چگونه داده ها و فناوری های مکانی می توانند در پیشگیری و کنترل بیماری کمک کنند

 

در کمتر از سه ماه از شناسایی اولین مورد COVID-19 در ووهان در دسامبر 2019 ، همه گیری همه دنیا را به زانو درآورد. از آنجایی که بشریت به طور مشترک برای سخت ترین زمان ها از زمان جنگ جهانی دوم آماده می شود ، ناگهان متوجه می شویم که علی رغم پیشرفت های چشمگیر در علم و فناوری ، امکانات بهداشتی ما به ویژه در برابر دشمن ناشناخته ناکافی است. این که زیرساخت های بهداشتی می تواند در طی شیوع عمده بیماری از بین برود ، در طی شیوع ابولا و H1N1 مشهود بود ، حتی اگر آنها به اندازه کشنده نبودند. آنچه که جهان به آن نیاز دارد و اکنون بیش از هر زمان دیگری آشکار شده است ، یک رویکرد هماهنگ جهانی برای ایجاد یک سیستم تشخیص زود هنگام و پاسخ برای پیشگیری از بیماری است. و داده ها و فن آوری های فضایی یکپارچه در این امر هستند.

“ما نمی دانیم که همه گیر بعدی چه زمانی رخ می دهد ، اما من معتقدم اگر روی ابزارهای بهتر ، سیستم تشخیص زودرس موثرتر و سیستم واکنش جهانی قوی تر سرمایه گذاری کنیم ، می توانیم از خود محافظت کنیم … همچنین پیشرفت های جالبی وجود دارد که قدرت محاسبه برای کمک به پیش بینی مکان های احتمال بروز همه گیرها و مدل سازی رویکردهای مختلف برای جلوگیری یا مهار آنها. “ – بیل گیتس ، 27 آوریل 2018

“ما با # COVID19 در قلمرو ثبت نشده هستیم. ما قبلاً هرگز عامل بیماری زای تنفسی را ندیده ایم که توانایی انتقال در جامعه را داشته باشد ، اما با اقدامات مناسب می تواند مهار شود. شناخت و درک اپیدمی اولین قدم برای شکست آن است. “  – دکتر تدروس آدنوم گبریزوس ، مدیر کل سازمان بهداشت جهانی (WHO) ، 2 مارس 2020

“ما در پیام رسانی خود کاملاً واضح بوده ایم که برای مقابله با این مسئله ، واقعاً باید همه موارد را پیدا کنیم ، باید بدانیم که ویروس کجاست تا بتوانیم رویکرد خود را به مناطقی که بیشتر به آن نیاز دارند ، تنظیم کنیم و این کار را انجام دهیم ما باید موارد را پیدا کنیم. “  – دکتر ماریا ون کرخوو ، اپیدمیولوژیست بیماریهای عفونی ، برنامه اورژانس بهداشتی ، WHO ، 23 مارس 2020

اینها تنها برخی از نمونه های اخیر است ، اما رابطه بین محل و شیوع بیماری و درمان به دوران باستان برمی گردد. در سال 470 قبل از میلاد ، Alcmaeon از Croton اولین پزشک یونانی بود که اظهار داشت کیفیت آب ممکن است بر سلامتی افراد تأثیر بگذارد. رساله بقراط Airs، Waters، Places ، که در حدود 400 سال قبل از میلاد مسیح منتشر شده است ، به طور طولانی به منابع مختلف ، کیفیت ها و اثرات سلامتی آب می پردازد. آلودگی آب توسط سرب یکی از موضوعات بحث در مورد سلامت مردم در زمان روم بوده است. حتی در آن زمان ها ، تأثیرات غیر مستقیم بهداشت عمومی آب بیش از تأثیرات مستقیم درک می شد – در حالی که خشکسالی و سیل منجر به کمبود غذا و قحطی می شد ، غذا ، مردم و عوامل بیماری زا به راحتی توسط آب حرکت می کردند.

با این حال ، در سال 1854 ، هنگام شیوع بدنام وبا در لندن ، یکی از دکتر جان اسنو هنگامی که نقشه توزیع مرگ بر روی نقشه محلی را طراحی کرد ، بنیان اپیدمیولوژی مدرن را بنا نهاد ، که در نهایت به او کمک کرد تا پمپ آب را به عنوان منبع شیوع آن ردیابی کند. . دکتر کریستین بلسوا ، معاون مدیر مرکز تغییرات آب و هوا و بهداشت سیاره ، دانشکده بهداشت و پزشکی گرمسیری لندن ، تأکید می کند: “امروز ، تجزیه و تحلیل خوشه بیماری ، مقایسه فضایی و نقشه برداری همچنان روشهای مهمی برای پیش بینی ، پیشگیری و کنترل بیماری است.”

