Volgens Mark Lambrecht, director Global Health and LifeSciences Practice bij SAS, kunnen deze technologieën bijvoorbeeld helpen de vroegste stadia van uitbraken van besmettelijke ziekten te signaleren en verdere verspreiding tegen te gaan. Hij ziet hierbij drie datatrends.
1. Massale pandemie voorkomen
Hoe eerder een besmettelijk virus wordt ontdekt, des te groter de kansen zijn om een mogelijke epidemie te voorkomen of in te dammen. Gelukkig hebben gezondheidsorganisaties vandaag de dag enorme hoeveelheden data en tools om deze te analyseren. Technologieën als syndromic surveillance, text mining en social media-analyse kunnen specifieke ziektesymptomen opsporen en de vroegste stadia van een epidemie identificeren, vooral in bepaalde regio’s of provincies. Ai kan ook helpen om de klinische bevindingen, specifieke bijwerkingen en modelkenmerken van een nieuwe virusepidemie of pandemie, zoals het coronavirus, aan te vullen. Deze vroege bevindingen zijn cruciaal om het gezondheids- en zorgsysteem klaar te stomen en te zorgen voor de juiste capaciteit om patiënten in quarantaine te plaatsen of om voldoende geneesmiddelen en materialen klaar te hebben. De inzet van analytics en ai kan gezondheidsorganisaties dus niet alleen helpen om de gebeurtenissen uit het verleden te begrijpen en ervan te leren, maar ook om snel nieuwe kennis te halen uit miljarden publieke datapunten bij mogelijke bedreigingen van de volksgezondheid. Hoe sneller gereageerd kan worden, hoe groter de kans om een epidemie in te dammen of om tijd te winnen.
2. Proactieve signalering
Het Canadese ai-bedrijf Bluedot waarschuwde negen dagen eerder dan World Health Organisation (WHO) voor de gevaren van het coronavirus. Bluedot gebruikte ai om systematisch blogs en vliegticketgegevens in 65 talen uit te lezen en kon daardoor voorspellen hoe het virus zich zou verspreiden. Veel overheidsinstellingen vertrouwen tegenwoordig op technologieën als analytics en ai om proactief indicaties te signaleren om snel en adequaat te kunnen reageren. Om nauwkeurigheid en precisie te verhogen, worden diverse informatiebronnen gecombineerd in analytische datasets. Denk dan aan klinische data, social media, vluchtgegevens, schoolverzuim en verkoopgegevens van antikoortsmedicatie. Als bijvoorbeeld de afwezigheid van schoolkinderen in een bepaalde regio op een bepaald moment omhoogschiet, en dit gaat gepaard met andere indicaties, kan dit een signaal zijn dat er meer aan de hand is.
3. Verbonden zorginstellingen en patiënten
Op dit moment maken veel ziekenhuizen en farmaceutische bedrijven al gebruik van analytics-software om hun eigen processen aan te sturen. Het is heel goed mogelijk dat we de data van meerdere zorginstellingen met elkaar gaan verbinden in de toekomst. Omdat patiëntgegevens privacygevoelig zijn, gebeurt dit nog niet op grote schaal, dus daar liggen nog wel kansen. Kunstmatige intelligente en machine learning zijn namelijk goed in het vinden van patronen en verbindingen, die wij mensen niet zo snel zien. Wanneer verschillende datasets worden geïntroduceerd, kunnen algoritmen zoeken naar correlaties en de diagnose of de frequentie van een bepaalde ziekte in een bepaalde regio bewijzen. In de toekomst moet elke patiënt op zijn minst eenvoudig bij zijn of haar eigen medische gegevens kunnen, maar ook toegang krijgen tot de verzamelde pandemische data en zelf maatregelen kunnen treffen.
(Dit artikel staat ook in Computable-magazine #02/2020)
Om te kunnen beoordelen moet u ingelogd zijn: