Bu, HSR.health'ten Ajay K Gupta, Jean Felipe Teotonio ve Paul A Churchyard'ın ortak yazdığı bir konuk yazısıdır.

HSR.sağlık vizyonu, küresel sağlık sorunlarının insan yaratıcılığı ve veri analitiğinin odaklanmış ve doğru uygulanması yoluyla çözülebileceği olan bir jeo-uzamsal sağlık risk analitiği firmasıdır. Bu yazıda zoonotik hastalıkların önlenmesi için aşağıdakileri kullanan bir yaklaşım sunuyoruz: Amazon SageMaker jeo-uzamsal yetenekleri Sağlık bilimcilerine, daha fazla hayatı daha hızlı kurtarmalarına yardımcı olmak için hastalık yayılımıyla ilgili daha doğru bilgiler sağlayan bir araç oluşturmak.

Zoonotik hastalıklar hem hayvanları hem de insanları etkiler. Bir hastalığın hayvandan insana geçmesine denir spillovergezegenimizde sürekli olarak meydana gelen bir olgudur. Hastalık Kontrol ve Önleme Merkezleri gibi sağlık kuruluşlarına göre (CDC)) ve Dünya Sağlık Örgütü (DSÖ), Çin'in Wuhan kentindeki bir et pazarındaki yayılma olayı büyük olasılıkla 2019 koronavirüs hastalığına (COVID-19) neden oldu. Çalışmalar, meyve yarasalarında bulunan bir virüsün, insanlara bulaşmasına olanak tanıyan önemli mutasyonlara uğradığını ileri sürüyor. COVİD-19'un ilk hastası veya "sıfırcı hasta"sı muhtemelen daha sonra uluslararası çapta yayılan bir yerel salgını başlatmıştır. HSR.sağlıkZoonotik Yayılma Riski Endeksi, bu erken salgınların uluslararası sınırları aşmadan ve yaygın küresel etkiye yol açmadan önce tespit edilmesine yardımcı olmayı amaçlıyor.

Halk sağlığının bölgesel salgınların yayılmasına karşı sahip olduğu ana silah hastalık sürveyansıdır: halk sağlığı sisteminin farklı düzeyleri arasında hastalık raporlama, araştırma ve veri iletişiminden oluşan birbirine kenetlenmiş bir sistem. Bu sistem yalnızca insan faktörlerine değil, aynı zamanda hastalık verilerini toplamak, kalıpları analiz etmek ve yerelden bölgesele ve merkezi sağlık otoritelerine tutarlı ve sürekli bir veri aktarımı akışı oluşturmak için teknoloji ve kaynaklara da bağlıdır.

COVID-19'un yerel bir salgından her kıtada mevcut olan küresel bir hastalığa dönüşme hızı, daha verimli ve doğru hastalık gözetim sistemleri oluşturmak için yenilikçi teknolojiden yararlanmaya yönelik acil ihtiyacın ciddi bir örneği olmalıdır.

Zoonotik hastalıkların yayılma riski, insanların yaban hayatıyla etkileşim sıklığını etkileyen çok sayıda sosyal, çevresel ve coğrafi faktörle keskin bir şekilde ilişkilidir. YHT.sağlık Zoonotik Hastalık Yayılma Riski Endeksi, tarihsel olarak insan-yaban hayatı etkileşimi riskini ve dolayısıyla zoonotik hastalık yayılma riskini etkilediği bilinen 20'den fazla farklı coğrafi, sosyal ve çevresel faktörü kullanır. Bu faktörlerin çoğu, uydu görüntüleri ve uzaktan algılamanın birleşimi yoluyla haritalandırılabilir.

Bu yazıda HSR'nin nasıl olduğunu araştırıyoruz.sağlık risk endeksini geliştirmek amacıyla uydu görüntülerinden ve uzaktan algılamadan ilgili özellikleri almak için SageMaker'ın coğrafi-uzamsal yeteneklerini kullanır. SageMaker'ın jeo-uzamsal yetenekleri, veri bilimcilerin ve makine öğrenimi (ML) mühendislerinin jeo-uzaysal verileri kullanarak modeller oluşturmasını, eğitmesini ve dağıtmasını kolaylaştırır. SageMaker'ın jeo-uzamsal yetenekleriyle, büyük ölçekli coğrafi-uzamsal veri kümelerini verimli bir şekilde dönüştürebilir veya zenginleştirebilir, önceden eğitilmiş makine öğrenimi modelleriyle model oluşturmayı hızlandırabilir ve 3D hızlandırılmış grafikler ve yerleşik görselleştirme araçlarını kullanarak etkileşimli bir harita üzerinde model tahminlerini ve coğrafi-uzamsal verileri keşfedebilirsiniz.

Riski azaltmak için makine öğrenimi ve coğrafi verileri kullanma

ML, belirli anormallik türlerini tanımlamak için açıkça programlanmadan verilerden öğrenme yeteneği nedeniyle, mekansal veya zamansal verilerde anormallik tespiti açısından oldukça etkilidir. Nesnelerin fiziksel konumu ve şekliyle ilgili olan uzamsal veriler genellikle geleneksel algoritmaların analiz etmesi zor olabilecek karmaşık modeller ve ilişkiler içerir.

ML'nin coğrafi verilerle birleştirilmesi, erken uyarı sistemleri için gerekli olan anormallikleri ve olağandışı modelleri sistematik olarak tespit etme yeteneğini artırır. Bu sistemler çevresel izleme, afet yönetimi ve güvenlik gibi alanlarda hayati öneme sahiptir. Geçmiş coğrafi verileri kullanan tahmine dayalı modelleme, kuruluşların gelecekteki potansiyel olayları belirlemesine ve bunlara hazırlanmasına olanak tanır. Bu olaylar, doğal afetler ve trafik kesintilerinden, bu yazıda tartışıldığı gibi hastalık salgınlarına kadar uzanmaktadır.

Zoonotik yayılma risklerinin tespiti

Zoonotik yayılma risklerini tahmin etmek için HSR.sağlık multimodal bir yaklaşım benimsemiştir. Çevresel, biyocoğrafik ve epidemiyolojik bilgiler de dahil olmak üzere veri türlerinin bir karışımını kullanan bu yöntem, hastalık dinamiklerinin kapsamlı bir değerlendirmesini sağlar. Böylesine çok yönlü bir bakış açısı, proaktif önlemlerin geliştirilmesi ve salgınlara hızlı müdahalenin sağlanması açısından kritik öneme sahiptir.

Yaklaşım aşağıdaki bileşenleri içerir:

• Hastalık ve salgın verileri – HSR.sağlık tarafından sağlanan kapsamlı hastalık ve salgın verilerini kullanır. Gideon ve Dünya Sağlık Örgütü (WHO), küresel epidemiyolojik bilgilerin güvenilir iki kaynağı. Bu veriler analitik çerçevesinde temel bir dayanak görevi görür. Gideon için verilere bir API aracılığıyla erişilebilir; WHO için ise HSR'ye erişilebilir..sağlık geçmiş hastalık salgını raporlarından salgın verilerini çıkarmak için büyük bir dil modeli (LLM) oluşturdu.
• Dünya gözlem verileri – Çevresel faktörler, arazi kullanım analizi ve habitat değişikliklerinin tespiti, zoonotik riskin değerlendirilmesinde ayrılmaz bileşenlerdir. Bu bilgiler uydu tabanlı yer gözlem verilerinden elde edilebilir. YHT.sağlık Büyük ölçekli jeouzaysal veri kümelerine erişmek ve bunları yönetmek için SageMaker'ın jeouzaysal yeteneklerini kullanarak yer gözlem verilerinin kullanımını kolaylaştırabilir. SageMaker geospatial, USGS Landsat-8, Sentinel-1, Sentinel-2 ve diğerlerinden veri kümelerini içeren zengin bir veri kataloğu sunar. Planet Labs'tan alınan yüksek çözünürlüklü görüntüler gibi diğer veri kümelerini de getirmek mümkündür.
• Riskin sosyal belirleyicileri – Biyolojik ve çevresel faktörlerin ötesinde HSR ekibi.sağlık çeşitli sosyoekonomik ve demografik göstergeleri kapsayan ve zoonotik yayılma dinamiklerini şekillendirmede önemli bir rol oynayan sosyal belirleyicileri de dikkate almaktadır.