“اولین تجسم رابطه بین مکان و سلامتی در سال 1694 با موضوع مهار طاعون در ایتالیا بود. ارزش نقشه ها به عنوان یک ابزار ارتباطی طی 225 سال آینده در درک و ردیابی بیماری های عفونی مانند تب زرد ، وبا و بیماری همه گیر آنفلوانزا در سال 1918 شکوفا شد. “ از دهه 1960 ، هنگامی که سیستم اطلاعات جغرافیایی رایانه ای به وجود آمد ، امکان تجزیه و تحلیل ، تجسم و تشخیص الگوهای گسترش بیماری به طور چشمگیری افزایش یافت.

از زمان شیوع SARS در سال 2003 ، جهان شاهد انقلابی در جغرافیای کاربردی از طریق ابزارهای تحت وب بوده است. چندین نقشه و نمودار وجود دارد که نشان دهنده گسترش نگران کننده گسترش COVID-19 و چگونگی فروپاشی زیرساخت های بهداشتی در سراسر کشورها است.

پیگیری شیوع

متخصصان اپیدمیولوژی به طور سنتی هنگام تجزیه و تحلیل ارتباط بین مکان ، محیط و بیماری از نقشه ها استفاده می کنند و مسلم است که علم اپیدمیولوژی خوب و علم اطلاعات جغرافیایی خوب دست به دست هم می دهند.

در حالی که نقشه برداری و بررسی های میدانی رایج ترین تکنیک ها هستند ، به طور فزاینده ای ، منابع جدید داده های بزرگ مکانی ، از جمله تلفن های هوشمند ، رسانه های اجتماعی و حتی دستگاه های پوشیدنی شخصی ، برای ترجمه آدرس های بیماران به طول و عرض جغرافیایی برای تعیین دقیق آنها در حال تجزیه و تحلیل هستند. مکان در زمین ، و اطلاعاتی در مورد اپیدمیولوژی ، ژنتیک ، علوم اجتماعی و رفتاری و بیماری های عفونی پیدا کنید.

به عنوان مثال ، به محض انتشار گزارشات چند مورد ابتلا به COVID-19 در ایالت جنوبی کرالا در هند ، تیمی از مقامات بهداشتی و مقامات مدیریت فاجعه ایالتی در زمینه جنگ کار کردند تا کل داده های نظارت بر افراد را تحت تأثیر نقشه های جغرافیایی زنده قرار داده و هر یک از مخاطبین اصلی و ثانویه را ردیابی کرده ، بر روی نقشه مشخص و مشخص می کنند. نقشه دیگر ، طبقه بندی مناطق پرخطر و کم خطر را با تمرکز بر شناسایی گسترش و احتمال وجود خوشه های زمینی از گستره احتمالی بیماری نشان می دهد.

تشخیص زودهنگام هنگامی که افراد در معرض بیماری های بالقوه کشنده قرار می گیرند بسیار مهم است و فناوری زمین مکانی ما را قادر می سازد تا به موقع بیماری ها را شناسایی و به آنها پاسخ دهیم. همانطور که استفان شواینفست ، مدیر بخش آمار ، سازمان ملل (UNSD / DESA) ، توضیح می دهد ، “بحران سلامت یک بحران انسانی است. نیاز فوری به ارائه خدمات در سطح محلی است. ما باید وسایل لازم را در اختیار داشته باشیم تا به هر فردی که آسیب دیده است کمک کنیم و این البته پیش فرض این است که ما می دانیم کجا هستند و چه سرویس هایی در این نزدیکی هستند تا پشتیبانی مورد نیاز را فراهم کنیم. “

داده های متنی و بینش های جغرافیایی تولید شده از نقشه های دیجیتال و فن آوری های مبتنی بر مکان مانند ژئوفنسینگ ، ردیاب GPS و حسگرها می توانند بینش های تاریخی و پیش بینی کننده ای راجع به رفتارهای بیمار همراه با چند دقیقه جزئیات در مورد مغایرت ها و ناکارآمدی های سیستم موجود ، در نتیجه ساده سازی برنامه ریزی و اجرا از منابع و برنامه های بهداشتی ، نیكیل كومار ، رئیس كشور – هند ، فن آوری های اینجا ، اشاره می كند. این می تواند به ارائه دهندگان خدمات بهداشتی ، پزشکان و سازمانهای دولتی کمک کند تا از قبل برای شیوع بیماری آماده شوند ، بنابراین در موارد اضطراری در هنگام شیوع حمایت می کند.

