Het klinkt veelbelovend: met behulp van kunstmatige intelligentie (AI) en de huidige grote datakracht moet wij zo’n SARS-Cov-2-varkentje toch kunnen wassen. Er verschijnt inderdaad veel over het inzetten van AI en big / deep data bij het inzicht krijgen in de huidige pandemie. De uitvoering is echter aanmerkelijk complexer dan het lijkt.
Bij de jacht op en aanpak van het Corona-virus draait om vier vragen:
- Wat willen bij met de kennis verworven door AI en DD bereiken?
- Welke kennis en ervaringen zijn daarvoor nodig?
- Met welke methoden gaan wij dat hoe doen?
- Hoe zorg je er voor dat de beste oplossingen landen in de gezondheidszorg, bij de politiek en burger?
AI en DD kunnen een groot deel van de vier antwoorden geven.
Voorspelbare verspreiding en mortaliteit
De belangrijkste twee vragen bij een virusuitbraak zijn altijd
- Hoe besmettelijk is het?
- Hoe ziekmakend of dodelijk is het virus?
Voorspellende modellen zijn dringend gewenst om tijdig goed onderbouwde maatregelen te kunnen nemen.
Inmiddels is er al de nodige ervaring opgedaan met het gedrag van SARS-CoV-2. Met genetische vingerprints valt het virus te typeren en zowel nieuwe als oudere stammen met hun globale verspreiding in kaart te brengen. Zie onder andere nextstrain.org.
Een problemen bij het voorspellen van hoe het verder met de uitbraak gaat zijn de vele onzichtbare besmetting plus nauwelijks zieken en de wet van het grote getallen. Wat je niet ziet kan je ook niet registreren. Hier de discussies over het grootschaliger gaan testen. Kan AI hier licht op werpen?
De wet van het grote getallen leert dat geringe percentages zieken en doden bij zeer grote aantallen toch een serieus probleem kunnen worden. Tijd voor slimme scenario- en interventiemodellen.
Inmiddels zijn er al meerdere AI- en DD-modellen voor virusepidemiologie beschikbaar. De computerkracht neemt navenant toe met het inzetten van grote aantallen connected machines en supercomputers.
Capaciteitsproblemen
Uiteraard is het vreselijk om te zien hoe naar adem snakkende mensen op de IC’s belanden en daar regelmatig zonder afscheid van hun dierbare te kunnen nemen overlijden. Er zijn grote problemen met de benodigde beschikbare bedden, medisch materiaal en deskundig personeel. Daar zijn we momenteel nog niet goed op berekend.
Er was echter al vier jaar bekend (NCTV) dat er bij een pandemie er niet voldoende IC-bedden zouden kunnen zijn. Dan komt vraag 4 uit de inleiding opduiken, het landen bij de verantwoordelijke uitvoerenden.
Overigens gaat het voor driekwart van de patiënten om ziekenhuisopnamen buiten de IC. In beide gevallen zouden AI en DD kunnen meewerken aan de oplossing. Een boude uitspraak is: het is van groot belang dat er bij voorkeur geen patiënten op de IC van een ziekenhuis belanden. Ze verblijven daar relatief lang en lopen ook nog eens longschade en psychische trauma’s op.
Daarvoor zijn er twee oplossingen:
- De ziekte in een eerdere stadium behandelen zodat de patiënten minder ernstig ziek worden. Zie hiervoor het desbetreffende hoofdstukje.
- Spreiding en hightech oplossingen om meer patiënten tegelijk te kunnen behandelen. Dan komen e-spreiding van IC-technieken op afstand en robotica in het vizier.
Beide oplossingen zijn al mogelijk.
Corona leren kennen, eerder behandelen
Het leren kennen van het virus maakt zowel het modelleren van de verspreiding als de behandeling een stuk efficiënter. Een genetisch profiel en volgmodellen hebben we al. Nu moeten we passende medicatie, antistoffen en vaccins vinden. Dat vergt doorgaans vele maanden tot jaren van onderzoek voordat er betrouwbare en veilige resultaten uitrollen. Die tijd is er nu niet.
Kunnen AI en DD deze behandeloplossingen versnellen? Zoals gebruikelijk gaat het om patroonherkenning, het vergelijken met andere gelijksoortige gevallen en het logisch extrapoleren op wat al eerder een goede weg leek te zijn. De rekenkracht van ons ICT-potentieel in deze is gigantisch. Je moet echter wel de juiste gegevens invoeren. Anders dreigt het bekende ‘garbage in, garbage’ uit, in plaats van een wondermiddel.
Insilico Medicine biotechniek uit Hongkong heeft enkele veelbelovende initiatieven, waar onder een “AI-Legosystem voor machineleren” opgezet om sneller medicijnen tegen SARS-CoV-2 te kunnen ontwikkelen.
