وب‌سایت وایرد گزارشی منتشر کرده است از هوش مصنوعی اپیدمی‌شناسی که یک هفته پیش از همه‌گیری کرونا‌ویروس جدید در چین، هشدارهایی داده بود. الگوریتم این هوش مصنوعی با بررسی گزارش‌های خبری به زبان‌های مختلف، شبکه بیماری‌های حیوانات و گیاهان و بیانیه‌های رسمی، در مورد پرهیز از سفر به مناطق پرخطر مانند ووهان هشدارهایی می‌دهد.

در حالی که سازمان بهداشت جهانی در ۹ ژانویه ۲۰۲۰ و مرکز کنترل بیماری‌های واگیردار ایالات متحده آمریکا در ۶ ژانویه ۲۰۲۰، در مورد بروز یک بیماری شبه‌آنفلوآنزا در ووهان هشدار داده بودند، این الگوریتم یک هفته قبل، در ۳۱ دسامبر ۲۰۱۹، پیام هشدار صادر کرده بود.

هرچند این هشدار احتمالا با بررسی خبری در ۳۰ دسامبر ۲۰۱۹ مبنی بر صدور اطلاعیه فوری مدیریت پزشکی کمیته بهداشت شهرداری ووهان برای درمان ذات‌الریه با علت ناشناخته صادر شده است، نشان‌دهنده الگویی است که استفاده از آن با مدیریت درست داده‌های پزشکی به‌صورت آنلاین، حتی می‌تواند به پیش‌بینی بسیار سریع‌تر حوادث از جمله همه‌گیری‌های مشابه منجر شود.

پیش از همه‌گیری

واضح است که نمی‌توان جلوی بروز بیماری‌های مختلف را گرفت و بروز عوامل بیماری‌زای جدید در اثر جهش یا حتی بیدار شدن از زیر یخ‌های قطبی در حال ذوب از خطرهای بالقوه جهان آینده‌اند. حتی بیماری‌های قدیمی هم می‌توانند با شدت بیشتری بازگردند و یک فاجعه را رقم بزنند، مثلا یک همه‌گیری جهانی در حد و اندازه‌ آنفلوآنزای اسپانیایی برای جهان امروز که ارتباط فیزیکی در آن بسیار گسترش یافته است، می‌تواند فاجعه‌بار باشد. آنفلوآنزای اسپانیایی در سال ۱۹۱۹ حدود نیم میلیارد نفر را بیمار کرد و حدود ۵۰ میلیون نفر را کشت.

بنابراین محققان همواره به دنبال فهمیدن این نکته‌اند که همه‌گیری بعدی کی، کجا و چطور بروز خواهد کرد، اما پیش‌بینی دقیق این موارد کار آسانی نیست چون روابط بسیار پیچیده است. بسیاری از بیماری‌ها قابلیت تبدیل شدن به یک همه‌گیری محلی یا جهانی را دارند، اما واکنش سریع و اقدام‌های بهداشتی می‌تواند این روند را متوقف کند و این واکنش سریع به درک سریع خطر وابسته است. هرچند نمی‌توان جلوی بیمار شدن افراد با عوامل بیماری‌زای خطرناک را گرفت، مرزی وجود دارد که فهمیدن خطر پیش از آن می‌تواند از تبدیل یک بیماری به همه‌گیری جلوگیری کند.

بنابراین کلید مساله در فهم زودهنگام روابطی است که پیش از بروز همه‌گیری وجود دارند. این‌جاست که پای هوش مصنوعی به میان می‌آید، الگوریتم‌های هوشمند می‌توانند با شنا کردن در دریایی از اطلاعات، روابط و الگوهایی را تشخیص بدهند که تشخیصش برای ما ناممکن است.

پیش‌گیری در گرو پیش‌بینی

در مورد همه‌گیری کرونا‌ویروس جدید که از ووهان شروع شد هوش مصنوعی بلودات توانسته است زودتر از سازمان‌های بزرگ بین‌المللی، تنها با ردیابی اخبار محلی، چنین پیام هشداری صادر کند.