به طور طبیعی ، همه مقامات در این روزهای بحران به داده ها از طریق نقشه و تجسم های تعاملی نگاه می کنند ، زیرا “ما به طور ذاتی قدرت ادغام نقشه برداری داده ها را درک می کنیم. جایی که مردم تحت تأثیر قرار می گیرند ، حتی مناطق متمرکز و خوشه بندی “، شواینفست می افزاید. ترسیم نقشه می تواند ابعاد مختلف یک چالش را با هم جمع کند. برخی از آنها س demالات جمعیت شناختی هستند – مشخصات سنی چیست ، آیا در اجتماعات با افراد مسن وجود دارد و آیا خدمات بهداشتی لازم را در نزدیکی آنها دارند برخی ممکن است بر فعالیت اقتصادی ، الگوهای حمل و نقل ، عوامل محیطی و رفتار اجتماعی متمرکز باشند. دیگران ممکن است بتوانند منابع یا “نقاط داغ” عفونت را برای جلوگیری از آنها ، دقیقاً در شهرهای خاص ، حومه و محله ها تعریف و شناسایی کنند. همه این عناصر برای درک شیوع یک اپیدمی ، پیش بینی آن حیاتی هستند ،مداخله ، مدیریت و جلوگیری از آن در آینده.باربارا رایان ، مدیر سابق ، گروه در مورد رصد زمین فرصتهای استفاده از اطلاعات مکانی برای مبارزه با COVID-19

نقشه را گسترش دهید

نقشه های دارای زمان فعال می توانند نحوه گسترش عفونت ها در طول زمان و مکانهایی را که می خواهید مداخلات را هدف قرار دهید ، نشان دهند. انستیتوی زیست پیچیدگی دانشگاه ویرجینیا یک نوار لغزنده زمانی را در داشبورد خود قرار داده است تا اطلاعاتی در مورد انتشار روزانه ویروس ارائه دهد.

جمعیتهای آسیب پذیر

COVID-19 را به طور نامتناسبی بر برخی از مشخصات جمعیتی مانند افراد مسن و افرادی که دارای شرایط بهداشتی اساسی هستند ، تحت تأثیر قرار دهد. نقشه برداری از آسیب پذیری اجتماعی ، سن و سایر عوامل به شما کمک می کند تا گروه ها و مناطقی که در معرض خطر هستید را رصد کنید. به عنوان مثال StoryMap های Esri دستورالعمل هایی را در مورد چگونگی انجام این کار برای هر جامعه ارائه می دهد.

توانایی خود را برای پاسخگویی

نقشه برداری از امکانات ، کارمندان یا شهروندان ، منابع پزشکی ، تجهیزات ، کالاها و خدمات برای درک و پاسخ به تأثیرات فعلی و احتمالی COVID-19 کنید. در ایالات متحده ، داده های سطح زیرساخت Homeland Infrastructure (HIFLD) در یک محیط داده باز ArcGIS ارائه می شود ، و این منبع را ، در میان سایر موارد ، در دسترس کسانی قرار می دهد که به چنین اطلاعاتی نیاز دارند.

ارتباط با نقشه ها نقشه های

وب تعاملی ، برنامه های داشبورد و StoryMap می توانند به سرعت در برقراری ارتباط وضعیت زمین کمک کنند. چندین حوزه قضایی با ArcGIS Hub داستان های COVID-19 خود را زنده می کنند.

به ویژه در صورت شیوع همه گیر ، استفاده از فناوری های اطلاعات مکانی می تواند ردیابی پرسنل ، توزیع مورد تایید شده ، مدیریت شبکه و تجزیه و تحلیل فضایی داده های بزرگ را برای کمک به مقامات در تصمیم گیری هوشمندانه در زمینه پیشگیری و کنترل اپیدمی تحقق بخشد. هنگامی که با داده های بزرگ ترکیب شود ، فناوری های اطلاعات مکانی می توانند نقش مثبتی در تجسم سریع ، انتشار اطلاعات اپیدمی ، ردیابی فضایی منبع ویروس ، پیش بینی گسترش منطقه ای ، تقسیم خطر مناطق ، شناسایی اولویت های پیشگیری و کنترل ، کنترل منابع ، ژانگ یاقینگ ، مدیر فنی ، مرکز پلت فرم ، SuperMap ، که شرکتش در عملیات نبرد COVID-19 در چین نقش داشته است ، توضیح می دهد که راهنمایی عاطفی اجتماعی و از بین بردن وحشت است.
“از طریق تجسم داده ها ، روند بیماری ، درمان پزشکی و سایر شرایط مرتبط بر روی نقشه مشاهده شد. نمایش نقشه های لایه ای ، مدیریت منطقه ای و سلسله مراتبی را برای کمک به مدیریت بلوک های کوچک به جامعه امکان پذیر می کند. “لی یونشیا ، مدیر حساب ، مرکز پلت فرم ، SuperMap ، اضافه می کند. بنابراین ، یک سیستم مدیریت و کنترل چند سطح برای کنترل شبکه ای ، کنترل فرعی منطقه ای و کنترل مشترک جامعه برای بهبود قابلیت اجرا و قابلیت اطمینان سیاست ها و اقدامات شکل گرفت.