Simulaties en kan het simpeler?
Momenteel leven wij in de wereld van de geanimeerde grafische visualisatie van data. Zie de mogelijkheden van VR/AR/MR. Het beleven en ervaren in corona-simulaties helpen bij het verkrijgen van inzicht. En AI en DD kunnen daarbij ondersteunen.
Iets anders is virus-engagement bij het grote publiek. Hun handelen verandert dan van overdonderd of ‘paniek’ naar ‘we weten hoe het zit en wat we moeten doen’. Hier ligt mede een rol voor media: Geen cijfer-infodemic maar informatie die inzicht geeft, de maatschappelijke inzet versterkt en de mensen beter laat begrijpen wat mogelijk is.
Aan de ene kant is het inzetten van AI en DD-complex. Aan de andere kant kan dit een vereenvoudiging inhouden. Een praktisch voorbeeld: een vaccin of antistoffen. Moeten we eerst het hele virus met de stamvarianten in kaart brengen of is naast een specifieke aanpak ook een meer algemenere opzet mogelijk? Ofwel, antistoffen of een vaccin gericht op het herkennen van de spikes van de viruscorona door ons immuunsysteem. Dat kan veel tijd en mensenlevens besparen.
Machineleren
AI of machine learning kan perspectieven bieden. Zo meldde het Zuid-Koreaans Deargen voorzichtige successen bij een MT-DTI deep learning-model dat voorspelt hoe goed moleculen aan target-eiwitten kunnen hechten. Zo kan je het effect van een virusremmeer berekenen.
SRI International en Iktos Parijs kwamen met machineleren voor het gezamenlijk ontwerpen van virtuele moleculen. Dat kunnen later bruikbare geneesmiddelen tegen SARS-CoV-2 worden.
Benevolent AI claimt als startup o.a. in de Lancet dat het met machineleren medische databases doorzocht heeft op het blokkeren van viruspenetratie en duplicatie. Daaruit kwam o.a. een antireuma-middels dat geschikt zou kunnen zijn voor SARS-CoV-2.Dat schept perspectieven bij het de AI dlaten oorspitten van de al ruim 2.000 wetenschappelijke papers over Corona-griep. Microsoft Research en het Allen Institute voor AI doen daar nog een schepje bovenop. Zij doorzochten meer dan 29.000 publicaties over Coronavirussen.
BlueDot en andere slimme leersystemen blijken goed in staat om de eerste tekenen van outbreaks zoals bij COVID-19 / corona te detecteren en in kaart te brengen. Men spreekt bij deze initiatieven onder meer van “Computational predictions of protein structures associated with COVID-19.” Een deep learning-systeem als AlphaFold gooit daarbij interessante hoge ogen. En in Europa hebben wij de ML6-groep.
Leer van het verleden!
Politici en media en regelmatig ook deskundigen in talkshows brengen de corona-crisis vaak als iets geheel nieuws en onverwachts. Niets is minder waar. Wij hebben het al vaker en in een aantal gevallen nog een stuk erger gehad. Denk maar aan SARS, MERS, de Mexicaanse griep, varkenspest en in mindere mate Ebola. Bij de griep, influenza, waren de Russische en Spaanse griep uitschieters van wereldformaat.
Wie goed in de geschiedenis van de Spaanse Griep (zie o.a. het gelijknamige boek van Laura Spinney) circa 100 jaar geleden duikt, ziet eenzelfde patroon. De crisis in het epicentrum New York, de wijze van verspreiding, noodhospitalen lockdowns, de scholen wel of niet dicht en het instorten van de economie.
Wat die scholen betreft waren er bijvoorbeeld aanwijzingen dat het voor de besmettingen toen weinig uitmaakte wel of niet dicht. En de huidige contactbeperkende maatregelen hadden in 1918-1920 een duidelijk effect in de meer welgestelde populaties. De economisch zwakkeren, ongezonde mensen en kwetsbaren, migranten en vluchtelingen kregen het daarentegen danig voor hun kiezen.
AI en DD zijn zeer wel in staat om deze gegevens uit het verleden door te rekenen naar het heden. Er waren verschillen maar ook overeenkomsten en successen. Hoe kunnen wij de laatste twee uitbuiten?
Voorkom herhaling
Straks is het allemaal voorbij en gaan we over op de orde van de dag. Maar corona kan weer opduiken of er komt een nieuwe ziekte. Dat mag niet meer zo uit de hand lopen als nu.
Dat betekent het zorgvuldig monitoren op, sneller kunnen ingrijpen, herschikking van de gezondheidszorg en de daarbij behorende middelen, eerder de juiste medicatie kunnen ontwikkelen en het dominosteneneffect van de omvallende maatschappelijke systemen voorkomen. Een uitdagende taak voor AI-modellen en DD-toepassingen bij pandemic e-health.
