Theo Tiến sĩ Jones từ Tạp chí Nature, khi dân số toàn cầu ngày càng tăng trưởng, dù chúng ta vẫn đang chiến đấu với một số tác nhân gây bệnh đã tồn tại kể từ khi lịch sử loài người ra đời như bệnh lao, bên cạnh đó, chúng ta cũng đang chứng kiến ​​sự gia tăng của các mầm bệnh mới đến từ các vật chủ không phải con người, và chính điều này đang gây ra mối đe dọa lớn đối với sức khỏe cộng đồng.

Trong vòng mười năm qua, chúng ta đã chứng kiến ​​sự xuất hiện của các loại virus mới có khả năng lây lan toàn cầu và sức tàn phá của chúng. Mới nhất trong số này là coronavirus(COVID-19). Sự phát triển gần đây của các công cụ dựa trên Học máy (Machine Learning) giúp các nhà cung cấp dịch vụ chăm sóc sức khỏe có những phương thức mới để đối phó với các đại dịch toàn cầu. Thuật ngữ học máy được Oxford Academic định nghĩa là: bao gồm tập hợp các công cụ và kỹ thuật để xác định các mẫu trong dữ liệu. Trong các phương pháp truyền thống để xác định các mẫu từ dữ liệu, chúng ta tiếp cận hệ thống với các giả định về thành phần nào đó của dữ liệu (ví dụ: tuổi, giới tính, và tình trạng sẵn có) ảnh hưởng đến kết quả (tỷ lệ sống sót của bệnh nhân).

Tuy nhiên, trong học máy, chúng ta cung cấp dữ liệu và máy sẽ xác định các xu hướng cũng như mô hình, cho phép chúng ta dự đoán kết quả của bệnh nhân. Chúng tôi sẽ cố gắng cung cấp một đánh giá tường thuật về các công cụ như trên, để giải đáp tại sao chúng hữu ích trong chăm sóc sức khỏe và cách chúng được sử dụng trong dự đoán, phòng ngừa cũng như quản lý COVID-19. Chúng tôi cũng sẽ nhắc đến các cuộc thảo luận về những công cụ tương tự được sử dụng để quản lý các bệnh truyền nhiễm trong quá khứ như vi rút SARS-CoV-1 và MERS-CoV, đồng thời cách mà chúng có thể cũng áp dụng được cho COVID-19 như tình hình hiện nay.

Phát hiện ổ dịch:

Giám sát sinh học là ngành khoa học hướng đến phát hiện sớm và ngăn chặn sự bùng phát dịch bệnh trong cộng đồng, được Tiến sĩ Allen nêu trong cuốn sách ứng dụng của mình vào năm 2018. Hơn nữa, tạp chí trực tuyến về tin học y tế công cộng khẳng định rằng phân tích, học máy và ngôn ngữ xử lý tự nhiên (NLP) đang được sử dụng ngày càng nhiều trong giám sát sinh học. Việc quét mạng xã hội, tin tức và các dữ liệu trực tuyến khác có thể được sử dụng để phát hiện các đợt bùng phát dịch bệnh nội bộ trước khi chúng đạt đến mức độ đại dịch. Công ty Canada Blue Dot đã sử dụng thành công các thuật toán học máy để phát hiện sớm các đợt bùng phát COVID-19 ở Vũ Hán, Trung Quốc vào cuối tháng 12 năm 2019, theo ghi nhận của Tạp chí Y học Du lịch.

Phân tích dữ liệu lớn của hồ sơ y tế, cũng như hình ảnh vệ tinh (ví dụ: xe cộ chen chúc xung quanh bệnh viện), là một số cách khác mà phân tích “big data” đã được sử dụng trước đây để phát hiện các ổ dịch nội bộ. Trước đây, Google Trends đã từng được sử dụng để phát hiện sự bùng phát của vi rút Zika trong các nhóm dân số, sử dụng các mô hình dự báo động. Phân tích cảm xúc là kỹ thuật sử dụng xử lý ngôn ngữ tự nhiên trên phương tiện truyền thông xã hội để hiểu được những cảm xúc tích cực và tiêu cực của dân số, được đề cập trong Tạp chí Giám sát và Sức khỏe Cộng đồng. Những kỹ thuật giám sát sinh học trọng điểm này sẽ giúp phát hiện các đại dịch trước khi chúng bùng phát và có thể cung cấp thời gian quý báu để hệ thống y tế chuẩn bị cho việc phòng ngừa và quản lý.