پیش بینی بهتر از پیشگیری است

همانطور که با بیماری همه گیر COVID-19 و حتی قبل از آن با SARS و MERS مشاهده کردیم ، بیماریهای عفونی که قبلا در مناطق دورافتاده محدود می شدند ، اکنون توانایی گسترش دامنه جغرافیایی ، پرش گونه ها ، مقاومت در برابر عوامل ضد میکروبی و ویروس شدن دارند. و مکرر رایان خاطرنشان می کند: ترکیبی از داده های مکانی در سیستم های مشاهده زمین و نظارت بر بهداشت عمومی می تواند برای بهبود تصمیم گیری بهداشت عمومی ، تجزیه و تحلیل مربوط به سیاست و کنترل بیماری استفاده شود.

به عنوان مثال ، WHO ، با مشارکت بنیاد بیل و ملیندا گیتس ، برنامه ای گسترده برای ریشه کن كردن فلج اطفال در سطح جهان اجرا كرد كه در آن از فن آوری منابع عمومی و GIS برای پیش بینی ، پیشگیری و كنترل شیوع آن استفاده گسترده ای كردند.

“مدل سازی پیش بینی شده می تواند با پیش بینی های 30 ، 60 و 90 روزه ، مناطقی را به ما بگوید که بیشترین نیاز یا خطر را داشته باشید. این می تواند به ما کمک کند تا در این مکان ها از قبل منابع را بسیج کنیم تا بتوانیم سریعتر عمل کنیم. ” مدل سازی و تجزیه و تحلیل داده ها می تواند این انتخاب ها را بهتر از رویدادهای گذشته به تنهایی اطلاع دهد.

از نظر بهداشتی ، این مهم است – زمان بندی بهتر می تواند هزاران نفر را نجات دهد. کلیفتون پیشنهاد می کند که بهداشت عمومی نیز باید مانند حوادث طبیعی رویکرد مشابهی را دنبال کند. برای جلوگیری از بلایای طبیعی ، ابتدا مناطقی که بیشتر در معرض خطر موارد اضطراری هستند شناسایی شده و مراکز / آژانس ها برای پاسخگویی سریعتر ایجاد می شوند. در عرصه سلامت نیز می توان همین کار را انجام داد.

“آنچه که همه ما بلافاصله می بینیم تجسم شیوع ویروس موجود در مکان و در یک زمان خاص است – و توسط پروفایل های خاص. سن ، جنسیت و غیره. با این حال ، مدل های پیش بینی گسترش ، که جنبه های رفتاری را نیز به دست می آورند ، بسیار پیچیده تر هستند و می توانند عناصر مهم مکانی مانند تراکم جمعیت ، اطلاعات جمعیتی و مسیرهای حمل و نقل را در نظر بگیرند “، برجسته شوین فست است.
دکتر بلسوا اظهار داشت که داده های مکانی به طور فزاینده ای در مدل های پیچیده تری که برای اطلاع رسانی به سیستم های هشدار سریع ، مدل انتقال بیماری و ارزیابی تأثیرات مداخلات بهداشت عمومی مورد استفاده قرار می گیرند ، گنجانده شده است. بسیاری از روشهای اپیدمیولوژیک مدرن مبتنی بر تجزیه و تحلیل مکانی و زمانی ، مکانی و زمانی شامل استفاده از داده های مکانی و مکانی است.

به عنوان مثال ، مرکز تغییرات آب و هوایی و بهداشت سیاره ای دانشکده بهداشت و پزشکی گرمسیری لندن با استفاده از تکنیک های پیشرفته مدل سازی داده های مربوط به بیماری های عفونی را با آب و هوا و سایر تغییرات محیطی پیوند می دهد و سیستم های هشدار اولیه را که توسط داده های مشاهده زمین هدایت می شوند ، ایجاد می کند. مثالهای دیگر شامل شناسایی عوامل خطر فضایی و محیطی برای بیماریهای عفونی با استفاده از رویکردهای آماری جغرافیایی و یادگیری ماشین با استفاده از داده های سنجش از دور هوایی (هواپیمای بدون سرنشین) و ماهواره ای برای ارزیابی چگونگی تأثیر تغییرات محیطی و زیست محیطی بر انتقال بیماری عفونی است.

این دانشکده همچنین در حال همکاری با موسسه منابع جهانی برای ایجاد یک دیده بان سلامت سیاره ای است – سیستمی با هدف نظارت بر یکپارچه عوامل مرتبط با تأثیرات بهداشتی بر تغییرات محیطی جهانی ، محرک های این تغییرات و پاسخ های سیاست برای محافظت از سلامتی.