Bu bileşenlerden HSR.sağlık bir dizi farklı faktör değerlendirilmiş ve aşağıdaki özelliklerin zoonotik yayılma risklerini belirlemede etkili olduğu belirlenmiştir:

• Hayvan habitatları ve yaşanabilir bölgeler – Potansiyel zoonotik konakçıların yaşam alanlarını ve bunların yaşanabilir bölgelerini anlamak, bulaşma riskinin değerlendirilmesi açısından temel öneme sahiptir.
• Nüfus merkezleri – Nüfusun yoğun olduğu bölgelere yakınlık önemli bir husustur çünkü insan-hayvan etkileşimi olasılığını etkiler.
• Habitat kaybı – Özellikle ormansızlaşma yoluyla doğal yaşam alanlarının bozulması, zoonotik yayılma olaylarını hızlandırabilir.
• İnsan-vahşi alan arayüzü – İnsan yerleşimlerinin yaban hayatı habitatlarıyla kesiştiği alanlar, zoonotik bulaşma açısından potansiyel sıcak noktalardır.
• Sosyal özellikler – Sosyoekonomik ve kültürel faktörler zoonotik riski ve HSR'yi önemli ölçüde etkileyebilir.sağlık bunları da inceliyor.
• İnsan sağlığı özellikleri – Yerel insan popülasyonlarının sağlık durumu önemli bir değişkendir çünkü duyarlılığı ve bulaşma dinamiklerini etkiler.

Çözüme genel bakış

HSR.sağlık'nin iş akışı, veri ön işlemeyi, özellik çıkarmayı ve makine öğrenimi tekniklerini kullanarak bilgilendirici görselleştirmelerin oluşturulmasını kapsar. Bu, verinin ham formundan eyleme geçirilebilir içgörülere kadar olan evriminin net bir şekilde anlaşılmasına olanak tanır.

Aşağıda Gideon'dan gelen girdi verileri, dünya gözlem verileri ve risk verilerinin sosyal belirleyicileri ile başlayan iş akışının görsel bir temsili bulunmaktadır.

SageMaker'ın coğrafi özelliklerini kullanarak uydu görüntülerini alın ve işleyin

Uydu verileri, risk endeksini oluşturmak için gerçekleştirilen analizin temel taşını oluşturur ve çevresel değişiklikler hakkında kritik bilgiler sağlar. Uydu görüntülerinden öngörüler elde etmek için HSR.sağlık kullanım Yer Gözlem İşleri (EOJ'ler). EOJ'ler, Dünya yüzeyinden toplanan tarama verilerinin elde edilmesini ve dönüştürülmesini sağlar. Bir EOJ, belirli bir alan ve zaman dilimi boyunca belirlenmiş bir veri kaynağından (örneğin bir uydu takımyıldızı) uydu görüntüleri elde eder. Daha sonra alınan görüntülere bir veya daha fazla model uygular.

Buna ek olarak, Amazon SageMaker Stüdyosu yaygın olarak kullanılan coğrafi kütüphanelerin önceden yüklendiği bir jeo-uzamsal not defteri sunar. Bu not defteri, bir Python not defteri ortamında coğrafi verilerin doğrudan görselleştirilmesine ve işlenmesine olanak tanır. EOJ'ler coğrafi not defteri ortamında oluşturulabilir.

Bir EOJ'yi yapılandırmak için aşağıdaki parametreler kullanılır:

• Girdi Yapılandırması – Giriş yapılandırması, veri toplama sırasında kullanılacak veri kaynaklarını ve filtreleme kriterlerini belirtir:
  • RasterDataCollectionArn – Verilerin toplanacağı uyduyu belirtir.
  • İlgi alanı – Coğrafi ilgi alanı (AOI), görüntü toplama için çokgen sınırlarını tanımlar.
  • Zaman Aralığı Filtresi – İlgilenilen zaman aralığı: {StartTime: <string>, EndTime: <string>}.
  • Özellik Filtreleri – Kabul edilebilir bulut kapsamı yüzdesi veya istenen güneş azimut açıları gibi ek özellik filtreleri.
• İş Yapılandırması – Bu konfigürasyon, alınan uydu görüntüsü verilerine uygulanacak iş tipini tanımlar. Bant matematiği, yeniden örnekleme, geomozaik veya bulut kaldırma gibi işlemleri destekler.

