Các dự án nghiên cứu mới sẽ sử dụng các công cụ tính toán để phát hiện, chẩn đoán và điều trị tốt hơn và ngăn chặn sự lây lan của COVID-19.

Các nhà nghiên cứu của Đại học Chicago khởi động các dự án khám phá sự chênh lệch về sức khỏe, machine learning

Đại dịch COVID-19 đã huy động cộng đồng khoa học thế giới như không có cuộc khủng hoảng nào xảy ra gần đây, bao gồm nhiều nhà nghiên cứu sử dụng phương pháp tiếp cận khoa học dữ liệu và trí tuệ nhân tạo hiện đại nhất. Tại Đại học Chicago, các chuyên gia y tế công cộng, nhà khoa học máy tính, nhà kinh tế và nhà phân tích chính sách đã khởi động các dự án sử dụng các công cụ tính toán để phát hiện, chẩn đoán, điều trị và ngăn chặn sự lây lan của loại virus chết người tốt hơn.

Mùa hè này, ba trong số các dự án này đã nhận được tài trợ hạt giống từ Viện chuyển đổi kỹ thuật số C3.ai (DTI), một đối tác mới của các công ty công nghệ và trường đại học cam kết thúc đẩy lợi ích của trí tuệ nhân tạo cho doanh nghiệp, chính phủ và xã hội. Nghiên cứu tấn công đại dịch từ nhiều góc độ: giúp các nhà hoạch định chính sách kiểm soát dịch bệnh lây lan bằng cách xác định và giải quyết các yếu tố xã hội chính, bác sĩ phát hiện bệnh ở giai đoạn sớm hơn và bệnh viện quyết định bệnh nhân nào cần nhập viện. Dự án thứ tư, sự hợp tác do Maryellen Giger của UChi Chicago Medicine dẫn đầu, đã được tổ chức này tài trợ vào mùa xuân.

“Chúng tôi có tiềm năng thay đổi tiến trình của đại dịch toàn cầu này.” –Thomas M. Siebel, Giám đốc điều hành của C3.ai.

Giải thưởng là một phần của khoản tài trợ 5,4 triệu đô la do DTI phân phối, sau khi họ kêu gọi đề xuất đầu tiên vào tháng Ba. Nhóm cũng cung cấp các công cụ phần mềm AI và “dữ liệu” gồm các bộ dữ liệu COVID-19 để hỗ trợ các nhà nghiên cứu nghiên cứu về đại dịch.

Thomas M. Siebel, Giám đốc điều hành của C3.ai, cho biết: “Sự hưởng ứng nhiệt tình của các nhà khoa học và nhà nghiên cứu cùng với các đề xuất đa dạng, chất lượng cao và hấp dẫn mà chúng tôi nhận được cho thấy rằng chúng tôi có tiềm năng thay đổi tiến trình của đại dịch toàn cầu này.. “Đối mặt với cuộc khủng hoảng này, Viện tự hào tập hợp những bộ óc tốt nhất và sáng giá nhất, đồng thời đưa ra định hướng và lãnh đạo để hỗ trợ phân tích khách quan và khoa học định hướng dữ liệu dựa trên AI để giảm thiểu COVID-19.”

Mô hình hóa sự chênh lệch về sức khỏe

Số lượng sớm của đại dịch COVID-19 cho thấy sự bất bình đẳng nghiêm trọng về sức khỏe trong việc ai mắc bệnh và ai bị tử vong. Theo dữ liệu của CDC, người Mỹ Latinh và người Mỹ gốc Phi có nguy cơ nhiễm vi rút cao gấp 3 lần và nguy cơ tử vong cao gấp 2 lần so với người Mỹ da trắng. Nhiều chuyên gia tin rằng sự chênh lệch này vượt ra ngoài các bệnh đi kèm về y tế, đến các yếu tố quyết định xã hội như nhà ở, việc làm và đặc điểm khu vực lân cận.

Asst. Giáo sư Anna Hotton

Anna Hotton, trợ lý giáo sư nghiên cứu tại Đại học Y học UChi Chicago, trước đây đã nghiên cứu mối quan hệ giữa các yếu tố xã hội và sự lây lan của virus trong bối cảnh các bệnh truyền nhiễm khác. Với khoản tài trợ DTI của mình, cô ấy đang làm việc với các nhà nghiên cứu khác của UChi Chicago là Aditya Khanna, Harold Pollack và John Schneider để điều chỉnh tác phẩm đó thành COVID-19, với sự trợ giúp từ các chuyên gia mô hình dựa trên đại lý Jonathan Ozik và Charles Macal tại Phòng thí nghiệm Quốc gia Argonne.