دکتر بلسووا هشدار می دهد که هنگام گزارش دادن و تجسم داده ها در مورد COVID-19 ، باید مراقب بود. “این مواردی است که آزمایش نشده یا حتی قابل مشاهده نیست. در حال حاضر کشورها ظرفیت متفاوتی برای آزمایش این بیماری دارند ، که این نسبت مواردی را که در اطلاعات موارد تایید شده ثبت می شود ، تحت تأثیر قرار می دهد. “

با دکتر گراگتی موافق است. “در حالی که نقشه کشی موارد یک گام اساسی برای درک اطلاعات است ، موارد اضطراری مانند بیماری همه گیر COVID-19 نیاز به اقدامات آگاهانه دارند. ما به سیستم عامل و ابزاری نیاز داریم که بتواند از جمله جمع آوری و ذخیره سازی داده های بنیادی و داده های تازه جمع آوری شده ، تجزیه و تحلیل ورودی ها ، ارائه پشتیبانی تصمیم ، اولویت بندی تخصیص منابع ، انجام کارهای میدانی و ارزیابی نتایج پشتیبانی کند. “

 GeoAI برای نجات

GeoAI یا Geospatial Artificial Intelligence یک رشته علمی نوظهور است که ترکیبی از نوآوری ها در علوم فضایی ، روش های هوش مصنوعی در یادگیری ماشین ، استخراج داده های بزرگ و محاسبات با کارایی بالا برای استخراج دانش از داده های بزرگ فضایی است.

از GeoAI به طور فزاینده ای برای مدل سازی و به دست آوردن محیط پیرامون ما استفاده می شود ، مکانی را که ما در آن زندگی می کنیم و کار می کنیم ، یا افراد / عناصری که با آنها ارتباط برقرار می کنیم را پیوند می دهد تا نقش بالقوه آنها را در تأثیرگذاری بر سلامت بررسی کند. همچنین تحقیقات گسترده ای در زمینه استفاده از GeoAI برای ایجاد فرضیه ، انجام پیوندهای داده ای جدید و پیش بینی وقوع بیماری وجود دارد.

با توسعه فناوری موبایل ، مکان های کاربران می توانند توسط تلفن همراه شناسایی شوند ، این بدان معناست که داده های سیگنالینگ می توانند اطلاعات مکان پرسنل را برای ردیابی مسیرهای پرسنل بدست آورند. سازمان های پیشگیری و کنترل بیماری می توانند گروه های تماس نزدیک را بر اساس اطلاعات سفر تشخیص ها تجزیه و تحلیل کنند. ژانگ توضیح می دهد ، بنابراین آنها می توانند از طریق تجزیه و تحلیل گذشته نگر داده ها ، بیماران مشکوک و تماس نزدیک را پیدا کنند ، که اصطلاحاً “ردیابی تماس” است و به قرنطینه و قطع به موقع منبع عفونت کمک می کند.

تجزیه و تحلیل مکان ابزارهای مفیدی را برای مدل سازی رفتارها و اطلاع رسانی اقدامات فراهم می کند. از نقشه هایی که مشخصات ژنتیکی ویروس را از مکانی به مکان دیگر گسترش می دهد تا تکنیک های هوش مصنوعی که اطلاعات داده های انسانی را درک می کنند ، می توانیم درک خود را از انتقال ویروس افزایش دهیم ، بررسی کنیم که آیا توصیه های بهداشت عمومی رعایت می شود و آیا ممنوعیت سفر را پیش بینی می کنیم؟ دکتر گراگتی می افزاید ، و اقدامات دیگر باعث شیوع بیماری می شود.

نمونه هایی وجود دارد که از GeoAI در مدل سازی بیماری های عفونی یا پیش بینی وقوع بیماری و برای نظارت بر بیماری استفاده شده است. به عنوان مثال ، شبکه های عصبی مکرر یادگیری عمیق برای پیش بینی زمان واقعی آنفلوانزا در مقیاس فضایی منطقه ای و شهری در ایالات متحده با استفاده از داده های بزرگ مکانی در روند آنفلوآنزای Google و داده های آب و هوایی (مانند بارش ، دما ، قرار گرفتن در معرض آفتاب) از مناطق ملی اقلیم استفاده شد مرکز داده. توییت های دارای برچسب جغرافیایی در برابر مجموعه داده های بیماری شبه آنفلوانزا CDC (ILI) مورد تجزیه و تحلیل قرار گرفتند تا با استفاده از یک شبکه عصبی مصنوعی (ANN) بهینه سازی شده توسط الگوریتم درخت مصنوعی ، ILI منطقه ای در زمان واقعی در ایالات متحده پیش بینی شود.

چین قبلاً با استفاده از داده های آب و هوا ، موارد هفتگی تب دنگی و پرس و جوهای تحقیقاتی در موتور جستجوی اینترنتی اینترنت چینی بایدو ، از یادگیری ماشین برای پیش بینی دقیق شیوع دنگ در سال 2014 استفاده کرده است.

پیشرفت های موجود در هوش مصنوعی همچنین در سال های اخیر با توجه به داده های رسانه های اجتماعی علاقه مندی به نظارت سندرم در زمان واقعی افزایش یافته است. الگوریتم های یادگیری عمیق را می توان در داده های توییتر برای شناسایی شیوع بیماری و سپس ایجاد و نمایش اطلاعات در مورد این شیوع ، از جمله مقالات خبری مرتبط ، برای ایجاد آگاهی از موقعیت اعمال کرد. در ایالات متحده ، این توانایی تشخیص علائم بیماری شبه آنفولانزا را نشان داده است ، که سپس از گزارش های هفتگی CDC Morbidity and Mortality (MMWR) تأیید شد. تحقیقات بیشتری در زمینه بهبود این سیستم نظارتی برای افزودن اطلاعات خاص بیماری (به عنوان مثال ، روش انتقال) برای افزایش دقت پیش بینی بیماری وجود دارد.