Aşağıdaki örnek kod, HSR tarafından gerçekleştirilen adımları temsil eden bulut kaldırma için bir EOJ çalıştırmayı göstermektedir..sağlık:

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.sağlık verileri ön işlemek ve ilgili özellikleri çıkarmak için çeşitli işlemler kullandı. Bu, arazi örtüsü sınıflandırması, sıcaklık değişiminin haritalanması ve bitki örtüsü endeksleri gibi işlemleri içerir.

Bitki örtüsünün sağlığını göstermeye yönelik bir bitki örtüsü indeksi, Normalleştirilmiş Fark Bitki Örtüsü İndeksi'dir (NDVI). NDVI, bitki örtüsünün yansıttığı yakın kızılötesi ışığı ve bitki örtüsünün emdiği kırmızı ışığı kullanarak bitki örtüsünün sağlığını ölçer. NDVI'nın zaman içinde izlenmesi, ormansızlaşma gibi insan faaliyetlerinin etkisi gibi bitki örtüsündeki değişiklikleri ortaya çıkarabilir.

Aşağıdaki kod parçacığı, bulut kaldırma işleminden geçirilen verilere dayanarak NDVI gibi bir bitki örtüsü endeksinin nasıl hesaplanacağını gösterir:

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,
)

SageMaker'ın coğrafi yeteneklerini kullanarak iş çıktısını görselleştirebiliyoruz. SageMaker'ın jeo-uzamsal yetenekleri, model tahminlerini temel bir haritaya yerleştirmenize ve işbirliğini kolaylaştırmak için katmanlı görselleştirme sağlamanıza yardımcı olabilir. GPU destekli etkileşimli görselleştirici ve Python not defterleriyle, milyonlarca veri noktasını tek bir görünümde keşfetmek mümkündür, bu da içgörülerin ve sonuçların işbirliğine dayalı olarak keşfedilmesini kolaylaştırır.

Bu yazıda özetlenen adımlar, HSR'nin sunduğu birçok raster tabanlı özellikten yalnızca birini göstermektedir..sağlık Risk endeksini oluşturmak için çıkarılmıştır.

Raster tabanlı özelliklerin sağlık ve sosyal verilerle birleştirilmesi

İlgili özellikleri raster formatında çıkardıktan sonra HSR.sağlık sosyal ve sağlık verilerinin atandığı idari sınır poligonları içindeki raster verilerini toplamak için bölgesel istatistiklerden yararlandı. Analiz, raster ve vektör coğrafi verilerin bir kombinasyonunu içerir. Bu tür bir toplama, tarama verilerinin bir coğrafi veri çerçevesinde yönetilmesine olanak tanır ve bu, nihai risk endeksini oluşturmak için sağlık ve sosyal verilerle entegrasyonunu kolaylaştırır.

Aşağıdaki kod parçacığı, tarama verilerinin yönetim vektör sınırlarına nasıl toplanacağını gösterir:

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)

Çıkarılan özellikleri etkili bir şekilde değerlendirmek için, her bir özelliği temsil eden faktörleri tahmin etmek amacıyla ML modelleri kullanılır. Kullanılan modellerden biri destek vektör makinesidir (SVM). SVM modeli, risk değerlendirmelerine bilgi veren veriler içindeki kalıpları ve ilişkileri ortaya çıkarmaya yardımcı olur.

Endeks, çeşitli bölgelerdeki potansiyel yayılma olaylarının anlaşılmasına yardımcı olmak amacıyla, bu faktörlerin ağırlıklı ortalaması olarak hesaplanan risk seviyelerinin niceliksel bir değerlendirmesini temsil eder.

