چگونه با کمک یادگیری ماشین به جنگ کووید 19 برویم

شناسایی افرادی که بیشتر در معرض خطر بیماری‌های مسری قرار دارند

اثبات شده که استفاده از آموخته‌های ماشین در پیش‌بینی خطرات در بسیاری از حوزه‌ها بسیار ارزشمند خواهد بود. به ویژه در علم پزشکی، یادگیری ماشین از سه منظر زیر به پزشکان و محققان کمک فراوانی می‌کند:

•  خطر سرایت (Infection risk): خطر ابتلا به COVID-19 در فرد یا گروه‌های خاص چقدر است؟ 
•  خطر جدی (Severity risk): خطر ابتلا در فرد یا گروهی خاص که با علائم و عوارض شدید COVID-19 همراه بوده و به بستری شدن در بیمارستان یا مراقبت شدید نیاز دارند چقدر است؟ 
•  خطر نتیجه (Outcome risk): خطر اینکه یک معالجه خاص برای فرد یا گروهی خاص بی اثر باشد و احتمال فوت آن‌ها چقدر است؟

یادگیری ماشین به‌طور بالقوه می‌تواند به پیش‌بینی این خطرات کمک کند. هر چند هنوز تحقيقات زیادی در زمینه به‌کارگیری یادگیری ماشین در ارتباط با بیماری‌هایی که نرخ شیوع آن‌ها زیاد است (شبیه به کووید 19) صورت نگرفته، اما آزمايشات اولیه امیدوارکننده هستند. علاوه بر این، ما می‌توانیم نحوه استفاده از یادگیری ماشین را به حوزه‌های مختلف علم پزشکی تعمیم دهیم و ببینیم چگونه می‌توان در پیش‌بینی میزان سرایت بیماری‌های مختلف از یک فرد به فردی دیگر از یادگیری ماشین استفاده کرد. 

پیش‌بینی خطر سرایت
(Predicting the risk of infection)

آمارهای اولیه نشان می‌دهند عوامل خطرآفرین مهمی‌ که تعیین می‌کنند چگونه احتمال دارد یک فرد به COVID-19 مبتلا شود شامل موارد زیر هستند:

• سن
•  شرایط زمینه‌ای
•  عادات و رفتار بهداشت عمومی‌ 
•  عادات و رفتار اجتماعی 
•  تعاملات انسانی روزانه
• استمرار این تعاملات (حضور مداوم در جلسات یا مکان‌های شلوغ)
•  موقعیت مکانی و آب و هوا 
•  وضعیت اقتصادی – اجتماعی 

تحقيقات پیرامون ارزیابی نرخ خطرآفرینی این بیماری همه‌گیر و بسط دادن آن به نمونه‌های مشابه هنوز در حال انجام است و مراحل اولیه خود را پشت سر می‌گذارد.
به عنوان مثال، دیو دیکاپریو، متخصص هوش مصنوعی و همکارانش برای آماده‌سازی یک شاخص آسیب‌پذیری اولیه برای COVID-19 از یادگیری ماشین استفاده می‌کنند. با دستیابی بیشتر و بهتر به داده‌ها و نتایج مطالعات در حال انجام، به احتمال زیاد شاهد کاربردهای عملی‌تر یادگیری ماشین برای پیش‌بینی خطر سرایت خواهیم بود.

پیش بینی اینکه چه کسی در معرض خطر جدی قرار دارد 

بعد از اینکه یک فرد یا گروهی مبتلا می‌شوند، باید بتوانيم پیش‌بینی کنیم آیا این فرد یا گروه نشانه‌های جدی بیماری از خود نشان خواهند داد و به مراقب‌های پزشکی پیشرفته نیاز خواهند داشت یا خیر. بسیاری از افراد فقط علائم خفیفی را تجربه می‌کنند، در حالی که دیگران به بیماری شدید ریه یا سندرم حاد تنفسی (ARDS) مبتلا می‌شوند که به‌طور بالقوه کشنده است. درمان و نظارت دقیق روی کسانی که علائم خفیف دارند امکان‌پذیر نیست، اما در زمان بروز علائم شدیدتر شروع زودهنگام درمان امکان‌پذیر خواهد بود. در نشریه Computers, Materials and Continua، محققان مقاله‌ای را منتشر كرده‌اند که نشان می‌دهد یادگیری ماشین می‌تواند تنها با مشاهده علائم اولیه احتمال ابتلا به سندرم حاد تنفسی، خطر مرگ و میر را پیش بینی کند. 