وقتی یک اپیدمی بزرگ رخ می دهد ، تأثیر وحشت در عملکرد اجتماعی ممکن است از خود بیماری ویروسی فراتر رود. برای این منظور ، لازم است با تجزیه و تحلیل داده های گسترده رسانه های اجتماعی ، گسترش فضایی احساسات اجتماعی ردیابی و ارزیابی شود. به عنوان مثال ، همانطور که لی از SuperMap می گوید ، هنگام مواجهه با یک بیماری همه گیر ، رفتار عمومی ممکن است غیر منطقی ، بسیار عفونی و سازگار باشد. لازم است یک پایگاه دانش از احساسات مربوط به اپیدمی ایجاد شود و تحولات پویای افکار عمومی در جنبه های زمانی ، مکانی و معنایی را از رسانه های اجتماعی کشف کنید.

با استفاده از داده های اجتماعی اینترنتی به عنوان منبع داده ، می توان گروه های موضوعی عمومی را از داده های اجتماعی مربوط به همه گیری براساس ساخت موضوع استخراج و طبقه بندی احساسات بر اساس مدل های موضوعی و روش های یادگیری ماشین به دست آورد. بر اساس شبکه های پیچیده ، می توان شبکه تغییر موضوعی عمومی را ایجاد کرد. همچنین ، با استفاده از مدل شبکه می توان تغییرات پویای عمومی در احساسات موضعی را مشخص کرد. ژانگ اضافه می کند ، این نتایج به آشکار کردن ویژگی های توزیع زمانی ، مکانی و معنایی و الگوهای تکامل نظرات موضوعات عمومی تحت COVID-19 کمک می کند.

از 31 مارس 2020 ، ایالات متحده با پشت سر گذاشتن چین و ایتالیا ، بیشترین تعداد ویروس کرونا را داشته است

به گفته لوئیس سانز ، مدیر عامل شرکت CARTO ، از روش های آماری ابتکاری و ابزارهای محاسباتی می توان برای نظارت بر بهداشت عمومی از جمله مدل های مکانی – زمانی برای پیش بینی خطر بیماری ، تشخیص خوشه و گسترش بیماری مربوط به سفر استفاده کرد ، که می تواند سیاست استراتژیک را در این زمینه بیشتر آگاه کند. کاهش بار بیماری ها

“ما شاهد روند رو به افزایش استفاده از ابزارهای مکانی برای پیشگیری و مهار هستیم. مثالی از استفاده از geospatial برای تجزیه و تحلیل و نه فقط تجسم ، این تجزیه و تحلیل ریسک است که توسط محققانی در اسپانیا ، برزیل و ایالات متحده انجام شده است. “

نقشه خطر انتشار COVID-19 در این سه کشور با مدل سازی گسترش اپیدمی که با درنظر گرفتن الگوهای تحرک مکرر (رفت و آمد) در بین شهرداری ها ، نتایج خطر اپیدمی برآورد شده را تا سطح شهرداری نشان می دهد. اتفاقاً ، به دلیل در دسترس نبودن اطلاعات تحرک واقعی پس از اعلام وضعیت هشدار در کشور ، بروزرسانی خطر نقشه برای اسپانیا به طور موقت متوقف شده است.

برنامه AsistenciaCovid19 مثال جالبی است. در حالی که هدف اصلی و اولیه برنامه کاهش فشار بر سیستم های اضطراری و ردیابی وضعیت علائم در هنگام مراقبت از افراد در خانه است ، اما همچنین روشی را برای درک همه گیری از منظر زمانی و مکانی ارائه می دهد. از آنجا که یک عنصر مکان برای داده های جمع آوری شده وجود دارد ، مقامات محلی می توانند عفونت ها را بر روی یک نقشه تعاملی تجسم کرده و تجزیه و تحلیل مکانی را برای تعیین مناطق پر خطر انجام دهند. دولت ها می توانند ببینند که چگونه علائم با گذشت زمان و با توجه به مکان تغییر می کنند و به آنها امکان می دهد در نقاط خاص خاص سریعتر عمل کنند.

