere regio's over de hele wereld. Voor meer informatie over HSR.Gezondheid en de Zoönotische Spillover Risk Index, bezoek www.hsr.health.

Ontdek het potentieel van het integreren van aardobservatiegegevens in uw gezondheidszorginitiatieven door de geospatiale functies van SageMaker te verkennen. Voor meer informatie, zie Amazon SageMaker georuimtelijke mogelijkheden, of mee bezig zijn aanvullende voorbeelden om praktijkervaring op te doen.

Over de auteurs

Ajay K Gupta is medeoprichter en CEO van HSR.health, een bedrijf dat de analyse van gezondheidsrisico’s verstoort en innoveert door middel van geospatiale technologie en AI-technieken om de verspreiding en ernst van ziekten te voorspellen. En biedt deze inzichten aan de industrie, overheden en de gezondheidszorgsector, zodat zij kunnen anticiperen op toekomstige risico's, deze kunnen beperken en ervan kunnen profiteren. Buiten het werk kun je Ajay vinden achter de microfoon, terwijl hij zijn favoriete popmuzieknummers van U2, Sting, George Michael of Imagine Dragons laat horen.

Jean Felipe Teotonio is een gedreven arts en gepassioneerd expert op het gebied van zorgkwaliteit en epidemiologie van infectieziekten. Jean Felipe leidt het volksgezondheidsteam van HSR.health. Hij werkt aan het gedeelde doel om de volksgezondheid te verbeteren door de mondiale ziektelast te verminderen door gebruik te maken van GeoAI-benaderingen om oplossingen te ontwikkelen voor de grootste gezondheidsuitdagingen van onze tijd. Buiten zijn werk zijn zijn hobby's onder meer het lezen van sciencefictionboeken, wandelen, de Engelse Premier League en basgitaar spelen.

Paul A Kerkhof, CTO en Chief Geospatial Engineer voor HSR.health, gebruikt zijn brede technische vaardigheden en expertise om de kerninfrastructuur voor het bedrijf te bouwen, evenals het gepatenteerde en eigen GeoMD-platform. Bovendien integreren hij en het datawetenschapsteam geospatiale analyses en AI/ML-technieken in alle gezondheidsrisico-indices die HSR.health produceert. Buiten zijn werk is Paul autodidact DJ en houdt hij van sneeuw.

Janosch Woschitz is een Senior Solutions Architect bij AWS, gespecialiseerd in geospatiale AI/ML. Met meer dan 15 jaar ervaring ondersteunt hij klanten wereldwijd bij het inzetten van AI en ML voor innovatieve oplossingen die profiteren van georuimtelijke gegevens. Zijn expertise omvat machine learning, data-engineering en schaalbare gedistribueerde systemen, aangevuld met een sterke achtergrond in software-engineering en industriële expertise in complexe domeinen zoals autonoom rijden.

Emmet Nelson is een Account Executive bij AWS en ondersteunt non-profitonderzoeksklanten in de sectoren gezondheidszorg en levenswetenschappen, aard-/milieuwetenschappen en onderwijs. Zijn primaire focus ligt op het mogelijk maken van gebruiksscenario's op het gebied van analytics, AI/ML, high performance computing (HPC), genomica en medische beeldvorming. Emmett kwam in 2020 bij AWS en is gevestigd in Austin, Texas.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://aws.amazon.com/blogs/machine-learning/how-hsr-health-is-limiting-risks-of-disease-spillover-from-animals-to-humans-using-amazon-sagemaker-geospatial-capabilities/