پیش بینی نتایج درمان 

توانایی پیش‌بینی نتایج درمان به معنای واقعی کلمه پیش‌بینی مرگ و زندگی است. بدون تردید دانستن اینکه یک بیمار با توجه به علائم مشخص چقدر احتمال زنده ماندن دارد مفید خواهد بود، اما از آن مهم‌تر این است که دقت کنیم همه بیماران با یک روش یکسان درمان نمی‌شوند و یک روش درمانی مشخص تا چه میزان روی فرد یا گروه خاصی موثر خواهد بود. استفاده از یادگیری ماشین تنها مختص به شخصی‌سازی برنامه‌های درمانی برای بیماری‌های مسری شبیه به کووید 19 نیست و این امکان وجود دارد تا برای پیش‌بینی نتایج درمانی در بیماری‌های دیگری همچون صرع از آن استفاده کرد. 

غربال‌گری بیماران و تشخیص COVID-19

هر زمان یک همه‌گیری جدید شایع می‌شود، شناسایی تک تک افراد چالش‌برانگیز است. آزمايش در مقیاس وسیع دشوار بوده و احتمالا این آزمايشات به ویژه در آغاز پر هزینه است.  به جای نمونه‌گیری پزشکی از هر بیمار که علائم COVID-19 را نشان می‌دهد و انتظار برای دریافت نتیجه از آزمايشگاه، یک آزمايش ساده‌تر، سریع‌تر و ارزان‌تر حتا با دقت‌ کمتر در برخی موارد به کنترل بهتر بیماری کمک می‌کند. جمع‌آوری داده‌ها در مقیاس گسترده است. این داده‌ها می‌‌توانند برای تحقیقات بیشتر و غربال‌گری و پیگیری وضعیت بیماران استفاده شوند. هنگام استفاده از یادگیری ماشین برای کمک به تشخیص COVID-19، زمینه‌های تحقیق شامل موارد زیر است:

•  استفاده از اسکن چهره برای شناسایی علائم، مانند اینکه بیمار تب دارد یا خیر.
•  استفاده از فناوری‌های پوشیدنی مانند ساعت‌های هوشمند برای تحت نظر قرار دادن الگوهای رفتاری یک بیمار.
•  استفاده از چت‌بات‌های یادگیری ماشینی برای غربال‌گری بیماران بر اساس علائم خود گزارش‌دهی.

غربال‌گری بیماران با استفاده از اسکن چهره

اگرچه جزئیات دقیقی در این زمینه در دسترس نیست، با این‌حال یک بیمارستان در فلوريدا اولین مرکزی بود که روی استفاده از یادگیری ماشین برای کمک به شناسایی COVID-19 تمرکز کرد. به محض ورود بیماران به این بیمارستان کادر درمانی چهره افراد را اسکن می‌کردند. تصاویر مربوطه در اختیار الگوریتم هوشمند بیمارستان قرار می‌گرفت تا مشخص شود فرد مزبور تب دارند یا خیر. احتمالا این داده‌ها به خودی خود چندان مفید نیستند، اما هنگام برخورد با صدها یا حتا هزاران بیمار، هر بخش از این داده‌ها برای کمک به اولويت‌بندی درمانی مفید هستند. 

استفاده از فناوری پوشیدنی 

شرکت اپل در زمان تولید اپل واچ برای شناسایی مشکلات رایج قلبی از یادگیری ماشین کمک گرفت، با این حال الگوهای ضربان قلب در حالت استراحت نیز می‌توانند مشکلات جدی‌تر را نشان دهند. این رویکرد در ارتباط با بیماری‌های مسری شبیه به کووید 19 قابل تعمیم است. در مورد مشابه دیگری، تحقيقات OURA نشان می‌دهد ردگیری یک چرخه ردیابی از خواب و فعالیت شامل درجه حرارت بدن، ضربان قلب و تنفس می‌تواند در شناسایی الگوهای شروع، پیشرفت و بهبود COVID-19 مفید باشد.

