Ein neues Modell des maschinellen Lernens könnte den Gesundheitsbehörden dabei helfen, der nächsten Krise einen Schritt voraus zu sein

Die Diagnose und Eindämmung eines Krankheitsausbruchs oder der gesundheitlichen Auswirkungen eines störenden Ereignisses wie einer Naturkatastrophe kann eine große Aufgabe sein. Eine am Freitag von der New York University veröffentlichte Studie legt nahe, dass ein neues Modell des maschinellen Lernens die Fähigkeit von Gesundheitsbehörden verbessern könnte, auf künftige Pandemien und andere Krisen im Bereich der öffentlichen Gesundheit zu reagieren.

Die Forschung wurde in Zusammenarbeit mit der Carnegie Mellon University und dem New Yorker Ministerium für Gesundheit und psychische Hygiene durchgeführt.

Kimberly Adams von Marketplace spricht mit Daniel Neill, einem Informatikprofessor an der NYU und Leiter des Machine Learning for Good Laboratory, das die Studie veröffentlicht hat. Er erklärt, wie dieses Modell des maschinellen Lernens funktioniert. Das Folgende ist eine bearbeitete Abschrift ihres Gesprächs.

Daniel Neill: Unser Ansatz nutzt Textdaten von Besuchen in der Notaufnahme. Also insbesondere die Hauptsache, weshalb der Patient in die Notaufnahme gekommen ist. Und diese Textdaten enthalten viel umfangreichere Daten als nur „Eine Person hat grippeähnliche Symptome“. Wir wissen möglicherweise genau, welche Art von Symptomen sie haben oder wem sie ausgesetzt waren, und können durch die Erkennung von Mustern in diesen Textdaten neue Ausbrüche, Dinge, nach denen die öffentliche Gesundheit noch nicht gesucht hat, und andere Arten von Krankheiten aufdecken Veranstaltungen.

Kimberly Adams:Wie könnte dieser Algorithmus in einem Gesundheitsamt eingesetzt werden, um möglicherweise neue oder nicht identifizierte Krankheitsausbrüche zu identifizieren?

Neill: Die Hoffnung besteht darin, dass die Gesundheitsämter diese Art von Ansatz tatsächlich täglich anwenden würden, wobei der Algorithmus jeden Tag Cluster in der Vergangenheit, sagen wir, 24 Stunden an Daten, aufdecken würde, die die öffentliche Gesundheit sich ansehen und, falls nötig, Antworten auf. Es kann auch dazu beitragen, dass die öffentliche Gesundheit mit all den unzähligen Dingen klarkommt, mit denen sie sich täglich auseinandersetzen muss, was beispielsweise eine Häufung von Fällen sein kann, die auf das Einatmen von Rauch zurückzuführen sind, oder auf irgendeine Art von chemischer Belastung zurückzuführen sind, oder wir sehen, dass ... Neue Häufung von Drogenüberdosierungen aufgrund einer neuen synthetischen Droge. Das Ziel besteht also wiederum darin, sie täglich über alles zu informieren, was in ihrem Zuständigkeitsbereich vor sich geht.

Adams:Vielleicht erkennen Sie, ich weiß nicht, einen Ausbruch von so etwas wie der Legionärskrankheit früher, als Sie es sonst tun würden?

Neill: Ja das ist richtig. Das ist ein schönes Beispiel für etwas mit seltenen Symptomen. Und Sie können sich auch vorstellen, dass etwas mit neuartigen Symptomen einhergeht, Dinge, die wir noch nie zuvor gesehen haben, wie zum Beispiel, dass die Nase der Menschen blau wird und abfällt. Nun dürften nicht sehr viele Fälle dieser Art nötig sein, um zu erkennen, dass wir es mit etwas Neuem und Anderem zu tun haben, mit dem sich die öffentliche Gesundheit befassen muss. Die Ironie besteht jedoch darin, dass typische Krankheitsüberwachungssysteme diese lediglich Ihren bestehenden Syndromkategorien zuordnen und dabei im Wesentlichen die Tatsache übersehen, dass es sich tatsächlich um etwas Neues handelt. Was wir also bereitstellen, ist ein Sicherheitsnetz, um alle Arten von Ereignissen abzufangen, die andere Systeme möglicherweise übersehen.

Adams:Was passiert, wenn die Daten fehlerhaft sind oder die Leute einfach nicht über ihre Symptome sprechen?