اما شواهد نشان می‌دهد این ماجرا بسیار زودتر، از دو ماه پیش شروع شده است. گروهی از پژوهشگران چینی با انتشار مقاله‌ای در نشریه پزشکی لنست، به این نکته اشاره کرده‌اند که یکی از نخستین موارد ابتلا به ویروس جدید در ۱ دسامبر ۲۰۱۹ گزارش شده است و بیمار با بازار غذاهای دریایی شهر ووهان هیچ ارتباطی نداشته است. بر مبنای این گزارش، نخستین مورد آلودگی، با توجه به دوره نهفتگی بیماری تا بروز علائم، باید در ماه نوامبر رخ داده باشد.

حالا تصور کنید الگوریتمی طراحی شده باشد که با دسترسی به همه گزارش‌های بیمارستانی و بانک داده‌های گسترده، بتواند خیلی زودتر بروز یک بیماری با علائم متفاوت از بیماری‌های شناخته‌شده را تشخیص دهد. چنین موردی در جهان بی‌سابقه نیست. رینیر مالول، پژوهشگری جوان اهل دومنیکن، الگوریتمی طراحی کرده است که با دریافت اطلاعات صحیح، روند گسترش تب دنگ را تا ۳ ماه بعد با دقت ۸۱ درصد پیش‌بینی کرد و در حال حاضر، برای پیش‌بینی همه‌گیری بعدی ویروس زیکا آماده‌سازی می‌شود.

اما می‌شود حتی یک گام فراتر رفت و کاندیداهای بالقوه بروز چنین خطری را با کمک هوش مصنوعی تشخیص داد و پایش دقیق‌تری روی آن‌ها اجرا کرد.

شکار بیماری پیش از وقوع

وب‌سایت ساینس در گزارشی در سال ۲۰۱۵، به بررسی امکان پیش‌بینی همه‌گیری جهانی بعدی با استفاده از هوش مصنوعی پرداخته است. در پژوهشی، با استفاده از یادگیری ماشینی به رایانه یاد دادند که با تشخیص الگوهای داده‌های بزرگ، پیش‌بینی کند کدام حیوانات ممکن است میزبان عوامل بیماری‌زای خطرناک باشند. این پژوهش بر این مبنا استوار است که تقریبا همه بیماری‌هایی که خطر ایجاد همه‌گیری دارند در اثر جهش عامل بیماری‌زا و انتقال اولیه از حیوان به انسان پدید می‌آیند.

پیش‌بینی این‌که کی و کجا این عفونت‌ها، که بیماری‌های مشترک بین انسان و حیوان یا ژئونوز نامیده می‌شوند، آغاز خواهند شد به جلوگیری از بروز همه‌گیری کمک خواهد کرد. اما پایش برخط بیماری در سراسر جهان کاری هزینه‌بر است. باربارا هان، اکولوژیست امراض، و همکارانش به این الگوریتم رایانه‌ای یاد دادند که یک بانک اطلاعاتی عظیم را برای بررسی ۸۶ متغیر گوناگون شامل عادات، ابعاد، رژیم غذایی، بازه عمر، محدوده جغرافیایی پراکندگی مهره‌داران را برای یافتن الگوهای مشابه بیماری‌زایی این حیوانات جست‌و‌جو کند. یافته‌ها با همه‌گیری‌های قبلی ۹۰ درصد تطابق داشت. این بدین معناست که با بهبود عملکرد این الگوریتم‌ها و بانک‌های اطلاعاتی، در آینده نه تنها می‌توان بروز همه‌گیری را پیش‌بینی کرد، بلکه می‌توان با دقت پیش‌بینی کرد که کی و کجا باید انتظار بیماری را کشید و بیماری احتمالا چه خواهد بود.

تلاش‌های مشابه دیگری برای چنین پیش‌بینی‌هایی در جریان است که مانند مورد زیکا نه تنها احتمال وقوع را پیش‌بینی می‌کند، بلکه روند پیشرفت بیماری در جهان را، در صورت همه‌گیری، مدل‌سازی می‌کند. این مدل‌سازی‌ها به پژوهشگران کمک خواهد کرد تا آمادگی لازم برای مقابله با بیماری‌ها، در صورت بروز، را تدارک ببینند. در این صورت، شاید هوش مصنوعی، علی‌رغم همه ترس‌ها از آن، به ما در غلبه بر یکی از مهم‌ترین خطرها علیه تمدن بشری یاری کند.