استفاده از چت‌بات‌ها برای غربال‌گری و تشخیص

اگر پزشکان وقت زیادی را برای پاسخ به سوالات بیماران نگران صرف کنند، زمان کمتری برای تمرکز روی معالجه بیمارانی که به آن‌ها نیاز بیشتری دارند خواهند داشت. بنابراین بسیاری از کشورها سیستم‌هایی را ایجاد کرده‌اند که بیماران قبل از اینکه نیاز به تماس با پزشک یا مراجعه به بیمارستان پیدا کنند پرسشنامه‌ای را در مورد علائم و تاریخچه پزشکی خود تکمیل می‌کنند. بسیاری از شرکت‌ها از جمله مایکروسافت چت‌بات‌هایی آماده کرده‌اند که به مردم کمک می‌کند با مشاهده علائم خاص اقدامات لازم را انجام دهند. 

سرعت بخشیدن به تولید دارو

در پاسخ به رویارویی با یک بیماری همه‌گیر جدید، پیدا کردن واکسن، یک روش تشخیصی قابل اعتماد و یک دارو برای درمان سریع بسیار مهم است. روش‌های فعلی با آزمون و خطای زیادی همراه است و به زمان نیاز دارد. ماه‌ها طول می‌کشد تا حتی یک واکسن قابل اطمینان برای آزمایش معرفی شود. یادگیری ماشین می‌تواند این فرآيند را بدون آنکه کنترل کیفیت را به خطر بیاندازد به میزان قابل ملاحظه‌ای سرعت بخشد. هنگامی‌ که محققان در حال پیدا کردن مهار کننده‌های مولکول‌های کوچک ویروس ابولا بودند، دریافتند که آموزش مدل‌های Bayesian ML با سنجش ورود 
شبه ویروس‌ها به تسریع روند تشخیص کمک می‌کند. در شرایطی مثل همه‌گیری COVID-19 که ویروس به سرعت در حال گسترش است، شناسایی مولکول‌ها به تسریع تولید دارو کمک می‌کند.

شناسایی داروهای موثر موجود

شرکت‌ها برای گرفتن تاییدیه یک داروی جدید وقت و هزینه زیادی صرف می‌کنند. آن‌ها باید تا حد امکان اطمینان حاصل کنند که این داروها عوارض جانبی غیرمنتظره و مضر نداشته باشند. این فرآیند از ما محافظت می‌کند اما در دوره همه‌گیری، دقیقا زمانی که نیاز به پاسخ سریع‌تری داریم سرعت کار را بسیار کند می‌کند. یکی از راه‌های جایگزین این است که از داروهایی که قبلا آزمايش و برای دیگر بیماری‌ها استفاده شده دومرتبه استفاده کنیم، اما هزاران داروی قابل استفاده وجود دارد و ما هم وقت نداریم تا همه آن‌ها را آزمایش کنیم. پس چگونه می‌توان نمونه صحیح را پیدا کرد؟ یادگیری ماشین می‌تواند با ساخت نمودار دانش زیست‌پزشکی و پیش‌بینی تاثیرات دارو روی ویروس‌های نوظهور به ما در راه اولويت‌بندی استفاده از داروهای کمک‌کننده به بهبود بیماری یاری برساند.

ساخت نمودار دانش زیست پزشکی 

دانشی که در مورد داروها، ویروس‌ها و عملکرد آن‌ها داریم، ماحصل مطالعات انجام شده از سوی متخصصان و انتشار مقالات علمی است. ما می‌توانیم از پردازش زبان طبیعی برای خواندن و تفسیر تعداد زیادی مقاله علمی‌ استفاده کنیم و یک نمودار دانش زیست پزشکی ایجاد کنیم که در ساخت نوعی شبکه ساختاریافته به ما کمک کند. شبکه‌ای که به‌طور معنی‌داری مباحث و موضوعاتی شبیه به داروها و پروتئین‌ها را به هم متصل ‌کند. به‌طور مثال، در یک مطالعه آزمایشگاهی دانشمندان از نمودار دانش ساخته شده توسط یادگیری ماشین استفاده کردند تا ارتباط و تاثیرگذاری داروی Barictinib روی درمان بیماری کووید 19 را ارزیابی کنند. COVID-19 به احتمال زیاد از پروتئین ACE2 برای ورود به سلول‌های ریه استفاده می‌کند. این فرآيند (که تحت عنوان اندوسیتوز شناخته می‌شود) توسط پروتئین دیگری به نام AAK1 تنظیم می‌شود. Barictinib می‌تواند AAK1 را مهار کرده و از ورود COVID-19 به سلول‌های ریه جلوگیری کند (شکل 1).