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)

Soldaki aşağıdaki şekil, kuzey Peru'daki test alanı sahnesinden elde edilen görüntü sınıflandırmasının 2018-2023 yılları arasında orman alanında hesaplanan değişiklikle birlikte bölge idari düzeyinde toplanmasını göstermektedir. Ormansızlaşma, zoonotik yayılma riskini belirleyen temel faktörlerden biridir. Sağdaki şekil, kapsanan bölgelerdeki en yüksek riskten (kırmızı) en düşük riske (koyu yeşil) kadar değişen zoonotik yayılma riski ciddiyet düzeylerini göstermektedir. Alan, sahnede yakalanan arazi örtüsünün çeşitliliği nedeniyle görüntü sınıflandırması için eğitim alanlarından biri olarak seçilmiştir; bunlar arasında kentsel, orman, kum, su, otlak ve tarım yer almaktadır. Ek olarak bu, ormansızlaşma ve insanlar ile hayvanlar arasındaki etkileşimden kaynaklanan potansiyel zoonotik yayılma olayları açısından birçok ilgi alanından biridir.

Hastalık salgınına ilişkin tarihsel verileri, Dünya gözlem verilerini, sosyal belirleyicileri ve ML tekniklerini kapsayan bu çok modlu yaklaşımı benimseyerek, zoonotik yayılma riskini daha iyi anlayabilir ve tahmin edebiliriz, sonuçta hastalık sürveyansını ve önleme stratejilerini en büyük salgın riskinin olduğu alanlara yönlendirebiliriz. Aşağıdaki ekran görüntüsü, zoonotik yayılma riski analizinden elde edilen çıktının bir kontrol panelini göstermektedir. Bu risk analizi, bir sonraki hastalığın endemik veya yeni bir pandemiye dönüşmeden önce kontrol altına alınabilmesi için yeni potansiyel zoonotik salgınlara yönelik kaynakların ve gözetimin nerede meydana gelebileceğini vurgulamaktadır.

Salgının önlenmesine yeni bir yaklaşım

1998 yılında, Malezya'daki Nipah Nehri boyunca, 1998 sonbaharı ile 1999 baharı arasında 265 kişiye, akut ensefalit ve ciddi solunum sıkıntısına neden olan, o zamanlar bilinmeyen bir virüs bulaştı. Bunlardan 105'i öldü, ölüm oranı %39.6'ydı. Buna karşılık, COVID-19'un tedavi edilmeyen ölüm oranı %6.3'tür. O zamandan bu yana, Nipah Virüsü (şimdiki adıyla) orman habitatının dışına çıktı ve çoğu Hindistan ve Bangladeş'te olmak üzere 20'den fazla ölümcül salgına neden oldu.

Nipah gibi virüsler her yıl yüzeye çıkıyor ve özellikle hastalık gözetimi ve tespiti için güçlü, kalıcı ve sağlam sistemler kurmanın daha zor olduğu ülkelerde günlük yaşamlarımıza zorluklar çıkarıyor. Bu tespit sistemleri, bu tür virüslerle ilişkili risklerin azaltılması açısından çok önemlidir.

Zoonotik Yayılma Riski Endeksi gibi makine öğrenimi ve coğrafi verileri kullanan çözümler, yerel halk sağlığı yetkililerinin kaynak tahsisini en yüksek riskli alanlara önceliklendirmesine yardımcı olabilir. Bunu yaparak, bölgesel salgınları sınırların ötesine geçmeden tespit etmek ve durdurmak için hedefli ve yerelleştirilmiş gözetim önlemleri oluşturabilirler. Bu yaklaşım, bir hastalık salgınının etkisini önemli ölçüde sınırlayabilir ve hayat kurtarabilir.

Sonuç

Bu yazı HSR'nin nasıl olduğunu gösterdi.sağlık Jeo-uzaysal verileri, sağlığı, sosyal belirleyicileri ve ML'yi entegre ederek Zoonotik Yayılma Riski Endeksi'ni başarıyla geliştirdi. Ekip, SageMaker'ı kullanarak gelecekteki potansiyel bir salgının en önemli tehditlerini tespit edebilecek ölçeklenebilir bir iş akışı oluşturdu. Bu risklerin etkili yönetimi, küresel hastalık yükünün azalmasına yol açabilir. Pandemi riskini azaltmanın önemli ekonomik ve sosyal avantajları, bölgesel ve küresel düzeyde genişleyen faydalar göz önüne alındığında abartılamaz.

