22:03 22/11/2024
Phòng chống cháy nổ
AI cảnh báo và phát hiện bệnh dịch sớm
Điện thoại di động có camera nhiệt và ứng dụng AI để phát hiện những người có thể bị sốt khi họ đi ngang qua. (Ảnh: CNA)
Một công ty khởi nghiệp ở Canada có tên BlueDot đã sử dụng công nghệ AI độc quyền xử lý ngôn ngữ tự nhiên tạo ra một lượng lớn thông tin để tìm kiếm các dấu hiệu và dự đoán nơi một bệnh nhân truyền nhiễm sẽ xuất hiện tiếp theo. BlueDot quét qua 100.000 báo cáo tin tức bằng 65 ngôn ngữ hàng ngày.
Kết quả, BlueDot gửi một cảnh báo cho khách hàng của mình để tránh đi Vũ Hán vào ngày 31/12/2019, 2 tuần trước khi có thông báo chính thức từ Tổ chức Y tế Thế giới (WHO) vào ngày 9/1.
Với việc sử dụng dữ liệu bán vé máy bay toàn cầu, ứng dụng cũng dự đoán rằng virus sẽ lây lan sang Seoul, Bangkok, Đài Bắc và Tokyo là chủ yếu. Trước đó, BlueDot cũng dự đoán thành công đại dịch SARS.
Ushahidi là một công cụ cảnh báo sớm tương tự là được phát triển ở Kenya bởi một tổ chức phi lợi nhuận có trụ sở tại Nairobi.
Ushahidi sử dụng các nguồn tin cộng đồng, kết hợp báo chí và thông tin địa lý cho phép mọi người gửi báo cáo thông qua SMS, ứng dụng, mạng xã hội và Internet, tạo ra kho lưu trữ thời gian và không gian địa lý của các sự kiện.
Nền tảng Ushahidi thường được sử dụng để đối phó với khủng hoảng, báo cáo nhân quyền và giám sát bầu cử.
Ứng dụng phát hiện một người bị sốt khi họ đi ngang qua thiết bị. (Ảnh: CNA)
Tại Singapore, AI cũng được ứng dụng hỗ trợ phát hiện và sàng lọc những người có nguy cơ nhiễm bệnh. Thiết bị được thí điểm tại Bệnh viện Cộng đồng Serangoon North và St Andrew ở Simei. Không cần sàng lọc thủ công thường tốn thời gian và nhân lực, ứng dụng này phát hiện và cảnh báo nhân viên về những người có thân nhiệt cao ngay cả khi họ đeo kính hoặc đội mũ.
Đại học John Hopkins là tổ chức hàng đầu tận dụng công nghệ hệ thống thông tin địa lý (GIS) để nắm bắt, lưu trữ, thao tác, phân tích, quản lý và trình bày tất cả các loại dữ liệu địa lý nhằm phát hiện các khu vực, nơi mọi người nói về căn bệnh và tạo ra các bản đồ nhiệt. Bản đồ này có thể giúp các chuyên gia chăm sóc sức khỏe trong việc theo dõi để kiềm chế sự lây lan của dịch bệnh.
Giáo sư John Brownstein, Giám đốc Sáng tạo của Trường Y Harvard tại Bệnh viện Nhi Boston, xây dựng đội ngũ Healthmap sau đại dịch SARS năm 2003, có chức năng thu thập các báo cáo tin tức, phòng chat và từ các nguồn khác để xây dựng bức tranh trực quan về cách thức lây lan của virus corona.
Mọi người đeo khẩu trang tại đường Orchard, Singapore vào ngày 3/2 (Ảnh: CNA)
Phương pháp này bổ sung các kỹ thuật thu thập dữ liệu của các chính phủ trên khắp thế giới và cũng được sử dụng trong Tình báo dịch tễ của WHO.
Xử lý thông tin sai lệch
Một công nghệ khác có thể giúp chúng ta hiểu được thông tin sai lệch lan truyền trực tuyến gây ra sự kích động và sợ hãi không cần thiết của mọi người. Những nguồn tin thất thiệt đôi khi được đăng tải tự động bởi "robot mạng" để thu hút sự chú ý của người đọc.
Các thuật toán AI có thể sắp xếp trình tự các trang web hướng đến sự chính xác và quan trọng nhất là xác định các bài đăng có khả năng đến từ robot mạng chứ không phải là các nguồn có uy tín để loại bỏ những thôn tin thất thiệt đó.
Cần phải cảnh giác
Chúng ta nên chú ý từ những câu chuyện cảnh báo trong quá khứ. Năm 2008, các nhà nghiên cứu tại Google tuyên bố họ có thể dự đoán xu hướng cúm dựa trên tìm kiếm của mọi người.
Ý tưởng này dựa trên giả định rằng mọi người sẽ tìm kiếm thông tin liên qua đến cúm trên Google khi họ bắt đầu bị nhiễm. “Chúng tôi có thể ước tính chính xác mức độ hoạt động của cúm hàng tuần ở mỗi khu vực của Mỹ với độ trễ báo cáo khoảng 1 ngày”, các nhà khoa học của Google viết.
Nhưng sau đó, dự án này thất bại khi bỏ lỡ đỉnh điểm của mùa cúm 2013 và không dự đoán được đại dịch H1N1 năm 2009.
Tạp chí Wired gọi đây là “sự ngạo mạn của Dữ liệu lớn” – thông tin đầu vào sai dẫn đến kết quả không chính xác. Chỉ vì những người tìm kiếm các triệu chứng giống như cúm trên Google không nhất thiết có nghĩa là họ bị cúm. Phần lớn các lần bác sĩ đến thăm khám vì các triệu chứng giống như cúm lại thường là các loại virus khác.
Do đó, chúng ta có thể mong đợi độ chính xác của AI trong việc phát hiện virus thấp hơn so với mong muốn – nhưng với khả năng tự học của máy tính, hy vọng mỗi sự cố sẽ cung cấp phản hồi mang tính xây dựng để có thể củng cố thuật toán dự đoán với các sự cố trong tương lai.
Việc xây dựng các loại AI, khả năng tự học của máy tính và khai thác dữ liệu này đòi hỏi một khoản đầu tư tài chính lớn, được phối hợp để có khả năng nghiên cứu, phát triển và thử nghiệm thêm, hướng tới tạo ra công nghệ mà các nhà hoạch định chính sách, doanh nghiệp và bác sĩ có thể sử dụng.