پیش‌بینی تعاملات دارو-هدف

دانشمندان همچنین از یادگیری ماشین برای پیش‌بینی تعاملات دارو-هدف (DTI) سرنام Drug-Target Interactions بین پروتئین‌های ویروس و داروهای موجود و شناسایی داروهای مناسب استفاده می‌کنند. این تعاملات به شدت پیچیده هستند، به همین دلیل محققان از شبکه‌های عصبی برای شناسایی و انتخاب گزینه مناسب استفاده می‌کنند. این شبکه‌ها روی پایگاه‌های داده بزرگ DTI آموزش داده می‌شوند تا فهرستی از داروهای مشخصی را توليد کنند که به احتمال زیاد پروتئین‌های ویروس را که به آن‌ها متصل می‌شود را مهار کند.

پیش‌بینی شیوع بیماری عفونی با استفاده از شبکه‌های اجتماعی

در رویارویی با یک بیماری همه‌گیر، زمانی که قصد داریم استراتژی‌هایی را برای مقابله با آن اتخاذ کنیم، ابتدا باید بدانیم کجا هستیم. به عبارت دقیق‌تر، باید به سوالاتی از قبیل چند نفر مبتلا شده‌اند و این افراد کجا هستند پاسخ دهیم. متاسفانه این یک واقعیت است که پیگیری و کنترل بیماری‌های همه‌گیر (به ویژه موارد ایجاد شده توسط ویروس‌ها) دشوار و پرهزینه است.
معمولا دولت‌ها با استفاده از سیستم سلامت به این سوالات پاسخ می‌دهند. به عنوان مثال، سازمان مسئول روزانه (یا هفتگی) تعداد ابتلای جدید را شناسایی می‌کند و ضمن سرشماری، گزارشی را به شکل عمومی یا خصوصی آماده می‌کند. یکی از چالش‌های پیش‌رو وجود یک شکاف مکانی یا زمانی بزرگ بین ابتلا به بیماری، بروز اولین نشانه‌ها و مثبت شدن آزمايش‌ها است. خوشبختانه ما در دنیای دیجیتال زندگی می‌کنیم. کشاورزی که علائم بروز بیماری را از خود نشان می‌دهد ممکن است در شهر کوچکی زندگی کند که دسترسی به بیمارستان برای انجام آزمايش ندارد. با این حال، همین کشاورز ممکن است بتواند به شبکه‌های اجتماعی دسترسی پیدا کرده و در مورد وضعیت سلامت خود و احتمال پخش این بیماری اطلاعات مهمی به دست آورد. حال اگر این فرد اطلاعاتی در مورد وضعیت سلامت خود در شبکه‌های اجتماعی منتشر کند و سازوکاری تعبیه شده باشد تا این اطلاعات را به شکل خودکار جمع‌آوری کرده و در اختیار یک الگوریتم هوشمند قرار دهد، شیوع بیماری به شکل قابل توجهی کنترل‌پذیر خواهد بود. با تفسیر محتوای تعاملات عمومی‌ در رسانه‌های اجتماعی، یک مدل یادگیری ماشین می‌تواند احتمال آلودگی به ویروس جدید را ارزیابی می‌کند. این مدل ممکن است نتواند مردم را در سطح فردی طبقه‌بندی کند، اما می‌تواند از تمام این داده‌ها برای تخمین گسترش همه‌گیری در زمان‌هایی مشخص استفاده کند. 

نتیجه‌گیری 
یادگیری ماشین ابزاری مهم در راه مبارزه با همه‌گیری در زمان حال و آینده است. اگر ما از این فرصت برای جمع‌آوری داده‌ها، کسب دانش و تلفیق آن با مهارت‌های خود استفاده کنیم، می‌توانیم جان بسیاری از مردم را (چه در زمان حال و آینده) نجات دهیم.