Đây là bài đăng của khách được đồng tác giả bởi Ajay K Gupta, Jean Felipe Teotonio và Paul A Churchyard từ HSR.health.

HSR.sức khỏe là một công ty phân tích rủi ro sức khỏe không gian địa lý với tầm nhìn là các thách thức sức khỏe toàn cầu có thể giải quyết được thông qua sự khéo léo của con người và ứng dụng phân tích dữ liệu tập trung và chính xác. Trong bài đăng này, chúng tôi trình bày một phương pháp phòng ngừa bệnh lây truyền từ động vật sang người sử dụng Khả năng không gian địa lý của Amazon SageMaker để tạo ra một công cụ cung cấp thông tin lây lan bệnh chính xác hơn cho các nhà khoa học y tế nhằm giúp họ cứu được nhiều mạng sống hơn, nhanh hơn.

Bệnh Zoonotic ảnh hưởng đến cả động vật và con người. Sự chuyển bệnh từ động vật sang người, được gọi là lan tỏa, là một hiện tượng liên tục xảy ra trên hành tinh của chúng ta. Theo các tổ chức y tế như Trung tâm Kiểm soát và Phòng ngừa Dịch bệnh (CDC) và Tổ chức Y tế Thế giới (CHÚNG TÔI LÀ), sự kiện lan tỏa tại một khu chợ ẩm ướt ở Vũ Hán, Trung Quốc rất có thể đã gây ra dịch bệnh coronavirus 2019 (Covid-19). Các nghiên cứu cho thấy một loại virus được tìm thấy ở dơi ăn quả đã trải qua những đột biến đáng kể, cho phép nó lây nhiễm sang người. Bệnh nhân đầu tiên, hay còn gọi là 'bệnh nhân số 19', đối với COVID-XNUMX có thể đã bắt đầu một đợt bùng phát tiếp theo tại địa phương và cuối cùng lan rộng ra quốc tế. HSR.sức khỏeChỉ số rủi ro lây lan từ động vật sang người nhằm mục đích hỗ trợ xác định những đợt bùng phát sớm này trước khi chúng vượt qua biên giới quốc tế và dẫn đến tác động lan rộng trên toàn cầu.

Vũ khí chính mà y tế công cộng có để chống lại sự lây lan của các đợt bùng phát trong khu vực là giám sát dịch bệnh: toàn bộ hệ thống báo cáo, điều tra và truyền dữ liệu về bệnh tật giữa các cấp độ khác nhau của hệ thống y tế công cộng. Hệ thống này không chỉ phụ thuộc vào yếu tố con người mà còn phụ thuộc vào công nghệ và nguồn lực để thu thập dữ liệu bệnh tật, phân tích mô hình và tạo ra luồng truyền dữ liệu nhất quán và liên tục từ địa phương đến khu vực đến cơ quan y tế trung ương.

Tốc độ mà COVID-19 chuyển từ một đợt bùng phát cục bộ sang một căn bệnh toàn cầu hiện diện ở mọi châu lục sẽ là một ví dụ điển hình về nhu cầu cấp thiết phải khai thác công nghệ đổi mới để tạo ra các hệ thống giám sát dịch bệnh hiệu quả và chính xác hơn.

Nguy cơ lây lan bệnh từ động vật sang người có mối tương quan chặt chẽ với nhiều yếu tố xã hội, môi trường và địa lý ảnh hưởng đến tần suất con người tương tác với động vật hoang dã. ĐSCT.sức khỏe Chỉ số Rủi ro Lan truyền bệnh từ động vật sang người sử dụng hơn 20 yếu tố địa lý, xã hội và môi trường riêng biệt được biết đến trong lịch sử có ảnh hưởng đến nguy cơ tương tác giữa con người và động vật hoang dã và do đó có nguy cơ lan tỏa bệnh từ động vật sang người. Nhiều yếu tố trong số này có thể được lập bản đồ thông qua sự kết hợp giữa hình ảnh vệ tinh và viễn thám.

Trong bài viết này, chúng ta khám phá HSR như thế nào.sức khỏe sử dụng khả năng không gian địa lý của SageMaker để truy xuất các tính năng liên quan từ hình ảnh vệ tinh và viễn thám nhằm phát triển chỉ số rủi ro. Khả năng không gian địa lý của SageMaker giúp các nhà khoa học dữ liệu và kỹ sư máy học (ML) dễ dàng xây dựng, đào tạo và triển khai các mô hình bằng cách sử dụng dữ liệu không gian địa lý. Với khả năng không gian địa lý của SageMaker, bạn có thể chuyển đổi hoặc làm phong phú các bộ dữ liệu không gian địa lý quy mô lớn một cách hiệu quả, tăng tốc xây dựng mô hình bằng các mô hình ML được đào tạo trước và khám phá các dự đoán mô hình cũng như dữ liệu không gian địa lý trên bản đồ tương tác bằng đồ họa tăng tốc 3D và các công cụ trực quan hóa tích hợp.

Sử dụng ML và dữ liệu không gian địa lý để giảm thiểu rủi ro

ML có hiệu quả cao trong việc phát hiện sự bất thường trên dữ liệu không gian hoặc thời gian nhờ khả năng học hỏi từ dữ liệu mà không được lập trình rõ ràng để xác định các loại bất thường cụ thể. Dữ liệu không gian, liên quan đến vị trí vật lý và hình dạng của vật thể, thường chứa các mẫu và mối quan hệ phức tạp mà các thuật toán truyền thống có thể khó phân tích.

Việc kết hợp ML với dữ liệu không gian địa lý sẽ nâng cao khả năng phát hiện các điểm bất thường và các mẫu bất thường một cách có hệ thống, điều này rất cần thiết cho các hệ thống cảnh báo sớm. Những hệ thống này rất quan trọng trong các lĩnh vực như giám sát môi trường, quản lý thảm họa và an ninh. Mô hình dự đoán sử dụng dữ liệu không gian địa lý lịch sử cho phép các tổ chức xác định và chuẩn bị cho các sự kiện tiềm ẩn trong tương lai. Những sự kiện này bao gồm từ thiên tai và gián đoạn giao thông cho đến bùng phát dịch bệnh như bài viết này đề cập.

Phát hiện nguy cơ lan tỏa Zoonotic

Để dự đoán rủi ro lây lan từ động vật sang người, HSR.sức khỏe đã áp dụng cách tiếp cận đa phương thức. Bằng cách sử dụng kết hợp các loại dữ liệu—bao gồm thông tin về môi trường, địa sinh học và dịch tễ học—phương pháp này cho phép đánh giá toàn diện về diễn biến bệnh tật. Quan điểm nhiều mặt như vậy rất quan trọng để phát triển các biện pháp chủ động và cho phép ứng phó nhanh chóng với các đợt bùng phát.

Cách tiếp cận bao gồm các thành phần sau:

• Dữ liệu về dịch bệnh và ổ dịch – ĐSCT.sức khỏe sử dụng dữ liệu về dịch bệnh và ổ dịch rộng rãi được cung cấp bởi Gideon và Tổ chức Y tế Thế giới (WHO), hai nguồn thông tin dịch tễ học toàn cầu đáng tin cậy. Dữ liệu này đóng vai trò là trụ cột cơ bản trong khung phân tích. Đối với Gideon, dữ liệu có thể được truy cập thông qua API và đối với WHO, HSR.sức khỏe đã xây dựng một mô hình ngôn ngữ lớn (LLM) để khai thác dữ liệu về đợt bùng phát từ các báo cáo về đợt bùng phát dịch bệnh trong quá khứ.
• Dữ liệu quan sát trái đất – Các yếu tố môi trường, phân tích sử dụng đất và phát hiện những thay đổi về môi trường sống là những thành phần không thể thiếu để đánh giá nguy cơ lây bệnh từ động vật sang người. Những hiểu biết này có thể được bắt nguồn từ dữ liệu quan sát trái đất dựa trên vệ tinh. ĐSCT.sức khỏe có thể hợp lý hóa việc sử dụng dữ liệu quan sát trái đất bằng cách sử dụng các khả năng không gian địa lý của SageMaker để truy cập và thao tác các bộ dữ liệu không gian địa lý quy mô lớn. Không gian địa lý SageMaker cung cấp danh mục dữ liệu phong phú, bao gồm các tập dữ liệu từ USGS Landsat-8, Sentinel-1, Sentinel-2 và các tập dữ liệu khác. Cũng có thể đưa vào các bộ dữ liệu khác, chẳng hạn như hình ảnh có độ phân giải cao từ Planet Labs.
• Các yếu tố xã hội quyết định rủi ro – Ngoài yếu tố sinh học và môi trường, nhóm nghiên cứu tại HSR.sức khỏe cũng được coi là các yếu tố quyết định xã hội, bao gồm nhiều chỉ số kinh tế xã hội và nhân khẩu học khác nhau, đồng thời đóng vai trò then chốt trong việc hình thành động lực lan tỏa từ động vật sang người.

