同花顺-圈子

请广大用户注意风险,切勿加入站外群组或添加私人微信,如因此造成的任何损失,由您自己承担。
流感高发季 AI或成疾控“先知”
0人浏览 2020-01-14 19:33

  “你去过朝阳医院没?”“你去过内蒙古没?”一名仅患有普通感冒的朋友苦笑着说,最近医生对传染病的警惕性极高,甚至有了些草木皆兵的味道。

  春节临近,我国多地进入“速冻模式”,流行性感冒、流行性腮腺炎、手足口病、诺如病毒……一系列传染病的高发季也悄然来临。

  事实上,人工智能早已在流行病防控系统中,并发挥着不可替代的作用。2014年,西非爆发埃博拉疫情。相关专家用7个月建立了一套智能预测模型。该模型引入了多项影响疾病传播的变量数据,包括病例数量、感染率、交通数据、移动通信数据、社交媒体数据……根据模型预估,如果不加以控制,最终感染人数将达到140万人。

  为了将感染人数将至最低,医务人员在数据的指引下,奔赴核心疫区进行干预,最终将感染人数控制在了2.8万人以内,有效阻止了疫情的扩大。至此,AI在流行病防控战场上一战成名。

  近年来,人工智能在国内迅速发展和落地,并已深入医疗领域。而在流行病防控方面,人工智能的发展呈现出怎样的特点和趋势呢?

  

  从业者参差不齐、区域发展不平衡

  一直以来,我国的疾控体系相对缺位。2003年的SARS疫情暴露出疾控体系普遍存在定位不准,职责不清;机构不少,功能不强;队伍庞大,素质不高;设施陈旧,条件落后;防治脱节,缺乏合力;经费不足,忙于创收”等问题。

  随着《关于疾病预防控制体系建设的若干规定》、《突发公共卫生事件应急条例》、《关于疾病预防控制中心机构编制标准的指导意见》等系列政策的出台,我国逐步形成了完整的突发公共卫生事件应急预案;针对传染病的《传染病防治法》也在2004年修订。在后来的禽流感、甲型流感中,这些法律法规起到了指导作用。

  尽管我国疾控体系较非典前已有了明显发展,但依然存在明显的地区发展不平衡问题。在国家级机构,资源自然是十分丰沛的。在基层,情况就变得大为不同。供职于上海某三甲医院的李医生(化名)向AI报道表示:“只听网上的声音,会觉得医疗工作者都是高学历高素质,医院里都是硕士博士,实际不完全是这样。基层疾控机构有不少大专甚至更低学历的从业者。当然,这也是因为基层疾控中心需要做的工作相对简单,像打个疫苗,做做健康教育,办个健康证,跟大医院要面对的复杂疾病是很不一样的。而且,不仅国家级和基层的机构水平不一样,甚至这个中心和那个中心的水平也很不一样。你要是要求大家都达到三甲医院那个水平,也不现实。”

  从业人员素质的参差不齐导致了疾控体系运作效率较低,以及疾控与临床医疗严重分离。李医生补充道:“这可能是因为疾控事业的社会效益汇报周期相对较长,所以即使疾控事业的成本低、效果好,但在未出现重大疫情的情况下,就很难引起社会的重视。”

  另外,技术上的限制也影响了疾控系统的运营效率。目前,普遍采用的传染病疫情预防预警系统需要由各级医疗机构、疾病预防控制中心和传染病监测哨点医院协作监测并上报数据,由医疗机构诊断并报告临床诊断病例和确诊病例,研究人员基于该系统报告的信息及自行获取的气象等数据,建立疾病预测模型。这种数据获取方式,存在数据结果相对滞后、监测手段人力物力耗费量大、监测与上报过程繁琐、数据来源单一、无其它来源数据比对修正的问题。

  为提升疾控效率,引入人工智能和大数据等技术等显得顺理成章。通过技术手段,疾控机构可以在相关疾病的防控工作中提升效率,降低疾病预防和控制成本。在现有的海量健康记录和海关过境记录等数据基础上,人工智能技术从大量的特征中挖掘疾病风险因子,并最终形成行之有效的AI疾病预测系统。