Dự đoán lây lan:

Đã có những mô hình dự đoán toán học và thống kê khác nhau được sử dụng để dự đoán thành công mức độ lây lan của các bệnh truyền nhiễm trong dân số như: Nghiên cứu của Tiến sĩ Sangwon Chae, Đánh giá nguy cơ vi rút Ebola ở Uganda, Cải thiện khả năng đối phó với đại dịch H7N9, … Trái ngược với các mô hình dự báo dịch tễ học truyền thống, các mô hình dựa trên “big data” có thêm lợi thế về học tập thích ứng (adaptive learning), hiệu chuẩn dựa trên xu hướng, tính linh hoạt và phạm vi để cải thiện dựa trên những hiểu biết mới hơn về quá trình dịch bệnh, cũng như ước tính tác động của các nhân tố can thiệp: chẳng hạn như gian cách xã hội, để hạn chế sự lây lan của nó.

Phổ biến nhất là phương pháp mô hình hóa khả năng nhạy cảm-tiếp xúc-truyền nhiễm-phục hồi (SEIR) hiện đang được sử dụng để dự đoán các khu vực và mức độ lây lan COVID-19. Các kỹ thuật này cũng có thể được sử dụng để xác định các thông số khác của dịch, chẳng hạn như báo cáo khi giảm số ca bệnh, hiệu quả của các biện pháp can thiệp và độ chính xác của các phương pháp xét nghiệm.

Tuy nhiên, một mô hình dự đoán chỉ hoạt động tốt nhờ dữ liệu mà nó dựa trên và trong trường hợp có đại dịch toàn cầu, việc chia sẻ dữ liệu giữa các cộng đồng là điều tối quan trọng. Theo Tiến sĩ Moorthy và Tiến sĩ Millette, đây là một trong những trở ngại lớn trong việc tìm hiểu và lập mô hình về đợt bùng phát vi rút Ebola 2013–2016. Tổ chức Y tế Thế giới (WHO) đã đề xuất một thỏa thuận về việc chia sẻ dữ liệu khẩn cấp về đợt bùng phát COVID-19 để thúc đẩy học tập và phân tích giữa cộng đồng trong lĩnh vực này.

Chiến lược dự phòng và phát triển vắc xin

Trong một nghiên cứu của Tạp chí Tin sinh học và Sinh học Tính toán, Mạng thần kinh nhân tạo (ANN) đã được sử dụng để dự đoán các vùng kháng nguyên có mật độ chất kết dính cao (điểm nóng kháng nguyên) trong protein màng virus của Coronavirus (SARS – CoV). Thông tin này rất quan trọng đối với sự phát triển của vắc xin. Sử dụng học máy cho mục đích này cho phép quét nhanh toàn bộ proteome của virus, cho phép phát triển vắc xin nhanh hơn và rẻ hơn. Công nghệ nghiên cứu vắc xin ngược và học máy đã được sử dụng thành công để xác định sáu protein tiềm năng của vắc xin trong proteome SARS-CoV-2. Trước đây, công nghệ học máy cũng đã được sử dụng để dự đoán các chủng vi rút cúm có nhiều khả năng gây nhiễm trùng cho quần thể trong một năm sắp tới và do đó, giúp tạo thành vắc xin cúm theo mùa của năm.

Phát hiện sớm và theo dõi trường hợp nhiễm

Việc xác định sớm ca bệnh, cách ly và ngăn ngừa sự phơi nhiễm cho cộng đồng là điều tối quan trọng trong việc quản lý dịch bệnh như COVID-19. Các cuộc khảo sát trên điện thoại di động có thể hữu ích trong việc xác định sớm các ca bệnh, đặc biệt là ở những nơi đã cách ly. Những phương pháp này đã cho thấy sự thành công ở Ý trong việc xác định bệnh nhân cúm thông qua một cuộc khảo sát trên web. Trái ngược với các phương pháp khảo sát và phân tích truyền thống, việc sử dụng các công cụ trí tuệ nhân tạo có thể được sử dụng để thu thập và phân tích lượng lớn dữ liệu, xác định xu hướng, phân tầng bệnh nhân dựa trên nguy cơ và đề xuất giải pháp cho toàn bộ dân số thay vì từng cá nhân.

Chính phủ Ấn Độ gần đây đã tung ra một ứng dụng di động có tên “Aarogya Setu” theo dõi mức độ phơi nhiễm của người dùng với những bệnh nhân có khả năng bị nhiễm COVID-19, sử dụng chức năng Bluetooth để quét khu vực xung quanh cho những người dùng điện thoại thông minh khác. Nếu một bệnh nhân được thử nghiệm dương tính, thì dữ liệu từ ứng dụng di động có thể được tra để theo dõi mọi người dùng ứng dụng mà bệnh nhân gặp phải, trong vòng 30 ngày qua.