Từ các thành phần này, HSR.sức khỏe đã đánh giá một loạt các yếu tố khác nhau và các đặc điểm sau được xác định là có ảnh hưởng đến việc xác định rủi ro lây lan từ động vật sang người:

• Môi trường sống của động vật và vùng sinh sống – Hiểu biết về môi trường sống của các vật chủ có khả năng lây truyền bệnh từ động vật sang người và vùng sinh sống của chúng là điều cơ bản để đánh giá rủi ro lây truyền.
• Trung tâm dân cư – Sự gần gũi với các khu vực đông dân cư là yếu tố quan trọng cần cân nhắc vì nó ảnh hưởng đến khả năng tương tác giữa con người và động vật.
• Mất môi trường sống – Sự suy thoái môi trường sống tự nhiên, đặc biệt là do nạn phá rừng, có thể đẩy nhanh các hiện tượng lây lan từ động vật sang người.
• Giao diện con người và vùng đất hoang dã – Các khu vực nơi con người định cư giao nhau với môi trường sống của động vật hoang dã là những điểm nóng tiềm năng lây truyền bệnh từ động vật sang người.
• Đặc điểm xã hội – Các yếu tố kinh tế xã hội và văn hóa có thể tác động đáng kể đến nguy cơ lây bệnh từ động vật sang người và HSR.sức khỏe cũng kiểm tra những điều này.
• Đặc điểm sức khỏe con người – Tình trạng sức khỏe của người dân địa phương là một biến số quan trọng vì nó ảnh hưởng đến tính nhạy cảm và động lực lây truyền.

Tổng quan về giải pháp

HSR.sức khỏeQuy trình làm việc của nó bao gồm tiền xử lý dữ liệu, trích xuất tính năng và tạo trực quan hóa thông tin bằng kỹ thuật ML. Điều này cho phép hiểu rõ ràng về sự phát triển của dữ liệu từ dạng thô đến những hiểu biết sâu sắc có thể hành động.

Sau đây là phần trình bày trực quan về quy trình làm việc, bắt đầu bằng dữ liệu đầu vào từ Gideon, dữ liệu quan sát trái đất và yếu tố quyết định xã hội của dữ liệu rủi ro.

Truy xuất và xử lý hình ảnh vệ tinh bằng khả năng không gian địa lý của SageMaker

Dữ liệu vệ tinh tạo thành nền tảng cho việc phân tích được thực hiện nhằm xây dựng chỉ số rủi ro, cung cấp thông tin quan trọng về những thay đổi môi trường. Để tạo ra những hiểu biết sâu sắc từ hình ảnh vệ tinh, HSR.sức khỏe sử dụng Công việc quan sát trái đất (EOJ). EOJ cho phép thu thập và chuyển đổi dữ liệu raster được thu thập từ bề mặt Trái đất. EOJ thu được hình ảnh vệ tinh từ nguồn dữ liệu được chỉ định—ví dụ: chòm sao vệ tinh—trong một khu vực và khoảng thời gian cụ thể. Sau đó nó áp dụng một hoặc nhiều mô hình cho các hình ảnh được truy xuất.

Ngoài ra, Xưởng sản xuất Amazon SageMaker cung cấp một sổ ghi chép không gian địa lý được cài đặt sẵn các thư viện không gian địa lý thường được sử dụng. Sổ ghi chép này cho phép trực quan hóa và xử lý dữ liệu không gian địa lý trong môi trường sổ ghi chép Python. EOJ có thể được tạo trong môi trường sổ ghi chép không gian địa lý.

Để định cấu hình EOJ, các tham số sau được sử dụng:

• Cấu hình đầu vào – Cấu hình đầu vào chỉ định nguồn dữ liệu và tiêu chí lọc sẽ được sử dụng trong quá trình thu thập dữ liệu:
  • RasterDataCollectionArn – Chỉ định vệ tinh để thu thập dữ liệu.
  • Diện tíchLãi suất – Khu vực địa lý quan tâm (AOI) xác định ranh giới đa giác cho bộ sưu tập hình ảnh.
  • Phạm Vi Thời GianBộ Lọc – Khoảng thời gian quan tâm: {StartTime: <string>, EndTime: <string>}.
  • Bộ lọc thuộc tính – Các bộ lọc thuộc tính bổ sung, chẳng hạn như tỷ lệ che phủ của đám mây có thể chấp nhận được hoặc góc phương vị mặt trời mong muốn.
• Cấu hình công việc – Cấu hình này xác định loại công việc sẽ được áp dụng cho dữ liệu hình ảnh vệ tinh được truy xuất. Nó hỗ trợ các hoạt động như tính toán băng tần, lấy mẫu lại, loại bỏ địa kỹ thuật hoặc đám mây.

