Datawatch 系列：分析技术在遏制疫情中的角色
在我们 Datawatch 系列的最新博客文章中，我们探讨了分析技术在遏制疫情爆发中所扮演的角色——从 19 世纪的霍乱到如今的 COVID-19。
COVID-19 在短时间内极大地改变了世界，为全球领导人和医学专家带来了新的挑战。在抗击病毒的过程中，我们不得不利用手头所有的工具，而过去的经验告诉我们，高级分析技术可能是我们 arsenal 中最强大的武器。
人们可能会认为，分析技术和数据科学是相对较新的工具，在当今对抗病毒爆发的斗争中为我们提供了优势。从某种意义上说，你是对的，数据科学家使用的工具和技术在过去几年中已经发生了显著演变。但实际上，分析技术以这种方式应用已有超过一个世纪的历史，最早的例子可以追溯到 1854 年。
当时，维多利亚时代的伦敦居民正经历一场肆虐的霍乱疫情，一周内就有超过 600 人丧生。当时人们对这类疫情知之甚少，许多人认为霍乱是一种空气传播的疾病。然而，得益于一些初步的数据分析和建模，约翰·斯诺博士很快就能纠正这一误解。
在 GIS 地图出现很久以前，斯诺医生就开始收集与霍乱死亡相关的数据，并手工绘制在伦敦地图上。通过这种早期的数据可视化形式，斯诺成功将疫情源头追溯至布罗德街的一个水泵。该水泵手柄被拆除后，疫情得以遏制。
令人惊讶的是，这些相同的技术至今仍在使用——尽管可视化技术有所改进。你可以看到，如果由今天来执行，斯诺博士的工作可能看起来像这样。
大数据、分析与抗击 COVID-19
虽然这项技术背后的理论至今仍被广泛使用，但我们现在拥有的工具是斯诺在 1854 年只能梦想的东西。最显著的是巨大的计算能力，使我们能够在创纪录的时间内处理海量数据。
这项技术在我们要对抗近期 COVID-19 大流行的战斗中发挥了巨大作用，帮助医学专家和全球领导人确定正确的应对措施、开发合适的解决方案，并规划最佳复苏路径。以下是分析技术帮助我们抗击大流行的三种方式。
追踪病毒的传播
追踪 COVID-19 的传播对于减轻和克服其影响至关重要。有趣的是，在这种情况下，分析技术在大多数人甚至不知道它存在之前就参与了 COVID-19 的追踪工作。
2019 年，一家名为 BlueDot 的疫情风险初创公司的 AI 系统检测到，媒体所称的武汉“一种肺炎菌株”与 2003 年的 SARS 疫情存在一些相似之处。
自这次初步发现以来，BlueDot 继续使用 AI 分析大量非结构化数据（包括社交媒体帖子和新闻报道），持续追踪 COVID 的传播并监测其动向。
社交媒体在这种情况下的确可以发挥巨大作用。通过对非结构化社交数据应用情感分析，可以追踪从病毒传播到的地区，到对拟议立法反应和政府指导的态度等一切信息。
所有这些数据随后可以纳入行动计划，帮助卫生官员做出更恰当的反应，例如更准确地定义最佳的社交距离和隔离措施。
疫苗研发
随着大流行进入第二年，显然这不会自行消失。这意味着疫苗接种是我们让生活恢复正常的最良机。
但问题在于，通常研发疫苗需要数年时间。在辉瑞和阿斯利康之前，腮腺炎疫苗保持着最快研发速度的记录，那也花了将近半年的时间。
然而，得益于分析技术和 AI 的进步，COVID 疫苗在大流行爆发后的一年内就获得批准并可供紧急使用。
这在很大程度上归功于全球合作，以及病毒学家此前曾遇到过冠状病毒的事实。但数据分析以及 AI 和机器学习等工具也是重要因素。
例如，Google DeepMind 平台中的工具 AlphaFold，使用 AI 算法对可能有助于病毒传播的潜在蛋白质结构进行编目——这是理解病毒工作原理及其如何被控制的关键部分。
AlphaFold 是一个最先进的系统，能够根据蛋白质的基因序列预测其结构。在疫苗研究人员公开获取相关信息之前，该系统已被用于研究与 COVID 相关的蛋白质。
怀着同样的目标，AI 和自然语言处理在将分析技术应用到 COVID-19 开放研究数据集方面发挥了重要作用——这是一个汇集了来自全球近 50 万篇学术文章的资源库，并向全球研究社区公开开放。
此外，在田纳西州的一个实验室，世界上第二快的超级计算机正在 crunching 数据，试图了解病毒的行为模式，分析了 25 亿种基因组合，以确定 COVID 如何攻击人体。
在正确的时间以正确的方式响应
COVID-19 可能是全球医疗机构面临的最严峻考验。由于资源短缺，每天都必须做出艰难的决定。例如，每个地点需要哪些关键资产？当病毒在人群中传播时，医院床位将在何时何地需要？
这些问题不能通过翻阅电子表格来解决——数据量太大，变量太多，而且情况每天都在变化。然而，通过使用高级分析技术，医疗官员能够基于关键、可操作且及时的洞察做出这些关键决策。
例如，流行病学模型在预测感染在整个地区的传播方面非常有用，帮助医护人员预测可能需要医疗救治的潜在感染者数量——以及这种治疗水平将呈现何种形态。
预测模拟和情景建模也被用来根据给定场景预测所需的医护人员数量，以及疫情可能对医疗服务造成的压力。这些数据随后直接纳入了国家封锁计划。
以色列谢巴医疗中心就是一个实际应用的例子，那里使用数据驱动的预测来在疫情爆发前优化资源分配。该中心利用机器学习来处理与确诊病例、死亡人数、检测结果、接触者追踪以及医疗资源可用性相关的数据，以确保为即将到来的挑战做好准备。
该中心还主导了一项全国竞赛，以开发预测 COVID 患者恶化率的最佳技术。
病毒学的一次飞跃
COVID-19 的传播规模和速度前所未有。但我们对它的应对规模同样令人印象深刻。通过使用最新的分析技术，医护人员能够准备好应对不可预测的情景，政府获得了保护民众安全的最佳行动洞察，企业也能够采取审慎的方法适应周围的世界。
在这场疫情中，很难找到任何积极因素，但我们在新冠疫情期间吸取的教训将对未来应对类似事件的方式产生巨大影响。
无论是开发疫苗、确保在正确的时间将合适的资源投放到正确的地点，还是加快我们对局势的理解以尽可能保障更多人的安全，数据分析都能为这些情境提出的最复杂的问题提供答案。而且，自 19 世纪以来，它一直在发挥这一作用。
________________________________________________________________