“Nhiều công việc quan trọng của tôi tập trung vào việc tìm hiểu các yếu tố xã hội và cấu trúc khi chúng tác động đến sự lây truyền HIV,” Hotton nói. “Với COVID-19, có rất nhiều điểm tương đồng về các yếu tố xã hội hình thành tính dễ bị tổn thương của mọi người đối với việc lây nhiễm, và tôi có động lực để làm sáng tỏ một số vấn đề xã hội này và giúp hướng dẫn công việc giảm bất bình đẳng về sức khỏe.”

Mô hình hóa dựa trên tác nhân là một dạng mô phỏng máy tính mạnh mẽ để nghiên cứu các hệ thống phức tạp, từ tương tác phân tử đến tắc nghẽn giao thông. Trong thập kỷ qua, các nhà nghiên cứu Ozik và Macal của Argonne đã dần dần lắp ráp một mô hình máy tính cho toàn bộ thành phố Chicago và người dân sử dụng nó để quan sát và dự đoán sự lây lan của các dịch bệnh thực (MRSA, cúm) và tưởng tượng (bùng phát zombie) . Gần đây, nhóm nghiên cứu đã tập trung mô hình ChiSIM của họ vào sự lây lan của COVID-19, tìm kiếm các tòa nhà và khu vực của thành phố nơi tập trung đông người và có nguy cơ lây truyền dịch bệnh cao.

Với Hotton và các cộng sự của cô ấy, Ozik và Macal đang nghiên cứu thêm dữ liệu mới về dân số tổng hợp của họ ở Chicago gồm 2,7 triệu “tác nhân”, bao gồm thông tin về nhà ở, nghề nghiệp và các yếu tố xã hội khác có khả năng ảnh hưởng đến sự lây lan của vi rút. Nhóm cũng sẽ sử dụng máy học để xác định các yếu tố dữ liệu quan trọng nhất để đưa vào mô hình từ một danh sách dài các tùy chọn, chẳng hạn như thời gian dành cho phương tiện công cộng, khả năng làm việc tại nhà, số lượng thành viên gia đình trong một hộ gia đình, và nhiều chi tiết khác.

Sau khi được làm giàu với dữ liệu này, các nhà nghiên cứu sẽ có thể mô phỏng tốt hơn các kịch bản lây lan dịch bệnh khác nhau và hầu như kiểm tra xem các chiến lược chính sách xã hội hoặc y tế công cộng khác nhau có thể giúp giảm thiểu dịch bệnh như thế nào. Kết quả của họ sẽ được chia sẻ với các đối tác tại Sở Y tế Công cộng Chicago và Illinois, tư vấn cho các cơ quan này về cách tốt nhất để triển khai thử nghiệm, mở cửa lại các doanh nghiệp và trường học, và cuối cùng là tiêm chủng.

“Mô hình dựa trên tác nhân cho phép chúng tôi khám phá các phương pháp can thiệp trong môi trường ảo trước khi triển khai các biện pháp can thiệp trong cuộc sống thực, ngoài việc đưa ra dự đoán về xu hướng tỷ lệ mắc và tử vong,” Hotton nói. “Sau này, khi vắc xin có sẵn, chúng tôi sẽ cần tìm ra cách triển khai chúng hiệu quả nhất cho những quần thể có nhu cầu lớn nhất”.

Tiếp nhận hay giải phóng?

Một trong những quyết định khó khăn nhất mà các bác sĩ phải đối mặt trong thời kỳ đại dịch là quyết định bệnh nhân COVID-19 nào nên giữ lại bệnh viện và bệnh nhân nào an toàn để phục hồi tại nhà. Trước sức chứa quá tải của bệnh viện và một căn bệnh hoàn toàn mới với ít bằng chứng dựa trên dữ liệu để chẩn đoán và điều trị, các tiêu chuẩn đánh giá cũ để quyết định bệnh nhân nào tiếp nhận đã tỏ ra không hiệu quả. Nhưng máy học có thể giúp đưa ra quyết định đúng đắn sớm hơn, cứu sống và giảm chi phí chăm sóc sức khỏe.

Giáo sư Sendhil Mullainathan

Một nhóm do Giáo sư Sendhil Mullainathan của Chicago Booth dẫn đầu sẽ làm việc với một mạng lưới bệnh viện lớn ở phía tây bắc Hoa Kỳ để tạo ra một mô hình mới để dự đoán hội chứng suy hô hấp cấp tính (ARDS), triệu chứng nghiêm trọng nhất và nguyên nhân tử vong chính của COVID -19 bệnh nhân. Sử dụng hơn 4 triệu tia X-quang ngực, nhóm nghiên cứu — bao gồm Aleksander Madry của Viện Công nghệ Massachusetts và Ziad Obermeyer từ Đại học California, Berkeley — sẽ xây dựng một mô hình machine learning mới dự đoán khả năng xảy ra hiện tượng xẹp phổi này.

Để giải quyết vấn đề dữ liệu COVID-19 hạn chế trong thời kỳ đầu của đại dịch, nhóm nghiên cứu sẽ cung cấp cho mô hình của họ bằng tia X từ các tình trạng khác ảnh hưởng đến phổi, chẳng hạn như cúm và viêm phổi.