Mã ví dụ sau đây minh họa việc chạy EOJ để loại bỏ đám mây, đại diện cho các bước do HSR thực hiện.sức khỏe:

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.sức khỏe đã sử dụng một số thao tác để xử lý trước dữ liệu và trích xuất các tính năng liên quan. Điều này bao gồm các hoạt động như phân loại lớp phủ đất, lập bản đồ biến đổi nhiệt độ và chỉ số thực vật.

Một chỉ số thực vật có liên quan để chỉ ra sức khỏe của thực vật là Chỉ số Thực vật Khác biệt Chuẩn hóa (NDVI). NDVI định lượng sức khỏe của thực vật bằng cách sử dụng ánh sáng cận hồng ngoại mà thực vật phản chiếu và ánh sáng đỏ mà thực vật hấp thụ. Việc theo dõi NDVI theo thời gian có thể tiết lộ những thay đổi trong thảm thực vật, chẳng hạn như tác động của các hoạt động của con người như nạn phá rừng.

Đoạn mã sau đây trình bày cách tính chỉ số thực vật như NDVI dựa trên dữ liệu đã được chuyển qua quá trình loại bỏ đám mây:

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,
)

Chúng ta có thể trực quan hóa kết quả công việc bằng cách sử dụng các khả năng không gian địa lý của SageMaker. Khả năng không gian địa lý của SageMaker có thể giúp bạn phủ các dự đoán mô hình lên bản đồ cơ sở và cung cấp hình ảnh trực quan theo lớp để giúp cộng tác dễ dàng hơn. Với trình hiển thị tương tác được hỗ trợ bởi GPU và sổ ghi chép Python, bạn có thể khám phá hàng triệu điểm dữ liệu trong một chế độ xem, tạo điều kiện thuận lợi cho việc hợp tác khám phá những hiểu biết sâu sắc và kết quả.

Các bước được nêu trong bài đăng này chỉ thể hiện một trong nhiều tính năng dựa trên raster mà HSR.sức khỏe đã được trích xuất để tạo chỉ số rủi ro.

Kết hợp các tính năng dựa trên raster với dữ liệu sức khỏe và xã hội

Sau khi trích xuất các tính năng liên quan ở định dạng raster, HSR.sức khỏe đã sử dụng số liệu thống kê vùng để tổng hợp dữ liệu raster trong đa giác ranh giới hành chính mà dữ liệu xã hội và y tế được chỉ định. Phân tích kết hợp sự kết hợp giữa dữ liệu không gian địa lý raster và vector. Kiểu tổng hợp này cho phép quản lý dữ liệu raster trong khung dữ liệu địa lý, tạo điều kiện thuận lợi cho việc tích hợp dữ liệu đó với dữ liệu sức khỏe và xã hội để tạo ra chỉ số rủi ro cuối cùng.

Đoạn mã sau đây trình bày cách tổng hợp dữ liệu raster theo ranh giới vectơ hành chính:

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)

Để đánh giá các đặc trưng được trích xuất một cách hiệu quả, các mô hình ML được sử dụng để dự đoán các yếu tố đại diện cho từng đặc trưng. Một trong những mô hình được sử dụng là máy vectơ hỗ trợ (SVM). Mô hình SVM hỗ trợ tiết lộ các mẫu và mối liên hệ trong dữ liệu giúp đánh giá rủi ro.

Chỉ số này thể hiện sự đánh giá định lượng về mức độ rủi ro, được tính toán dưới dạng trung bình có trọng số của các yếu tố này, nhằm giúp hiểu rõ các sự kiện lan tỏa tiềm ẩn ở các khu vực khác nhau.