Neill: Das ist richtig. Das ist absolut eine Einschränkung des Systems, denn es ist von der Datenqualität, Datenverfügbarkeit und Datenaktualität abhängig. Wenn eine Gerichtsbarkeit beispielsweise die Daten der Notaufnahme von örtlichen Krankenhäusern nicht rechtzeitig erhält, wirkt sich dies auf ihre gesamte Fähigkeit aus, auf Muster in diesen Daten zu reagieren. Wenn bei der Datenerhebung schwerwiegende Fehler aufgetreten sind, besteht die Möglichkeit, dass sich diese auf das auswirken, was wir mithilfe dieser Daten erkennen können. Außerdem haben Sie völlig Recht: Dinge, die möglicherweise nicht zu einem Besuch in der Notaufnahme führen, sind über diese spezielle Datenquelle nicht unbedingt erkennbar. Es gibt jedoch eine Vielzahl von Datenquellen, die das öffentliche Gesundheitswesen zur Erkennung von Ausbrüchen nutzt.

Adams: Sie alle haben diesen Algorithmus unter anderem anhand der Daten getestet, die nach dem Hurrikan Sandy in die Krankenhäuser gelangten. Können Sie mir erklären, was Sie gesehen haben und wie der Algorithmus darauf reagiert hat?

Neill: Sicher. Wir fanden eine sehr interessante Entwicklung von Fallhäufungen in den Notaufnahmen von New York City. In den ein oder zwei Tagen nach dem Einschlag von Sandy sahen wir, was wir erwartet hatten, nämlich viele akute Fälle – Menschen, die mit Beinverletzungen oder Kurzatmigkeit eintrafen, andere Dinge, die eine Art direkte Folge der Auswirkungen des Hurrikans sind . Ein paar Tage später sahen wir eine Reihe von Fällen, die eher mit psychischen Problemen zu tun hatten. Es kommen also Menschen mit Depressionen und Angstzuständen. Und dann, ein paar Tage später, sahen wir noch einen weiteren Fall. Wir sahen, wie Menschen zur Dialyse oder zur Methadon-Erhaltung in die Notaufnahme kamen. Dies sind alles Dinge, die in der Notaufnahme eines Krankenhauses normalerweise nicht behandelt werden. Da jedoch alle Ambulanzen geschlossen waren, mussten die Menschen im Grunde auch aus diesen Gründen die Notaufnahme in Anspruch nehmen. Was uns das wirklich zeigt, ist das Fortschreiten der unterschiedlichen Belastungen einer Notaufnahme nach einer Naturkatastrophe. Und ich denke, dass es für das Personal in der Notaufnahme von Krankenhäusern sehr aufschlussreich ist, zu wissen, womit es rechnen muss, worauf es vorbereitet sein muss und dass es über ausreichende Ressourcen verfügt, um all diese verschiedenen Arten von Problemen anzugehen.

Adams:Warum ist der Einsatz maschinellen Lernens ein besseres Werkzeug für diese spezielle Reihe von Problemen der öffentlichen Gesundheit als die Art und Weise, wie wir es bisher getan haben?

Neill: Dies ist keineswegs eine Aufgabe, bei der [künstliche Intelligenz] den Menschen ersetzen sollte. Was unser System also macht, ist, dass es die Menschen, Gesundheitsepidemiologen, auf Ereignisse aufmerksam macht, die in den Daten auftauchen und die sie sonst vielleicht nicht sehen würden. Der Schlüssel liegt also darin, herauszufinden, was in all diesen riesigen, komplexen Daten wichtig ist, die einem Menschen wichtig sein könnten und auf die er möglicherweise reagieren möchte.

Jeden Tag entmystifiziert das „Marketplace Tech“-Team die digitale Wirtschaft mit Geschichten, die mehr als nur Big Tech thematisieren. Wir sind bestrebt, Themen zu behandeln, die für Sie und die Welt um uns herum wichtig sind, und befassen uns eingehend mit der Frage, wie Technologie mit Klimawandel, Ungleichheit und Desinformation zusammenhängt.

Als Teil einer gemeinnützigen Nachrichtenredaktion zählen wir darauf, dass Hörer wie Sie dafür sorgen, dass dieser öffentlich-rechtliche Dienst Paywall-frei und für alle verfügbar bleibt.

Unterstützen Sie „Marketplace Tech“ noch heute in beliebiger Höhe und werden Sie Partner unserer Mission.