Prevedere una pandemia

Prevedere l’arrivo di una pandemia non è un compito facile, ma in un mondo interconnesso dove nuova informazione viene costantemente pubblicata online e sui social network e dove chiunque è a distanza di una mail, è in effetti possibile avere dei segnali di avvertimento quando qualcosa di negativo sta per accadere.

Un esempio è HealthMap, un sistema automatizzato creato presso il Boston Children’s Hospital. Il sistema analizza notizie online e report dai social di tutto il mondo, incluse risorse in lingua cinese come WeChat e Weibo, accumulando dati fino ad avere sufficiente evidenza empirica per mandare un allarme. HealthMap è stata la prima organizzazione al di fuori della Cina a rilasciare un allarme pubblico, la sera del 30 Dicembre, su un caso di polmonite di origine non identificata nella città cinese di Wuhan.

In quelle stesse ore, anche ProMED era in procinto di pubblicare il proprio report su questo caso. ProMED (Program for Monitoring Emerging Diseases, ovvero Programma per monitorare malattie emergenti) fa parte della Società Internazionale delle malattie infettive (ISID). ProMED gestisce un team globale multidisciplinare di più di 50 esperti da 34 nazioni, impegnati a preservare la salute del pianeta. Le informazioni in questo caso non sono automaticamente prese da internet, ma sono raccolte da remoto da esperti che successivamente le inviano a moderatori ed editori. Il 30 Dicembre il team di ProMED stava investigando alcune informazioni ricevute dai loro contatti in Cina, invitandoli ad indagare su una serie di “casi di polmonite di origine ignota” a Wuhan.

HealthMap e ProMed sono due dei maggiori sistemi di allarme preventivo per il rilevamento di focolai infettivi e collaborano con agenzie globali come la World Health Organization (OMS), dando un vantaggio agli esperti quando ostacoli burocratici e differenze linguistiche rallentano il processo. Alcuni sistemi, come ProMED, fanno affidamento solo sulle competenze umane. Altri sono parzialmente o completamente automatizzati come HealthMap. Nel prevedere le pandemie, una combinazione dei due approcci sembra essere una buona soluzione.

Un computer è in grado di processare enormi quantità di informazione, ma non tutto può essere fatto tramite Web Scraping (procedura di raccolta dati automatica dai siti internet) e applicando algoritmi di analisi di linguaggio e machine learning ai dati collezionati. Questo perché, in generale, gli algoritmi sono efficaci solo quanto i dati raccolti, che talvolta possono essere ambigui o incoerenti. In molti casi la soluzione migliore richiede un “human in the middle,” un esperto che può analizzare l’output del programma di IA e non solo leggere il segnale, ma anche notare anomalie ed incongruenze. Se necessario, l’analista può scendere nel dettaglio ed esaminare i dati grezzi per capire come il sistema sia arrivato alle sue conclusioni.

Gestire la diffusione

In una pandemia, essere capaci di prevedere il movimento e la presenza di persone infette permette ai decision-makers di fare considerazioni informate e prendere provvedimenti in anticipo. Un intervento tempestivo è una delle strategie più efficaci per il contenimento di malattie infettive. Immaginate di poter sapere chi è stato a contatto con un individuo infetto ed essere in grado di mettere in quarantena solo un certo gruppo di persone e non un’intera città, regione o nazione.

All’inizio di gennaio, un team del Toronto General Hospital ha analizzato i dati sui voli commerciali delle città più connesse con Wuhan all’infuori della Cina. I voli commerciali da Wuhan sono stati interrotti verso la fine di gennaio, ma si stima che, entro quella data, circa 5 milioni di persone abbiano preso un volo in partenza dalla città. La maggior parte dei voli da Wuhan sono stati verso la Thailandia, il Giappone e Hong Kong e queste sono state esattamente le zone dove si è notato subito il virus. (Tra l’altro un approccio simile fu utilizzato nel 2016 per prevedere la diffusione del virus Zika dal Brasile al sud della Florida.)

Quando viene rilevata una malattia contagiosa, gli ufficiali sanitari utilizzano il tracciamento dei contatti come prima difesa contro la diffusione. Questa tecnica viene utilizzata da decenni e tipicamente consiste nel far contattare le persone per telefono da operatori sanitari – un processo che può impiegare ore o addirittura giorni. Il tracciamento dei contatti è efficace perché interrompe la catena dei contagi: permette alle persone di isolarsi preventivamente per non diffondere il virus e di richiedere le cure prima dell’insorgenza dei sintomi.