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)

Hình dưới đây bên trái thể hiện sự tổng hợp phân loại hình ảnh từ bối cảnh khu vực thử nghiệm ở phía bắc Peru được tổng hợp đến cấp hành chính cấp huyện với sự thay đổi được tính toán về diện tích rừng trong giai đoạn 2018–2023. Phá rừng là một trong những yếu tố chính quyết định nguy cơ lan truyền bệnh từ động vật sang người. Hình bên phải nêu bật mức độ nghiêm trọng của rủi ro lây lan từ động vật sang người trong các khu vực được đề cập, từ rủi ro cao nhất (đỏ) đến thấp nhất (xanh đậm). Khu vực này được chọn làm một trong những khu vực đào tạo để phân loại hình ảnh do tính đa dạng của lớp phủ mặt đất được chụp trong cảnh, bao gồm: đô thị, rừng, cát, nước, đồng cỏ và nông nghiệp, cùng nhiều thứ khác. Ngoài ra, đây là một trong nhiều lĩnh vực được quan tâm vì có khả năng lây lan bệnh từ động vật sang người do nạn phá rừng và tương tác giữa con người và động vật.

Bằng cách áp dụng phương pháp tiếp cận đa phương thức này, bao gồm dữ liệu lịch sử về sự bùng phát dịch bệnh, dữ liệu quan sát Trái đất, các yếu tố quyết định xã hội và kỹ thuật ML, chúng ta có thể hiểu rõ hơn và dự đoán nguy cơ lây lan từ động vật sang người, cuối cùng là hướng các chiến lược giám sát và phòng ngừa dịch bệnh đến các khu vực có nguy cơ bùng phát dịch lớn nhất. Ảnh chụp màn hình sau đây hiển thị bảng thông tin kết quả đầu ra từ phân tích rủi ro lây lan từ động vật sang người. Phân tích rủi ro này nêu bật những nơi có thể thực hiện các nguồn lực và giám sát đối với các đợt bùng phát dịch bệnh từ động vật tiềm ẩn mới để có thể ngăn chặn căn bệnh tiếp theo trước khi nó trở thành dịch bệnh địa phương hoặc đại dịch mới.

Cách tiếp cận mới để phòng chống đại dịch

Năm 1998, dọc theo sông Nipah ở Malaysia, từ mùa thu năm 1998 đến mùa xuân năm 1999, 265 người đã bị nhiễm một loại virus chưa được biết đến, gây ra bệnh viêm não cấp tính và suy hô hấp nghiêm trọng. 105 người trong số họ đã chết, tỷ lệ tử vong là 39.6%. Ngược lại, tỷ lệ tử vong không được điều trị của COVID-19 là 6.3%. Kể từ đó, Virus Nipah, như tên gọi hiện nay, đã di chuyển ra khỏi môi trường sống trong rừng và gây ra hơn 20 đợt bùng phát chết người, chủ yếu ở Ấn Độ và Bangladesh.

Các loại virus như Nipah xuất hiện mỗi năm, đặt ra những thách thức đối với cuộc sống hàng ngày của chúng ta, đặc biệt là ở các quốc gia nơi việc thiết lập các hệ thống mạnh mẽ, lâu dài và mạnh mẽ để giám sát và phát hiện dịch bệnh còn khó khăn hơn. Những hệ thống phát hiện này rất quan trọng để giảm thiểu rủi ro liên quan đến những loại vi-rút đó.

Các giải pháp sử dụng dữ liệu ML và không gian địa lý, chẳng hạn như Chỉ số rủi ro lan truyền từ động vật sang người, có thể hỗ trợ các cơ quan y tế công cộng địa phương ưu tiên phân bổ nguồn lực cho các khu vực có rủi ro cao nhất. Bằng cách đó, họ có thể thiết lập các biện pháp giám sát có mục tiêu và cục bộ để phát hiện và ngăn chặn các đợt bùng phát trong khu vực trước khi chúng vượt ra ngoài biên giới. Cách tiếp cận này có thể hạn chế đáng kể tác động của dịch bệnh bùng phát và cứu sống nhiều người.

Kết luận

Bài đăng này đã chứng minh cách HSR.sức khỏe đã phát triển thành công Chỉ số rủi ro lan truyền từ động vật sang người bằng cách tích hợp dữ liệu không gian địa lý, sức khỏe, các yếu tố quyết định xã hội và ML. Bằng cách sử dụng SageMaker, nhóm đã tạo ra một quy trình làm việc có thể mở rộng để xác định các mối đe dọa lớn nhất về một đại dịch tiềm ẩn trong tương lai. Quản lý hiệu quả những rủi ro này có thể dẫn đến giảm gánh nặng bệnh tật toàn cầu. Không thể phóng đại những lợi ích kinh tế và xã hội đáng kể của việc giảm nguy cơ đại dịch, với những lợi ích mở rộng trong khu vực và toàn cầu.

