تصور کنید در میانه یک اپیدمی مرگبار، تفاوت بین مرگ و زندگی یک بیمار به سرعت انتقال یک یادداشت از دفترچه بهداشت به نقشه منابع وزارتخانه بستگی داشته باشد. در جمهوری دموکراتیک کنگو (DRC)، گزارش‌هایی که پیش‌تر تدوینشان یک روز کامل زمان می‌برد، اکنون در کمتر از یک ساعت آماده می‌شوند. این تحول در خط مقدم مبارزه با ویروس ابولا (سویه Bundibugyo یا BDBV) رخ داده است؛ جایی که شرکت آنتروپیک (Anthropic) مدل‌های کلود (Claude) را برای بهینه‌سازی خطوط لوله داده‌های حیاتی مستقر کرده است.
از ماه مه، کارکنان بهداشت در کنگو با سویه‌ای نادر از ابولا دست‌وپنجه نرم می‌کنند که در میان نزدیک به ۸۰۰۰ مورد تأییدشده، نرخ مرگ‌ومیر آن تقریباً ۵۰٪ است. در چنین بحران‌هایی، سرعت انتقال داده‌ها — از دفترچه یادداشت یک بهور تا نقشه منابع وزارت بهداشت — اغلب تعیین می‌کند که آیا بیمار زنده می‌ماند یا خیر. سیستم فعلی بر زنجیره پراکنده‌ای از پیام‌های واتس‌اپ و اسلایدهای پاورپوینت متکی است که گلوگاه خطرناکی در زمان واکنش ایجاد می‌کرد.
زنجیره داده‌ها در جمهوری دموکراتیک کنگو
در میدان عملیات، کارکنان بهداشت جامعه (relais communautaires) با در زدن در خانه‌ها، مشاوره می‌دهند، بهبودی‌ها و مرگ‌ها را ردیابی می‌کنند و موارد مشکوک را به مراکز درمانی ارجاع می‌دهند. دفترچه‌های یادداشت آن‌ها اغلب اولین و کامل‌ترین سوابق از این موضوع هستند که یک فرد آلوده با چه کسانی تماس داشته و به کجاها رفته است.
در حال حاضر، مراکز بهداشتی این اطلاعات مربوط به موارد ابتلا را از طریق واتس‌اپ به مناطق ارسال می‌کنند و نمونه‌های بیولوژیکی را برای توالی‌یابی به آزمایشگاه‌های محلی می‌فرستند. سپس هر منطقه، این داده‌ها را در قالب اسلایدهای پاورپوینت برای مرکز هماهنگی شیوع ارسال می‌کند. در وزارت بهداشت استانی، کارکنان تا دیروقت بیدار می‌مانند تا این اسلایدها را در یک گزارش وضعیت منتشر شده یا «سیت‌رپ» (Sitrep) تجمیع کنند.
برای شکستن این گلوگاه، ائتلافی متشکل از ائتلاف نوآوری‌های آمادگی در برابر اپیدمی (CEPI)، دفتر منطقه‌ای سازمان بهداشت جهانی در آفریقا (WHO AFRO) و مؤسسه ملی تحقیقات بیوپزشکی (INRB) مدل کلود را در جریان کاری عملیاتی خود ادغام کردند. این هوش مصنوعی برای تحلیل داده‌های میدانی، پایش سیستماتیک شواهد پژوهشی و قدرت بخشیدن به یک میزکار علمی به کار گرفته شده است.
شتاب‌بخشی به فرآیند «سیت‌رپ»
تندای موزای (Tendai Muza) که در بخش سیستم‌های داده و تحلیل‌های WHO AFRO فعالیت می‌کند، به همراه همکارانش تامایی ملاندا (Tamayi Mlanda) و جیانی-فراری دونکور موزای (Gianni-Ferrari Donkor Muza)، یک مهارت خاص در کلود توسعه دادند تا ایجاد گزارش‌های وضعیت را خودکار کند. سازوکار این سیستم به شرح زیر است:
- کلود اعداد مربوط به موارد ابتلا و آزمایشگاه را مستقیماً از فایل‌های پاورپوینت هر منطقه استخراج می‌کند.
- این ارقام را با گزارش روز قبل مقایسه می‌کند تا روندها (Trends) را شناسایی کند.
- هوش مصنوعی ناهنجاری‌ها را علامت‌گذاری کرده و برای تغییرات داده‌ها توضیح ارائه می‌دهد.
- در نهایت، این یافته‌ها را در یک خلاصه نهایی برای تصمیم‌گیران ترکیب و سنتز می‌کند.
مدل‌سازی پیشرفته بیماری و ردیابی واکسن
فراتر از گزارش‌دهی، تیم WHO AFRO که دفتر مرکزی آن در داکار، سنگال قرار دارد، از کلود برای مدل‌سازی پیچیده بیماری‌ها استفاده می‌کند. تیم واکنش با حدود صد رویداد بهداشت عمومی در سال سروکار دارد. پل اوما (Paul Ouma) اشاره کرد که پیش از این، محدودیت‌های زمانی تیم را به اجرای تنها یک مدل محدود می‌کرد؛ اما اکنون آن‌ها چندین مدل را به‌طور هم‌زمان اجرا می‌کنند تا پیش‌بینی کنند مراکز درمانی جدید در کجا ساخته شوند.