HSR.sağlık Zoonotik Yayılma Riski Endeksi'nin ilk uygulaması için SageMaker'ın jeo-uzamsal yeteneklerini kullandı ve şimdi endeksi daha da geliştirmek ve uygulamasını dünya çapındaki diğer bölgelere genişletmek için ortaklıkların yanı sıra ev sahibi ülkelerden ve fon kaynaklarından destek arıyor. HSR hakkında daha fazla bilgi için.sağlık ve Zoonotik Yayılma Riski Endeksi'ni ziyaret edin www.hsr.health.

SageMaker'ın coğrafi özelliklerini keşfederek Dünya gözlem verilerini sağlık hizmetleri girişimlerinize entegre etmenin potansiyelini keşfedin. Daha fazla bilgi için bkz. Amazon SageMaker jeo-uzamsal yetenekleri, veya ile etkileşime geçin ek örnekler uygulamalı deneyim kazanmak için.

Yazarlar Hakkında

Ajay K Gupta Hastalığın yayılmasını ve ciddiyetini tahmin etmek için coğrafi teknoloji ve yapay zeka teknikleri aracılığıyla sağlık riski analitiğini bozan ve yenileyen bir firma olan HSR.health'in Kurucu Ortağı ve CEO'sudur. Ve bu öngörüleri endüstriye, hükümetlere ve sağlık sektörüne sağlayarak gelecekteki riskleri öngörebilmelerini, azaltabilmelerini ve bunlardan yararlanabilmelerini sağlar. İş dışında, Ajay'i mikrofonun arkasında U2, Sting, George Michael veya Imagine Dragons'tan en sevdiği pop müzik şarkılarını söylerken kulak zarlarını patlatırken bulabilirsiniz.

Jean Felipe Teotonio Sağlık hizmetleri kalitesi ve bulaşıcı hastalık epidemiyolojisi konusunda azimli bir doktor ve tutkulu bir uzman olan Jean Felipe, HSR.health halk sağlığı ekibine liderlik etmektedir. Zamanımızın en büyük sağlık sorunlarına çözümler geliştirmek için GeoAI yaklaşımlarından yararlanarak küresel hastalık yükünü azaltarak halk sağlığını iyileştirme ortak hedefi doğrultusunda çalışıyor. İş dışında hobileri arasında bilim kurgu kitapları okumak, yürüyüş yapmak, İngiltere birinci ligi ve bas gitar çalmak yer alıyor.

Paul A Kilise BahçesiHSR.health'in CTO'su ve Baş Mekansal Mühendisi, geniş teknik becerilerini ve uzmanlığını firmanın yanı sıra patentli ve tescilli GeoMD Platformu için temel altyapıyı oluşturmak için kullanıyor. Ek olarak kendisi ve veri bilimi ekibi, HSR.health'in ürettiği tüm sağlık riski endekslerine jeouzaysal analizleri ve AI/ML tekniklerini dahil ediyor. Paul, iş dışında kendi kendini yetiştirmiş bir DJ'dir ve karı sever.

Janosch Woschitz AWS'de jeo-uzamsal AI/ML konusunda uzmanlaşmış Kıdemli Çözüm Mimarıdır. 15 yılı aşkın deneyimiyle, jeo-uzamsal verilerden yararlanan yenilikçi çözümler için yapay zeka ve makine öğreniminden yararlanma konusunda dünya çapındaki müşterilerini destekliyor. Uzmanlığı makine öğrenimi, veri mühendisliği ve ölçeklenebilir dağıtılmış sistemleri kapsamaktadır; yazılım mühendisliğindeki güçlü geçmişi ve otonom sürüş gibi karmaşık alanlardaki endüstri uzmanlığıyla da desteklenmektedir.

Emmett Nelson AWS'de, Sağlık ve Yaşam Bilimleri, Yer/Çevre Bilimleri ve Eğitim sektörlerinde Kâr Amacı Gütmeyen Araştırma müşterilerini destekleyen bir Hesap Yöneticisidir. Ana odak noktası analitik, AI/ML, yüksek performanslı bilgi işlem (HPC), genom bilimi ve tıbbi görüntüleme alanlarında kullanım senaryolarını mümkün kılmaktır. Emmett, AWS'ye 2020'de katıldı ve merkezi Austin, Teksas'ta bulunuyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: 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/