“Không ai có đủ dữ liệu về COVID để áp dụng bộ công cụ machine learning hiện đại,” Obermeyer nói. “Nhưng trong một bệnh nhiễm trùng phổi như COVID, phổi thực sự có một cơ chế sinh lý rất hạn chế. Khi phổi bị virus hoặc vi khuẩn tấn công, về cơ bản chúng chỉ phản ứng theo một cách. Giả thuyết của chúng tôi là chúng tôi có thể tìm hiểu về sự suy giảm COVID bằng cách xem xét sự suy giảm trong các điều kiện khác ”.

Sau khi được xác nhận, mô hình AI của họ sẽ trở thành mã nguồn mở và có sẵn cho các hệ thống y tế khác trên thế giới. Dự án cũng cho phép Mullainathan và Obermeyer có cơ hội phát triển một thuật toán ra quyết định y tế kiểm soát sự thiên vị mà họ đã xác định trong phần mềm chăm sóc sức khỏe khác trong nghiên cứu trước đó.

“Ngay cả khi bạn đang sử dụng dữ liệu sinh học khách quan như tia X, kết quả của bạn vẫn bị sai lệch vì chúng được tạo ra bởi một hệ thống y tế thiên vị,” Obermeyer nói. “Quan điểm lạc quan trong công việc trước đây của chúng tôi về thành kiến ​​chủng tộc là một khi bạn nhận thức được những thành kiến ​​đó, bạn có thể đưa ra các thuật toán có tính đến chúng”.

Phát hiện sớm: Xử lý đại dịch như hỏng động cơ

Trong giai đoạn đầu của đợt bùng phát dịch bệnh, việc phát hiện các ca bệnh là rất quan trọng để ngăn chặn sự lây lan của quần thể, nhưng cũng rất khó khăn – một bài toán dữ liệu “mò kim đáy bể”. Nhưng các nhà khoa học máy tính đã phát triển các hệ thống trí tuệ nhân tạo cho những thách thức như vậy trong các bối cảnh khác, chẳng hạn như phát hiện lỗi cơ học trong động cơ phản lực hoặc các giao dịch tài chính bất thường và có khả năng gian lận. Các mô hình được xây dựng cho các ứng dụng này phải có khả năng tìm kiếm chính xác và đáng tin cậy các trường hợp hiếm gặp trong một lượng lớn dữ liệu — không ai muốn phát hiện ra lỗi động cơ máy bay quá muộn.

Asst. Giáo sư Yuxin Chen

Trong công việc trước đây tại Caltech, nhà khoa học máy tính Yuxin Chen của UChi Chicago đã xây dựng các hệ thống phát hiện sớm này cho các kỹ sư cơ khí và các chuyên gia lĩnh vực khác. Với sự tài trợ của DTI, anh ấy sẽ làm việc với các nhà nghiên cứu từ UC Berkeley và UCSF về việc chuyển giao những cách tiếp cận này để phát hiện nhiễm từ COVID và các bệnh khác bằng cách sử dụng dữ liệu giám sát y tế và sức khỏe cộng đồng. Nhóm sẽ điều chỉnh các giải pháp cho những thách thức phổ biến như đào tạo mô hình trên dữ liệu thưa thớt, kết hợp dữ liệu từ các nguồn khác nhau và kỹ thuật thu thập, đồng thời giảm thiểu âm tính giả có thể gây hậu quả nghiêm trọng nếu bỏ sót bệnh nhân nhiễm bệnh.

Phần dự án của Chen tập trung vào mối quan tâm nghiên cứu chính của anh ấy: máy học tương tác (interactive machine learning). Trái ngược với “hộp đen” thụ động của hầu hết các mô hình AI, các hệ thống này tích cực làm việc với các chuyên gia về con người, đề xuất các nguồn dữ liệu mới cần được thu thập để cải thiện dự đoán hoặc yêu cầu trợ giúp khi một chẩn đoán cụ thể không rõ ràng.

“Nếu mô hình không tự tin lắm về kết quả dự đoán cho một chẩn đoán y khoa nào đó mà chúng tôi có dữ liệu, nó sẽ gắn cờ các dữ liệu này và yêu cầu các chuyên gia xác minh hoặc sửa kết quả dự đoán,” trợ lý giáo sư Chen cho biết. “Chúng tôi cũng quan tâm đến các khuyến nghị có thể giải thích được; chúng tôi đang đào tạo hệ thống AI của mình để giao tiếp hiệu quả với người dùng để cộng tác đưa ra các quyết định phát hiện và chẩn đoán. Vì vậy, chúng tôi cần xây dựng một giao diện có thể hiểu được, nằm giữa hệ thống và các chuyên gia y tế để làm cho sự hợp tác trở nên liền mạch ”.

Nguồn: scitechdaily