در جبهه واکسن، CEPI از کلود برای مدیریت توسعه کاندیداهای واکسن برای سویه BDBV استفاده می‌کند. در حالی که یک واکسن تأیید شده برای سویه زاییر به نام Ervebo وجود دارد، در حال حاضر هیچ واکسن تأیید شده‌ای برای BDBV وجود ندارد. هنگامی که BDBV ظهور کرد، CEPI از پیشنهادهایی برای پیشبرد علم واکسن دعوت کرد.
پولینا برانجل (Polina Brangel)، مدیر نوآوری داده‌های تحقیق و توسعه در CEPI، توضیح داد که اگرچه متخصصان انسانی همچنان قضاوت‌های نهایی علمی را درباره اینکه کدام گروه‌های نمونه‌های سرولوژیک برای بررسی واکنش متقاطع احتمالی Ervebo در برابر BDBV تحلیل شوند، انجام می‌دهند، اما کلود داده‌های پیچیده و چندعاملی را سازماندهی می‌کند. این امر به پژوهشگران اجازه می‌دهد تا طیف وسیعی از پیشنهادها را مقایسه کرده و در بازه زمانی بسیار کوتاه‌تری به نتیجه برسند. همچنین CEPI یک داشبورد مبتنی بر کلود ساخت تا اقدامات خاص و کارهای مورد نیاز تیم‌ها برای پیشبرد توسعه واکسن را ردیابی کند.
شکستن گلوگاه بیوانفورماتیک
در آزمایشگاه‌های INRB، تأخیر اصلی در تأیید موارد مربوط به بیوانفورماتیک است؛ یعنی تحلیل کامپیوتری داده‌های ژنتیکی. خواندن ژنوم ویروس فاش می‌کند که کدام موارد به هم مرتبط هستند، آیا ویروس از طریق زنجیره‌های شناسایی‌نشده در حال گسترش است و آیا به گونه‌ای تغییر می‌کند که بتواند واکسن‌ها یا درمان‌ها را بی‌اثر کند.
آزمایشگاه INRB اساساً تمام ژنوم‌های BDBV توالی‌یابی شده از موارد DRC در شیوع فعلی را تولید کرده است. به‌طور سنتی، کنار هم قرار دادن ژنوم کامل یک ویروس از میلیون‌ها قطعه کوتاه تولید شده توسط ماشین‌های توالی‌یابی، نیازمند تایپ دستورات تخصصی در ترمینال یک برنامه‌نویس بود.
کلود ساینس (Claude Science)، یک میزکار AI برای دانشمندان، اکنون به پژوهشگران اجازه می‌دهد تا با استفاده از پرامپت‌های به زبان ساده، ژنوم‌ها را مونتاژ کرده و درختان خانوادگی ویروس را بسازند. این قابلیت به INRB کمک می‌کند تا:
- عفونت‌های جدید را با سرعت بیشتری ردیابی کند.
- سویه‌های جدید ویروس را شناسایی نماید.
- مقیاس کلی شیوع را تخمین بزند.
گسترش به سایر عوامل بیماری‌زا
سازمان بهداشت جهانی آفریقا در حال گسترش این ابزارها برای تهدیدات دیگر است. برای یک شیوع از بیماری چیکونگونیا (chikungunya) — بیماری ناتوان‌کننده‌ای که توسط پشه منتقل می‌شود — تیم از کلود برای پاک‌سازی و اعتبارسنجی «لیست‌های خطی» (Line lists) استفاده می‌کند که یک شیوع را بر اساس شخص، مکان و زمان توصیف می‌کنند. این کاری است که بدون هوش مصنوعی به طور قابل توجهی بیشتر زمان می‌برد.
هدف بلندمدت، استفاده از AI برای پیوند دادن پایگاه‌های داده تاریخی بیماری‌هاست. در گذشته، انجام این کار در حین یک بحران بیش از حد زمان‌بر بود، اما انجام آن تضمین می‌کند که تصمیمات در شیوع بعدی بتواند از داده‌های شیوع‌های قبلی بهره ببرد.
این استقرار، نشان‌دهنده تغییری از AI به عنوان یک چت‌بات به AI به عنوان یک ابزار علمی تخصصی است. با حذف کارهای دستیِ ورود داده و بیوانفورماتیک پایه، سیستم به متخصصان اجازه می‌دهد تا بر استراتژی‌های سطح بالا و مراقبت‌های بالینی تمرکز کنند.
برای کارکنان بهداشت در DRC، تأثیر این فناوری با ساعت‌های ذخیره شده اندازه‌گیری می‌شود. همان‌طور که دکتر ژان-ژاک مویمبه (Jean-Jacques Muyembe) — از کشف‌کنندگان ویروس ابولا در سال ۱۹۷۶، مدیر کل INRB و مشاور ویژه مرکز کنترل و پیشگیری از بیماری‌های آفریقا (Africa CDC) — اشاره کرد: «من ۵۰ سال با این ویروس جنگیده‌ام. ابزارها کاملاً تغییر کرده‌اند، اما قانون ثابت است: شما ابولا را با دانستن اینکه امروز کجاست می‌زنید، نه اینکه هفته پیش کجا بود.»
در حالی که پاسخ به ابولای Bundibugyo هنوز راه زیادی در پیش دارد، نشانه‌های امیدوارکننده‌ای از کند شدن شیوع در منطقه Ituri وجود دارد. این تیم‌های واکنش به جهان کمک می‌کنند تا بیاموزند استقرار مسئولانه و کاربردی AI در موقعیت‌های واقعی بهداشت عمومی، جایی که زمان حیاتی است، چگونه باید باشد.
گفتگو