La tecnologia può rendere questo processo molto più veloce ed efficiente. Il 10 aprile, Apple e Google hanno annunciato un’iniziativa congiunta e senza precedenti, per rilasciare un meccanismo di tracciamento dei contatti sui miliardi di devices iOS e Android in circolazione. Il sistema proposto potrebbe identificare tutti coloro che hanno avuto un recente contatto con una persona contagiata, per poi notificarli entro pochi minuti dalla conferma di positività.

Diversamente da un sistema simile adottato in Cina, il sistema di Google/Apple è basato su una tecnologia completamente anonima, a protezione della privacy dell’utente. I dispositivi identificativi sono disaccoppiati dall’identità del proprietario e non c’è bisogno di usare tecnologie GPS e geolocalizzazione: il Bluetooth ha una distanza di trasmissione simile a quella della prossimità fisica per la trasmissione via aria di agenti patogeni. Quindi può stabilire se qualcuno è stato nelle vicinanze di una persona infetta. Inoltre il Bluetooth è presente su qualsiasi smartphone commerciale e ha una buona efficienza energetica, ovvero non vi prosciugherà la batteria.

Scoprire farmaci e vaccini

L’Intelligenza Artificiale può essere utile anche nella scoperta di nuovi farmaci e vaccini, ad aiutare i ricercatori a navigare nell’oceano di informazioni attualmente disponibili sulle scienze della vita e a rendere tale conoscenza utilizzabile.

La conoscenza biomedica è cruciale nell’accelerare le scoperte e identificare ipotesi che possono portare a nuovi dispositivi diagnostici, terapie e vaccini. I ricercatori biomedici si ritrovano sovraccaricati di informazione quando provano a confrontarsi con la vastissima base di conoscenza biomedica in continua espansione, sotto forma di documenti (ad esempio papers, brevetti, sperimentazioni) e databases (come geni, proteine, pathways, farmaci, malattie, termini medici). Questa è una grande difficoltà per i ricercatori che, senza soluzioni alternative, sono obbligati a usare normali dispositivi di ricerca (PubMed e Google) e a cercare su databases aggiornati manualmente. Questi strumenti sono adatti per cercare documenti su singole parole chiave (ad esempio un particolare gene, o un paper specifico), ma non per acquisire informazioni comprensive su un argomento (come il Covid-19) o per interpretare i risultati di esperimenti biologici ad alto throughput come il sequenziamento dei geni, le espressioni delle proteine o lo screening di composti chimici. Acquisire questo genere di conoscenza è un processo farraginoso e che può richiedere fino a giorni o settimane di tempo.

Diverse società stanno lavorando a questo problema. Alcune usano l’IA come parte di soluzione proprietaria per arrivare alla scoperta di farmaci. Una compagnia britannica chiamata Benevolent AI ne è esempio. L’obiettivo è di usare l’IA per aiutare a formulare un’ipotesi sulla causa sottostante di una malattia e nel processo di sperimentazione e testing fino a quando l’ipotesi non viene verificata. Questo porta infine al design, sintesi e sviluppo di un nuovo composto per la malattia in questione.

Altre società stanno sviluppando piattaforme basate su IA per aiutare i ricercatori biomedici delle compagnie farmaceutiche, delle università e di altri centri di ricerca a meglio interpretare le informazioni disponibili. Un esempio di questo è Epistemic AI, società che offre ai ricercatori gli strumenti per assemblare, collegare ed esplorare i dati che possono essere rilevanti nella verifica di un’ipotesi. Questi strumenti ricevono in ingresso dati strutturati e non, da una moltitudine di fonti e databases, e usano algoritmi di elaborazioni del linguaggio naturale e di machine learning per fornire ai ricercatori dei risultati ben organizzati e facilmente utilizzabili. Inoltre, il ricercatore può interagire con il sistema (un altro esempio di tecnologia “human in the middle”) per selezionare cosa è importante e il sistema ridefinisce l’output di conseguenza. Il risultato finale è una Knowledge Map (mappa delle conoscenze) che può, per esempio, aiutare a trovare i collegamenti fra le proprietà genetiche e biologiche di una malattia o fra la composizione e i meccanismi di azione dei farmaci. Nel caso del Covid-19, i ricercatori possono usare i dati per rintracciare altri virus con elementi simili, studiare come funzionano e provare a capire quali farmaci possono essere usati per inibire il virus.

Questo tipo di piattaforme di sviluppo di conoscenze può aumentare l’efficienza del processo di ricerca ottimizzando l’organizzazione e integrando i dati rilevanti già disponibili e riducendo il tempo di apprendimento da settimane ad ore. Ciò rappresenta un ulteriore esempio di come l’IA può avere un impatto sulla corrente pandemia aiutandoci a trovare una cura più velocemente.