کومار به ظهور دستگاه های پوشیدنی و متصل در چند سال گذشته اشاره دارد که قادر به جمع آوری معقول اطلاعات بهداشتی فردی مانند الگوهای ضربان قلب ، الگوی خواب و غیره هستند. روندهای بلند مدت جغرافیایی سلامت برخی از افراد جمعیتی یا افرادی که در مناطق خاصی زندگی می کنند را کشف کنید ، بنابراین زمینه های جدید تحقیقات مراقبت های بهداشتی را باز می کنید و دیدگاه هایی را که قبلاً امکان پذیر نبود فراهم می کنید. “

فراتر از تجسم

در حال حاضر ، به نظر می رسد از ابزارهای فضایی اولیه به صورت عمده برای تجسم داده ها استفاده می شود. در حالی که ابتکارات پراکنده ای در مدل سازی فضایی اطلاعات مراقبت های بهداشتی عمومی برای پیش بینی و پیشگیری از بیماری وجود داشته است ، آنچه می خواهد ادغام پیچیده ای از تجزیه و تحلیل مکانی و GIS است.

حتی در مواردی که از آن برای مدل سازی پیش بینی استفاده می شود ، تلاش ها به صورت محلی یا بسیار کوچک انجام می شود تا در مقیاس جهانی اجرا شود. بزرگترین نمونه این امر در حالی است که سازمان بهداشت جهانی (WHO) یک گالری نقشه را در رصدخانه بهداشت جهانی خود نگهداری می کند ، اما هیچ داده مکانی منحصر به فردی در مورد بهداشت در محیط های بحرانی میزبانی نمی کند. با روشن شدن عفونت شیوع COVID-19 ، برخی تلاش ها صورت گرفته است ، اما بیشتر آن واکنشی است و فعال نیست.

جالب توجه است ، در یک بررسی داخلی از سازمان های توسعه توسط Geospatial Media ، مشخص شد که Health ، که شماره SDG شماره 3 است ، در مقایسه با حقوق زمین ، حفاظت از محیط زیست ، توسعه جامعه و واکنش اضطراری ، دارای یک اولویت نیست. (نمودار 1) حتی در غیر این صورت ، رشته هایی مانند برنامه ریزی شهری و زیرساخت ها ، کشاورزی ، منابع طبیعی و سایر موارد در استفاده از فناوری های فضایی از علوم بهداشت عمومی و بشردوستانه پیشی گرفته اند. این در زمینه های دارای اولویت برای مشاغل همانطور که در چشم انداز 2020 رهبران تجارت جهانی Geospatial نشان داده شده است ، یک نظرسنجی از بیش از 100 مدیر عامل و رهبران کسب و کار که در آن سلامتی در لیست ده بالا پیدا نکرده است (نمودار 2) ، منعکس می شود.

 

 

 

ن

نمودار 1: کدام مناطق پایداری را می بینید که حداکثر تأثیر را داشته باشد؟

نمودار 2: کدام بخشهای سنتی باعث رشد صنعت فضایی می شوند؟

 

سازمان های بهداشتی و پزشکان معمولاً به داده های عملیاتی زیادی دسترسی دارند که بیشتر قسمت کوچکی از بیمار و داستان درمان را روایت می کند. کومار می گوید ، همگرایی فناوری فضایی با داده های پزشکی از طریق نقشه برداری بصری و مدل های پیش بینی کننده می تواند منجر به تصمیمات درمانی آگاهانه و ایجاد مداخلات بهداشتی به موقع شود.

با این حال ، کلیفتون اشاره می کند که اغلب آنچه در فضای بهداشت اتفاق می افتد این است که دولت های ملی این اطلاعات را به مقامات بهداشت بین المللی ارائه می دهند و افراد کمی از این تلاش ها اطلاع دارند. “در بخش توسعه ما می توانیم از نقشه برداری جامعه برای برنامه ریزی نحوه واکنش جوامع به یک بحران بهداشتی بهتر استفاده کنیم. بهبود برنامه ریزی برای رویدادهایی از این دست برای اطمینان از وجود منابع برای کمک به آسیب پذیرترین افراد بسیار مهم است. ” کلیفتون موافقت می کند که اولویت بندی تلاش ها مسئله ای است زیرا به طور کلی ، بحران های حاد یا مداوم همیشه نسبت به بحران های بالقوه اولویت هستند.

آنچه بدتر می کند این است که شکاف دیجیتالی بزرگی از نظر استفاده از فناوری در اپیدمیولوژی در مناطق توسعه یافته و در حال توسعه جهان وجود دارد ، که به طور حتم تحقیقات اپیدمیولوژیک را در میان سایر فعالیت های علمی تحت تأثیر قرار می دهد. با گسترش دسترسی به فناوری ، باید اطمینان حاصل کنیم که این فناوری ها به گونه ای طراحی شده اند که متناسب با نیاز کاربران در کشورهای در حال توسعه باشد و آموزش های لازم برای کمک به بیشترین استفاده از آنها در دسترس باشد.

