새로운 기계 학습 모델은 공중 보건 담당자가 다음 위기를 앞서는 데 도움이 될 수 있습니다

질병 발생이나 자연재해와 같은 파괴적인 사건이 건강에 미치는 영향을 진단하고 억제하는 것은 엄청난 작업이 될 수 있습니다. 금요일 뉴욕대학교에서 발표된 연구에 따르면 새로운 기계 학습 모델이 향후 전염병 및 기타 공중 보건 위기에 대응하는 보건 공무원의 능력을 향상시킬 수 있다고 합니다.

이 연구는 카네기멜론대학교와 뉴욕시 보건 및 정신위생부와의 협력을 통해 이루어졌습니다.

Marketplace의 Kimberly Adams는 NYU의 컴퓨터 과학 교수이자 이 연구를 발표한 Machine Learning for Good Laboratory 이사인 Daniel Neill과 이야기를 나눕니다. 그는 이 기계 학습 모델이 어떻게 작동하는지 설명합니다. 다음은 이들의 대화 내용을 편집한 내용입니다.

다니엘 닐: 우리의 접근 방식은 응급실 방문에서 얻은 텍스트 데이터를 사용합니다. 특히 환자가 응급실에 온 가장 중요한 이유는 다음과 같습니다. 그리고 그 텍스트 데이터에는 단순히 "독감과 유사한 증상이 있는 사람"보다 훨씬 더 풍부한 데이터가 포함되어 있습니다. 우리는 그들이 어떤 종류의 증상을 가지고 있는지, 무엇에 노출되었는지 정확히 알 수 있습니다. 따라서 이 텍스트 데이터에서 패턴을 감지함으로써 우리는 공중 보건이 아직 찾고 있지 않은 새로운 발병과 다른 종류의 발병을 표면화할 수 있습니다. 이벤트.

킴벌리 아담스:새로운 질병이나 확인되지 않은 질병 발생을 식별하기 위해 이 알고리즘을 보건 부서에 어떻게 배포할 수 있습니까?

닐: 희망은 공중 보건 부서가 실제로 이러한 종류의 접근 방식을 매일 실행하여 매일 알고리즘이 과거의 클러스터(예: 공중 보건이 볼 수 있는 24시간 데이터)를 표면화하고 필요한 경우 응답. 또한 공중 보건이 매일 해결해야 하는 수많은 문제를 처리하는 데 도움이 될 수 있습니다. 예를 들어 연기 흡입으로 인해 발생하는 일련의 사례가 있을 수도 있고 일종의 화학 물질 노출이 있거나 일부 새로운 합성 약물로 인해 새로운 약물 과다 복용 클러스터가 발생했습니다. 다시 말씀드리지만, 목표는 관할권에서 일어나는 모든 일에 대해 그들에게 일상적인 인식을 제공하는 것입니다.

아담스:그렇다면 재향군인병과 같은 질병의 발병을 다른 경우보다 더 빨리 발견할 수 있을까요?

닐: 그래 맞아. 드문 증상이 있는 좋은 예입니다. 그리고 이전에 한 번도 본 적이 없는 새로운 증상이 나타나면서 사람들의 코가 파랗게 변하고 떨어지게 되는 경우도 상상할 수 있습니다. 이제 우리가 공중 보건이 처리해야 할 새롭고 다른 무언가가 있다는 것을 깨닫는 데에는 그러한 사례가 그리 많이 필요하지 않습니다. 그러나 아이러니한 점은 일반적인 질병 감시 시스템이 이를 기존 증후군 범주에 매핑하고 거기에 실제로 새로운 것이 있다는 사실을 기본적으로 간과한다는 것입니다. 그래서 우리가 제공하는 것은 다른 시스템이 놓칠 수 있는 모든 종류의 이벤트를 포착할 수 있는 안전망입니다.

아담스:데이터에 오류가 있거나 사람들이 자신의 증상에 대해 이야기하지 않으면 어떻게 되나요?

닐: 좋아요. 이는 데이터 품질, 데이터 가용성 및 데이터 적시성에 따라 달라지는 시스템의 절대적 한계입니다. 예를 들어, 관할권이 적시에 지역 병원으로부터 응급실 데이터를 받지 못하면 해당 데이터의 패턴에 대응하는 모든 능력에 영향을 미치게 됩니다. 마찬가지로, 데이터 수집 방식에 큰 오류가 있는 경우 해당 데이터를 사용하여 감지할 수 있는 내용으로 전파될 가능성이 있습니다. 또한 귀하의 의견이 절대적으로 맞습니다. 응급실 방문으로 이어지지 않을 수도 있는 사항이 이 특정 데이터 소스를 통해 반드시 감지될 수 있는 것은 아닙니다. 그러나 공중 보건에서 발병 감지를 위해 사용하는 데이터 소스는 매우 다양합니다.

아담스: 여러분 모두가 이 알고리즘을 테스트한 방법 중 하나는 허리케인 샌디 이후 병원에 들어온 데이터를 살펴보는 것이었습니다. 당신이 본 것과 알고리즘이 이에 어떻게 반응했는지 자세히 설명해 주실 수 있나요?