新型冠狀病毒肺炎疫情還在持續(xù)，世界衛(wèi)生組織（WHO）緊急委員會日內瓦時間1月30日召開會議，宣布中國新型冠狀病毒疫情構成國際關注的突發(fā)公共衛(wèi)生事件（PHEIC）。

世界衛(wèi)生組織總干事譚德塞（Dr Tedros Adhanom Ghebreyesus）在宣布這一決定的同時，對中國政府應對疫情的努力和及時反應表示贊賞。他說，中國采取了超常規(guī)的有力措施，中國在很多方面為應對疫情提供了借鑒。世界衛(wèi)生組織將和中國在一起，加強國際之間合作，聯(lián)合控制病毒。那么我們一直寄予厚望的AI技術在這種醫(yī)療衛(wèi)生事件上能夠幫上忙嗎？答案是肯定的。2020 年 2 月 1 日，百度方面表示，正在把 AI 技術投入到新型冠狀病毒疫情防控中；比如，在北京清河火車站落地應用了 AI 多人體溫快速檢測解決方案。百度的 AI 體溫檢測技術基于人臉關鍵點檢測及圖像紅外溫度點陣溫度分析算法，可以對一定面積內乘客的額頭溫度進行檢測，即便是佩戴帽子和口罩也能夠快速篩查。國外的藍點公司（BlueDot），該公司已經(jīng)建立了一個先進的AI平臺，可以處理數(shù)十億件數(shù)據(jù)，在新型冠狀病毒疫情上，藍點（BlueDot）于12月31日發(fā)出了第一個警報。 這要早于1月6日美國疾病控制與預防中心做出的預警。藍點的策劃者Kamran Khan是一名傳染病醫(yī)生，也是多倫多大學醫(yī)學與公共衛(wèi)生學教授，在SARS疫情爆發(fā)時期，是一名一線醫(yī)療人員，他表示：“我們目前正在使用自然語言處理（NLP）和機器學習（ML）處理大量非結構化文本數(shù)據(jù)，目前通過65種語言，每15分鐘一次，跟蹤超過100種不同疾病的爆發(fā)，如果我們人力完成這項工作，可能需要100多人才能做好。這些數(shù)據(jù)分析使衛(wèi)生專家能夠將時間和精力集中在如何應對傳染病風險上，而不是花費時間和精力收集和組織信息?！盋olleen Greene，DataRobot醫(yī)療保健部總經(jīng)理：指出，“人工智能可以按地區(qū)預測潛在的新增病例的數(shù)量，以及哪種類型的人面臨的風險最大。

? ? ? ? 這種技術可以用來警告旅行者，以便易感染人群在旅行時可以做出及時防范措施，例如戴好醫(yī)用口罩?！奔~黑文大學計算機科學助理教授Vahid Behzadan 強調“人工智能還可以幫助優(yōu)化防疫策略。 例如，Marzieh Soltanolkottabi博士的研究是關于使用機器學習來評估和優(yōu)化社區(qū)，城市和國家之間的社會隔離（隔離）策略，以控制流行病的傳播。 此外，Vahid Behzadan所屬的研究小組正在與Soltanolkottabi博士合作，開發(fā)利用AI的最新進展，尤其是強化學習技術來增強疫苗接種策略的方法?！盫incent Grasso博士是IPsoft醫(yī)療和生命科學全球實踐主管他表示：“例如，當疾病暴發(fā)時，必須從患者和其他相關人員那里獲得臨床相關信息，如發(fā)病前后的生理狀態(tài)、與接觸地點有關的信息和其他重要信息。將人類部署到這些情況是昂貴和困難的，特別是如果出現(xiàn)多起疫情或疫情發(fā)生在缺乏足夠資源的國家。

? ? ? ? ?客服機器人作為人類試圖獲取相關信息的擴展將是一個受歡迎的補充?？头C器人可以與患者采用問答的方式進行溝通，收集信息，問題大多是標準化的，還可以根據(jù)情況變化修改。除了這一“前端”好處外，從語音、文本、醫(yī)療設備、GPS和許多其他來源收集的數(shù)據(jù)作為數(shù)據(jù)點也是有益的，可以幫助我們學習更有效地應對未來的疫情?！盨AS全球政府實踐主管、美國國土安全部國家生物監(jiān)督局前局長Steve Bennett表示：“人工智能可以通過幾種方式幫助對付冠狀病毒。通過確定的已知疫情，衛(wèi)生官員就可以根據(jù)環(huán)境條件、獲得醫(yī)療保健的機會以及病毒傳播的方式，使用人工智能來預測病毒將如何傳播。人工智能還可以在病毒局部爆發(fā)的情況下，或在不尋常的小規(guī)模不良健康事件中發(fā)現(xiàn)共性。從這些事件中得到的情況可以幫助回答許多關于病毒性質的未知問題?！耙业街委煿跔畈《镜姆椒?，研制抗病毒藥物和疫苗是一個反復試驗的過程。過去醫(yī)學界已經(jīng)成功地培育出了許多針對類似病毒的疫苗，因此使用人工智能來觀察來自類似病毒的模式，并檢測在構建新疫苗時要尋找的屬性，將比從頭開始構建疫苗的成功概率更高。”InterSystems的HealthShare副總裁唐?伍德洛克認為：“通過機器學習的方法，我們可以讀取醫(yī)療記錄中的數(shù)百億個數(shù)據(jù)點和臨床文檔，來確定患者是否攜帶病毒。感染該疾病的患者的“特征”會從建模過程中逐漸清晰，這有助于我們將風險更高的患者作為醫(yī)治目標。“類似地，機器學習的方法可以自動建立醫(yī)療記錄中治療方法和最終治療結果之間的模型或關系。這些模型可以快速確定更好的治療方法，并有助于指導臨床醫(yī)治指南的制定?！?br />