به تازگی مقاله‌ای در مورد چگونگی استفاده از هوش مصنوعی برای کمک به افزایش واکسیناسیون COVID-19 منتشر شده است. واکسیناسیون جهانی اکنون در حال انجام است و اگرچه بسیار کندتر از آنچه که تصور می‌شود در حال پیشرفت است اما یکی از مهمترین مسائل جهانی امسال خواهد بود و یکی از مواردی خواهد بود که هوش مصنوعی حداقل در چهار زمینه‌ی مجزای آن نقش خواهد داشت:
- مدل‌سازی حمل و نقل: کشف اینکه کدام گروه‌های جمعیتی باید واکسینه شوند تا سریع‌تر همه‌گیری خاتمه یابد.
- پیش‌بینی تقاضا: تعیین روش حمل و نقلی که باعث شود تا در کمترین زمان ممکن افراد زیادی واکسینه شوند.
- مدیریت زنجیره تأمین: نظارت بر شبکه تولید و تحویل واکسن.
- نظارت پس از واکسیناسیون: بررسی علائم هرگونه عوارض جانبی ناخواسته از واکسن که ممکن است در طی آزمایشات بالینی مشاهده نشده باشد.
بررسی مسئله پیش‌بینی تقاضا
بنجامین فلز (Benjamin Fels) یکی از بنیانگذاران و مدیر اجرایی یک شرکت کوچک در سیاتل به نام Macro-Eyes است. هدف وی بهبود ارائه مراقبت‌های بهداشتی، به ویژه در کشورهای کم درآمد و متوسط است. Fels اولین بار هنگام کار در شیکاگو با علم یادگیری ماشین آشنا شد. او این ایده را داشت که یک سیستم هوش مصنوعی می‌تواند بسیاری از مجموعه داده‌های متفاوت را تغذیه کند و اینگونه پیش‌بینی‌های قوی‌ای که که معامله‌گران از آن‌ها برای درآمدزایی در بازارهای مالی استفاده می‌کنند، جمع‌آوری می‌شود.
سپس فلز به این فکر افتاد که سیستم‌های قدرتمند یادگیری ماشین در صورتی که انواع مختلفی از داده‌ها را دریافت کنند قادرند تا چه کارهای دیگری انجام دهند. او می‌گوید: “من فکر کردم باید حوزه‌های دیگری وجود داشته باشد که بتوان از این سیستم در آن‌ها استفاده کرد.” در این میان او با Suvrit Sra، دانشمند علوم کامپیوتر دانشگاه MIT همکاری کرد و با هم تصمیم گرفتند در بخش مراقبت‌های بهداشتی فعالیت کرده و مشکلات این حوزه را حل کنند.
اولین مشتری آن‌ها پس از تأسیس کمپانی Macro-Eyes، سیستم بهداشتی دانشگاه استنفورد بود. مانند بسیاری از اقدامات بهداشتی، یکی از بزرگ‌ترین مشکلات استنفورد عدم حضور بود. بیمارانی که برای ملاقات مراجعه نمی‌کردند. Macro-Eyes سیستمی ایجاد کرد که می‌تواند به طور قابل اطمینان پیش‌بینی کند که کدام بیماران قرار ملاقات خود را از دست می‌دهند. همچنین این سیستم می‌تواند زمان‌های جایگزین و مکان کلینیک‌ها را پیشنهاد کند تا احتمال حضور بیماران را افزایش دهد.
این شرکت از زمان تاسیس با پشتیبانی آژانس توسعه بین‌المللی ایالات متحده و بنیاد بیل و ملیندا گیتس وغیره، فناوری مشابهی را در مکان‌های مختلف جهان از آرکانزاس تا نیجریه پیاده‌سازی کرده است. فلز می‌گوید: “ما در پیش‌بینی و جستجوی رفتارهای سلامتی بسیار خوب عمل کرده‌ایم.”
این مسائل چه ارتباطی با واکسن COVID-19 دارد؟
در تانزانیا، Macro-Eyes روی پروژه‌ای برای بهبود نرخ ایمن‌سازی کودکان کار کرد. نرم‌افزار آن‌ها مقدار دوز واکسن را برای ارسال به هر مرکز واکسیناسیون تجزیه و تحلیل می‌کرد. همچنین این نرم‌افزار پس از تجزیه و تحلیل مشخص کرد که کدام خانواده‌ها ممکن است تمایلی به واکسیناسیون فرزندان خود نداشته باشند و چگونه می‌توان با یک پیام مناسب و یک مرکز ایمن‌سازی که در یک مکان مناسب قرار دارد آن‌ها رابه این امر ترغیب کرد. با استفاده از این نرم‌افزار، دولت تانزانیا توانست راندمان برنامه واکسیناسیون خود را تا 96٪ بهبود ببخشد و دوزهای هدر رفته واکسن را به 2.42% کاهش دهد.
فلز می‌گوید محصول Macro-Eyes کاملا درست کار می‌کند وهم اکنون در تانزانیا به منظور واکسیناسیون COVID-19 به طور مستقیم در حال بهره‌برداری است. اطمینان از کارآیی برنامه واکسیناسیون ضروری است زیرا به‌زودی برای مدتی تقاضای جهانی از عرضه آن پیشی می‌گیرد و این مسئله سبب می‌شود هر دوز از دارو، به ویژه در کشورهای کم درآمد، بسیار پرهزینه باشد. نگرانی در مورد سرمای مورد نیاز برای ذخیره‌سازی داروها در بسیاری از مکان‌ها، حتی در مورد واکسن‌هایی مانند AstraZeneca که می‌توانند در دمای طبیعی یک یخچال نگهداری شوند هم می‌تواند مسئله‌ساز باشد. فلز در رابطه می‌گوید:
“ما نمی‌توانیم 30 دوز از دارو را دور بیندازیم آن هم فقط چون آن‌ها را به جای اشتباهی فرستاده بودیم. اگر ما واکسن را دقیقاً بر اساس جمعیت موجود در هر منطقه اختصاص ندهیم، مطمئنا مجبوریم به برخی از مناطق تعداد کمی اختصاص دهیم و این در حالی اتفاق خواهد افتاد که برخی مناطق بیش از نیاز خود دارو دریافت کرده‌اند.”
او می‌گوید سیستم Macro-Eye’s A.I برای پی‌بردن به میزان تقاضا، اطلاعات را از مجموعه داده‌هایی که شامل داده‌های مکانی به ویژه تصاویر ماهواره‌ای، اطلاعات مربوط به تعداد کاربران تلفن همراه در یک منطقه خاص، سوابق دولت و سیستم بهداشت در صورت موجود بودن و حتی گاهی پست‌های موجود در رسانه‌های اجتماعی بدست می‌آورد.
این شرکت عادت دارد که در مورد داده‌هایی که استفاده می‌کند خلاقیت ایجاد می‌کند. در سیرالئون، که فاقد داده‌های بهداشتی بود، شرکت مجبور شد از زیرساخت‌های مدارس محلی برای پیش‌بینی کیفیت مراکز بهداشتی محلی استفاده کند. فلز می‌گوید معلوم شد که معلمان و دانش آموزان به تنهایی کافی بودند تا با دقت 70٪ پیش‌بینی کنیم که آیا کلینیک‌های محلی به آب تمیز دسترسی دارند یا خیر. وی می‌گوید: “معمولاً هر كدام از این منابع به طور خودكار از ارزش حاشیه‌ای برخوردار هستند. اگر آن‌ها را با هم ترکیب کنید، می‌توانید یک تصویر دقیق بدست آورید.”