Sự gần gũi về mặt địa lý và kinh tế với Trung Quốc đáng lẽ đã dẫn đến tỷ lệ mắc tử vong cao do COVID-19 ở Đài Loan, tuy nhiên, với sự trợ giúp của học máy, họ đã có thể đưa số lượng bệnh nhân bị nhiễm bệnh xuống thấp hơn nhiều so với dự đoán ban đầu. Họ xác định sớm mối đe dọa, huy động cơ sở dữ liệu bảo hiểm y tế quốc gia, cơ sở dữ liệu hải quan và nhập cư để tạo big data cho phân tích. Học máy trên “big data” đã giúp họ phân tầng dân số của mình thành nguy cơ thấp hơn hoặc nguy cơ cao hơn dựa trên một số yếu tố, bao gồm cả lịch sử du lịch. Những người có nguy cơ cao hơn đã được cách ly tại nhà và được theo dõi qua điện thoại di động của họ để đảm bảo rằng họ vẫn ở trong vùng cách ly. Ứng dụng big data này, cộng với các nỗ lực tìm kiếm các ca dương tính, đã đảm bảo số ca của họ ít hơn nhiều so với dự đoán ban đầu và được ghi lại trong trung tâm tài nguyên chính thức của Covid 19.

Dự đoán tiên lượng

Các thuật toán học máy đã được sử dụng trước đây để dự đoán tiên lượng ở những bệnh nhân bị ảnh hưởng bởi nhiễm khuẩn MERS Cov. Tuổi của bệnh nhân, mức độ nghiêm trọng của bệnh khi đến cơ sở chăm sóc sức khỏe, liệu bệnh nhân có phải là nhân viên y tế hay không và sự hiện diện của các bệnh đi kèm từ trước là bốn yếu tố được xác định là những yếu tố dự báo chính trong quá trình hồi phục của bệnh nhân. Những phát hiện này phù hợp với các xu hướng hiện đang được tìm thấy trong bệnh COVID-19, như được tuyên bố bởi một nghiên cứu trên Tạp chí Lancet.

Phát triển điều trị

Những công cụ học máy đã được sử dụng trong phát triển thuốc, thử nghiệm thuốc cũng như cải tổ mục đích thuốc. Chúng cho phép chúng ta hiểu được các bộ dữ liệu hồ sơ biểu hiện gen lớn để đề xuất những cách sử dụng mới cho các loại thuốc hiện có. Các mô hình thế hệ sâu, còn được gọi là trí tưởng tượng AI, có thể thiết kế các tác nhân trị liệu mới với hoạt động mong muốn có thể có. Tiến sĩ Clémence Réda cho biết trong nghiên cứu mới nhất của mình những công cụ này giúp giảm chi phí và thời gian phát triển thuốc, giúp phát triển các tác nhân điều trị mới, cũng như dự đoán các công dụng ngoài nhãn hiệu đối với một số tác nhân điều trị.

Ý kiến của Daviteq về ứng dụng của học máy:

Học máy cung cấp một loạt các công cụ thú vị đủ linh hoạt để cho phép triển khai trong bất kỳ giai đoạn nào của đại dịch. Với lượng lớn dữ liệu được tạo ra trong khi nghiên cứu quá trình bệnh, học máy cho phép phân tích và xác định nhanh chóng các mẫu mà các công cụ thống kê và toán học truyền thống sẽ mất nhiều thời gian để thu được. Tính linh hoạt, khả năng thích ứng dựa trên sự hiểu biết mới về quá trình bệnh, tự cải thiện khi có dữ liệu mới và việc không có định kiến ​​của con người trong cách tiếp cận phân tích khiến máy học trở thành một công cụ rất linh hoạt để quản lý các chủng bệnh nhiễm trùng mới .

Tuy nhiên, với khả năng nâng cao trong việc giải nghĩa một lượng lớn dữ liệu, ngày càng có nhiều nhu cầu về việc kiểm soát chất lượng trong quá trình thu thập, lưu trữ và xử lý dữ liệu. Bên cạnh đó, việc chuẩn hóa cấu trúc dữ liệu trên toàn bộ dân số sẽ cho phép các hệ thống này thích ứng và học hỏi từ dữ liệu trên toàn cầu, điều mà trước đây không thể thực hiện được và thậm chí còn quan trọng hơn trong việc tìm hiểu và quản lý một đại dịch toàn cầu như COVID-19. Ngoài ra, với một đại dịch mới, dữ liệu có xu hướng bị “nhiễu” nhiều hơn và do đó, việc cung cấp dữ liệu thô một cách mù quáng, vốn sẽ được đưa vào một thuật toán AI, nên được thực hiện một cách thận trọng.

 

Cách sử dụng Công cụ cấu hình Modbus cho Cảm biến Sigfox Daviteq