با این وجود ، علی رغم این شکاف ، فناوری های دیجیتال به طور گسترده ای در سطح جهان استفاده می شوند و فرصت های جدیدی را برای نظارت و کنترل بیماری ارائه می دهند. به عنوان مثال ، استفاده گسترده از تلفن های همراه برای درک نقش حرکت انسان در انتقال بیماری های عفونی در کنیا و بنگلادش و داده های مشاهده زمین بر اساس ماهواره به طور فزاینده ای برای نقشه برداری از توزیع جمعیت در معرض خطر و بار بیماری مورد بررسی قرار گرفته و بررسی شده است. عوامل خطر در سطح جهان. به طور فزاینده ای ، کشورها در حال استفاده از سیستم های الکترونیکی اطلاعات سلامت هستند (مانند DHIS2) که امکان جمع آوری داده های مرجع فضایی را فراهم می کند.

موافقت Schweinfest. “در یک لحظه بحران ، همه گیرها مرزهای سیاسی یا محدودیت های فیزیکی را نمی شناسند. گسترش جهانی از طریق گردشگری و سفرهای هوایی این امر را کاملاً روشن ساخته است. ما به فوریت بیشتری به همبستگی جهانی نیاز داریم: اشتراک اطلاعات ، به اشتراک گذاری دانش و به اشتراک گذاری فناوری به روشی یکنواخت ، یکپارچه و قابل همکاری ، روشی ساده و کاربردی برای تجسم داده ها از سطح جهانی به پایین به سطح محلی است – و قادر به اتصال است همه ما در یک نبرد مشترک هستیم. “

مسیر بهبودی

شیوع COVID-19 شاهد آن است که دولت های سراسر جهان به طور فزاینده ای از روش های مختلف نظارت برای ردیابی شهروندان برای مبارزه با شیوع بیماری همه گیر استفاده می کنند. گرچه بسیاری از موارد ضروری در این مقطع حیاتی است ، اما این امر نه تنها در زمینه حفظ حریم خصوصی داده ها بلکه در سیستم های مراقبت های بهداشتی ، حاکمیت ، اقتصاد و جامعه در آینده نیز شکل خواهد گرفت.

سازمان هایی مانند موسسه ملی بهداشت ایالات متحده (NIH) در حال حاضر بودجه بیشتری را در زمینه تصویربرداری از تلفن همراه ، سنجش فراگیر ، شبکه های اجتماعی و ردیابی مکان تأمین می کردند. انتظار می رود این امر در دنیای پس از COVID-19 افزایش یابد و منجر به مسائل مربوط به حریم خصوصی و محافظت از داده های فردی شود.

بعلاوه ، لازم است چارچوبهای اخلاقی مناسبی در رابطه با استفاده از هوش مصنوعی وجود داشته باشد. با فراگیرتر شدن روشهای هوش مصنوعی در تحقیقات مراقبت های بهداشتی ، نقش تخصص موضوعی برای جلوگیری از کشفیات اشتباه و درک صحیح روابط مدل سازی ضروری می شود.

با یک انفجار نمایی گوشی های هوشمند ، فناوری های نوظهور مانند هوش مصنوعی و پیش بینی 5G برای رشد فوق العاده در داده های مکان ، ایجاد یک جهان آگاه از زمین ، که در آن افراد می توانند یک متخصص را در مجاورت خود ردیابی کنند یا از طریق کومار فکر می کند که یک بیمارستان عظیم دولتی با استفاده از یک نقشه داخلی. متناوباً ، با استفاده از ردیاب های موقعیت مکانی در زمان واقعی ، یک پرستار می تواند حرکت بیمار را از اتاق انتظار به بخشهای مختلف در یک محوطه دانشگاه بزرگ بیمارستان کنترل کند. به همین ترتیب ، یک مدیر می تواند در زمان واقعی تصمیم گیری در مورد کارمندان و منابع را انجام دهد ، بنابراین سیستم های مراقبت کارآمد را اجرا می کند و زندگی را نجات می دهد. علاوه بر این ، از داده های مکان می توان برای ساده سازی خدمات بستری و پاسخ دهنده نیز استفاده کرد.

وی اضافه می کند: “این ممکن است اکنون همه چیز زیاد به نظر نرسد ، اما در شرایط اضطراری ، فناوری زمین مکانی به خوبی می تواند باعث ایجاد تغییر در نظارت بر جمعیت آسیب پذیر از طریق حصارکشی زمینی و هواپیماهای بدون سرنشین شود که داروها را به مناطق دور دست می رسانند.”
کلیففتون می گوید ، در مورد ایجاد یک سیستم پاسخ جهانی ، اکنون که آگاهی جهانی از بیماری های همه گیر وجود دارد ، خرید جامعه و بسیج منابع برای انجام نقشه برداری و برنامه ریزی جامعه در آسیب پذیرترین مناطق آسان تر خواهد بود.

همانطور که دکتر گراگتی خلاصه می کند: “همانطور که همکاران آمادگی من می گویند ، هنگامی که ما فراتر از COVID-19 برویم و به” آسمان آبی “برویم ، امیدوارم که سازمان های بهداشتی هر درسی را که از این تجربه آموخته اند بررسی کنند و سیستم های جامع مکانی که تلاش بعدی برای پاسخگویی بیشتر را بهبود می بخشد. “