HSR.sức khỏe đã sử dụng khả năng không gian địa lý của SageMaker để triển khai lần đầu Chỉ số rủi ro lan truyền từ động vật sang người và hiện đang tìm kiếm quan hệ đối tác, cũng như sự hỗ trợ từ các quốc gia sở tại và các nguồn tài trợ, để phát triển chỉ số hơn nữa và mở rộng ứng dụng của nó tới các khu vực khác trên thế giới. Để biết thêm thông tin về HSR.sức khỏe và Chỉ số rủi ro lây lan từ động vật sang người, hãy truy cập www.hsr.health.

Khám phá tiềm năng tích hợp dữ liệu quan sát Trái đất vào các sáng kiến ​​chăm sóc sức khỏe của bạn bằng cách khám phá các tính năng không gian địa lý của SageMaker. Để biết thêm thông tin, hãy tham khảo Khả năng không gian địa lý của Amazon SageMaker, hoặc tham gia với ví dụ bổ sung để có được trải nghiệm thực tế.

Về các tác giả

Ajay K Gupta là Đồng sáng lập và Giám đốc điều hành của HSR.health, một công ty chuyên đột phá và đổi mới các phân tích rủi ro sức khỏe thông qua công nghệ không gian địa lý và kỹ thuật AI để dự đoán mức độ lây lan và mức độ nghiêm trọng của bệnh. Đồng thời cung cấp những hiểu biết sâu sắc này cho ngành, chính phủ và ngành y tế để họ có thể dự đoán, giảm thiểu và tận dụng các rủi ro trong tương lai. Ngoài giờ làm việc, bạn có thể thấy Ajay đứng sau mic khiến màng nhĩ nổ tung trong khi hát những giai điệu nhạc pop yêu thích của anh ấy từ U2, Sting, George Michael hoặc Imagine Dragons.

Jean Felipe Teotonio Là một bác sĩ có định hướng và chuyên gia đầy nhiệt huyết về chất lượng chăm sóc sức khỏe và dịch tễ học bệnh truyền nhiễm, Jean Felipe lãnh đạo nhóm y tế công cộng HSR.health. Anh ấy làm việc hướng tới mục tiêu chung là cải thiện sức khỏe cộng đồng bằng cách giảm gánh nặng bệnh tật toàn cầu bằng cách tận dụng các phương pháp tiếp cận GeoAI để phát triển các giải pháp cho những thách thức sức khỏe lớn nhất của thời đại chúng ta. Ngoài công việc, sở thích của anh ấy bao gồm đọc sách khoa học viễn tưởng, đi bộ đường dài, giải đấu hàng đầu nước Anh và chơi guitar bass.

Nhà Thờ Thánh Phaolô A, CTO và Kỹ sư trưởng không gian địa lý của HSR.health, sử dụng các kỹ năng và chuyên môn kỹ thuật rộng rãi của mình để xây dựng cơ sở hạ tầng cốt lõi cho công ty cũng như Nền tảng GeoMD độc quyền và được cấp bằng sáng chế của công ty. Ngoài ra, anh và nhóm khoa học dữ liệu còn kết hợp các phân tích không gian địa lý và kỹ thuật AI/ML vào tất cả các chỉ số rủi ro sức khỏe mà HSR.health tạo ra. Ngoài công việc, Paul còn là một DJ tự học và rất yêu thích tuyết.

Janosch Woschitz là Kiến trúc sư giải pháp cấp cao tại AWS, chuyên về AI/ML không gian địa lý. Với hơn 15 năm kinh nghiệm, ông hỗ trợ khách hàng trên toàn cầu trong việc tận dụng AI và ML để tạo ra các giải pháp đổi mới tận dụng dữ liệu không gian địa lý. Chuyên môn của ông bao gồm học máy, kỹ thuật dữ liệu và hệ thống phân tán có thể mở rộng, được tăng cường bởi nền tảng vững chắc về công nghệ phần mềm và kiến ​​thức chuyên môn về ngành trong các lĩnh vực phức tạp như lái xe tự động.

Emmett Nelson là Giám đốc điều hành tài khoản tại AWS hỗ trợ các khách hàng Nghiên cứu phi lợi nhuận trong các ngành dọc Y tế & Khoa học đời sống, Khoa học Trái đất/Môi trường và Giáo dục. Trọng tâm chính của anh ấy là hỗ trợ các trường hợp sử dụng trên các phân tích, AI/ML, điện toán hiệu năng cao (HPC), gen và hình ảnh y tế. Emmett gia nhập AWS vào năm 2020 và có trụ sở tại Austin, TX.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: 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/