  科技公司入局,提升疾控效率

  流感是最早将人工智能技术运用到疾病预测中的疾病。流感看似不及鼠疫等严重传染病致死率高,但流感每年都会爆发,实际造成的影响更大。每年全球都有65万人因流感死亡,相当于每48秒就有1人因流感死亡。我国的流感发病率和死亡率更是在陡峭上升。中国疾病预防控制中心数据显示,仅2019年前5个月,流感上报发病病例已达177万,超过了过去四年的流感上报人数总和。

  2017年,平安科技联合重庆市疾病预防控制中心发布了我国首个基于大数据和人工智能的流感、手足口病传染病预测模型及慢阻肺危险因素筛查模型。该流感预测模型自2018年起上线应用,可提前一周预测流感流行趋势,准确率达90%以上,成为国内首个上线实测的传染病预测模型。

  在深圳, 2016年12月,深圳市疾控中心病原生物研究所与平安科技联合成立了流感预测课题组,将人工智能和大数据技术应用于深圳市流感指数,准确率达90%以上,优化后的流感指数更准确地预测了深圳市的流感流行情况。

  除传染病外,该模型还可用于筛查多项慢性病,包括慢阻肺、肿瘤、高血压、糖尿病等,其中慢阻肺危险因素筛查模型准确率达92%。平安科技还可根据疾病防控的实际业务需求研发疾病预测系统,支撑疾病预测的落地应用。

  2019年9月,平安科技疾病预测系统的相关研究论文发表于国际四大医学杂志之一《柳叶刀(Lancet)》子刊《EBioMedicine》。该项目还荣获IDC 2019年亚太区智慧城市大奖。

  平安科技团队在《柳叶刀 (The Lancet)》子刊 EBioMedicine 发表的论文

  无论针对何种病灶,搭建疾病预测系统的难度都非常大。其不仅汇集疾病防控、临床医学等医疗领域专业知识,还需要融入大数据、人工智能等前沿科技,是一个典型的多学科交叉的课题。

  从被动处理到主动预防

  关于人工智能赋能疾控这一话题,平安科技人工智能中心副总工程师、智能疾病预测项目的负责人徐亮对AI报道表示,原本在流行病防控链条上,疾控中心处于中下游,而科技公司参与较少。传统的公共卫生方式通常是事后响应,对疾病的监测也采用定时抽样汇总的方式,数据结果相对滞后,反应较慢,难以动态监测,普通大众通常也是事后采取处理措施。现阶段我国的疾病预防工作仍然集中在事中和事后的应急处理,而目前国际上发达国家的公共卫生工作已发展到以‘疾病预防’为主,我国的疾病预测和疾病预防工作急切而紧迫。

  而平安的介入,利用AI+大数据提前预测流行病疫情,推动疾控中心在疾病防控上处于先决的上游位置。疾病预测模型的建立与智能传染病预测系统的上线,改变了卫生部门对于传染病的传统防控方式,做到了事前预测预警;对于普通民众而言,定期发布的传染病流行指数也提升了民众对于疾病的了解及卫生安全意识,从而变被动事后处理为主动提前防范。因此,平安的智慧医疗不仅仅是在医疗卫生的技术上实现跨越,对民众的预防——治疗——预后的效果进行改善,也是对人民的健康意识起到正面的影响,实现真正的疾病防控关口前移。

  在解决了数据源的问题后,如何将人工智能与大数据模型与流行病学专业知识及实际防控的业务经验相结合,使得模型不止在线下测试集上表现优越、停留在“纸上谈兵”的阶段,而是泛化能力强、能真正应用于实际防控,是项目组面临的另一个技术挑战。为解决这一问题,平安科技智能疾病预测项目组与重庆、深圳市疾控中心专家建立了密切合作,将专家经验和知识及传统预测模型与人工智能结合起来,使模型具备了非常强的专业性。同时,项目组开发了智能疾病预测系统,并在重庆市疾控中心上线使用。一方面在落地实际应用中验证模型的有效性,另一方面充分利用上线后疾控人员的使用反馈与业务经验输入,进一步优化模型,提高预测精度。

  为保证模型上线后能有效运行并不断优化,疾病预测系统充分建立了问题修复及反馈机制,包含数据质量自查与人工反馈两部分。在使用多维度海量数据进行预测时,考虑到可能出现的数据质量参差不齐的情况,平安科技引入了数据异常检测模型。通过对导入的数据进行自动检测、异常数据点自动识别与标注,再交由疾控专家进行判定。其检测结果能够持续优化模型,保证海量数据的质量和真实性。疾控工作人员上传哨点医院数据后,系统可调用异常检测模型对数据进行异常判断(如数据维持在定值,异常高/低等)。此外,疾病预测系统中还有用户反馈收集入口,预测完成后,疾控中心专家可将专家经验/解读上传至系统,专家意见将反馈至模型进行学习和迭代。通过不断收集反馈、融合疾控专家经验,模型也在不断地进行优化。

  AI+疾控模式能复制到更多城市吗?

  为了让更多城市收益,实现AI+疾控模式的可复制,当地疾控中心的配合至关重要。由于医疗系统内部数据鲜见出院,能够运用系统内数据进行建模的平安科技AI疾病预测显得尤其珍贵。

  平安科技首席科学家肖京对AI报道表示:“比起互联网企业,我们的数据优势是很大的。通过互联网搜索的数据噪音大,还有延时问题。而我们不仅有来自互联网的数据,还有真实的医疗数据,包括来自平安好医生的线上问诊数据、消费数据,以及和市卫计委、疾控中心合作获得的数据,还有来自哨点医院的数据等。”

  徐亮则认为:“业界其他科技公司及团队也曾尝试过建立疾病预测模型,但其运行机制主要是通过收集互联网上的舆情数据,通过对舆情的分析预测疫情爆发的趋势。仅仅基于医疗系统外部数据建立的疾病预测模型只能宽泛的预测,精确度不高,颗粒度不细。因此进行精准、有应用价值的疾病预测,必然需要结合医疗系统内部的数据。”

  目前,应用AI疾病预测的城市有限,但平安集团已与各省市建立了良好的合作关系,如医保项目已与全国200多个城市进行合作,这给疾病预测模型的推广和应用初步铺平了道路。

  在不同病种、不同城市的迁移复用方面,需要分情况讨论。一方面由于省市之间的特点不同,各自的病种也不同,每个病种所需的数据也不尽相同。因此这部分需要在每个城市单独建立个性化的模型;另一方面,部分慢性病如慢性阻塞性肺炎(慢阻肺)的患病影响因素在全国甚至全世界具有普遍性,这部分病种即可批量复制。但从本质上来说,建模应用的人工智能技术和方法是通用的。

  当然,不是所有疾病都适合用AI进行预测,应用较广的疾病有着共同的特点,主要包括高发传染病及慢性病,如流感、手足口病、慢阻肺等。它们的共同点是:

  1)发病范围广、影响力大。39种国家法定管理传染性疾病中,最高发的5种疾病占据80%以上发病率,其中流感和手足口病为发病范围最广、影响力最大的两种;而慢性病中的慢阻肺,是具有高患病率、高致残率、高病死率、高疾病负担的慢性病,但民众知晓率低,早期筛查率低,慢阻肺的早期筛查和民众宣传非常重要。

  2)有丰富的数据积累可供预测。自2003年非典后,我国加强传染病信息化系统建设,传染病与突发公共卫生事件监测信息系统、传染病公共卫生实验室检测信息系统、乃至电子病历系统的推广提供了准确、丰富的健康医疗大数据;互联网、移动设备等实时通讯设备的普及使数据的采集更为及时、全面。这为传染病实时监测、准确预测提供了良好的数据基础和广阔的应用空间。

  总体来说,目前AI+疾控仍处于初级阶段,重庆市和深圳市等城市的实践仅是一个开始,未来还需要像平安科技这样的企业与医疗机构保持沟通与合作,共同保障国民的健康,让AI真正成为疾控的“先知”。

  图片来源自网络

更多
· 推荐阅读
0
1
扫码下载股市教练,随时随地查看更多精彩文章
发 布
所有评论(0
  • 暂时还没有人评论
  • 0
  • TOP
本文纯属作者个人观点,仅供您参考、交流,不构成投资建议!
请勿相信任何个人或机构的推广信息,否则风险自负