– تیمی از دانشگاه ویرجینیا (UVA) در حال توسعه یک داشبورد کلان داده آنلاین برای ترسیم بار بیماری های عفونی روده ای در کشورهای با درآمد کم و متوسط هستند که محققان و ذینفعان سلامت عمومی می توانند از آن برای هدایت تصمیم گیری استفاده کنند.
ابزاری که اخیراً مشخص شده است PLOS One این مطالعه، بخشی از ابتکار رصدخانه بهداشت سیارهای کودکان و رودهها (Plan-EO) UVA است که برای ارائه یک پایه شواهد برای هدفیابی جغرافیایی مداخلات بهداشتی کودکان طراحی شده است.
محققان بیان کردند که بیماریهای اسهالی عامل اصلی بیماریها و مرگ و میر کودکان است و بار بیماری این شرایط در نتیجه تغییرات آب و هوایی در حال افزایش است. نقشهبرداری از نقاط انتقال و پیشبینی شیوع، پتانسیل نجات جان افراد را دارد، اما در حال حاضر ابزارهای کمی برای ارائه این بینش برای بیماریهای رودهای وجود دارد.
داشبورد Plan-EO قصد دارد این شکاف را برطرف کند.
اسهال یک تهدید بزرگ غیرقابل ذکر برای سلامت عمومی است که اغلب نادیده گرفته می شود یا به عنوان یک تجربه اجتناب ناپذیر از دوران کودکی تلقی می شود. ما می خواهیم آن را تغییر دهیم. با تغییر الگوهای بیماریهای اسهالی عفونی به دلیل تغییرات آب و هوایی، ما میخواهیم جامعه بهداشت عمومی آماده باشد و تمام برآوردها و پیشبینیهای اپیدمیولوژیک به روز را در اختیار داشته باشد.»
داشبورد توسط ائتلافی از اپیدمیولوژیست ها، بیوانفورماتیکان، اقلیم شناسان و آب شناسان ساخته می شود. این رویکرد چند رشته ای به داشبورد اجازه می دهد تا از داده های بزرگ از منابع مختلف برای تجسم تأثیر رویدادهای آب و هوایی – مانند سیل – بر انتقال بیماری های اسهالی استفاده کند.
“آگاهی واقعا در حال افزایش است که بیماری ها دارای عوامل خطر چند وجهی هستند که عناصر محیطی، اجتماعی و رفتاری را در بر می گیرند. ما این را با همهگیری دیدیم و مطمئناً آن را در مورد بیماریهای اسهالی میبینیم. به همین دلیل است که یک رویکرد مشارکتی بسیار مهم است.
داشبورد، که قرار است اواخر امسال راه اندازی شود، به طور مداوم به روز می شود تا بینش های به موقع در مورد پویایی پاتوژن، مشابه داشبورد COVID-19 جان هاپکینز ارائه دهد. کاربران می توانند از یک رابط مبتنی بر نقشه برای انتخاب داده های تعدادی از پاتوژن های عامل اسهال استفاده کنند.
تیم تحقیقاتی امیدوار است که این ابزار به ذینفعان سلامت عمومی کمک کند تا بار بیماری را بهتر درک کنند و تأثیر آن بر کودکان ساکن در مناطق بومی را پیشبینی کنند، بینشی که میتواند پاسخ به شیوع بیماری را بهبود بخشد.
ونکات لاکشمی، دکترای هیدرولوژیست و جان ال. گفت: «فرض کنید شما یک اپیدمیولوژیست در آفریقا یا جنوب آسیا هستید و به یک جامعه خاص در یک کشور خاص علاقه دارید تا پروژه بهبود آب یا آزمایش واکسن را انجام دهید. نیوکمب استاد مهندسی در مهندسی عمران و محیط زیست در UVA. با استفاده از رابط Plan-EO، میتوانید به آن مکان روی نقشه بروید و پیشبینیهای قوی از شیوع پاتوژنهای خاص و همچنین اطلاعات منتشر شده در مورد مطالعات انجام شده در مناطق اطراف را دریافت کنید. این یک تغییر دهنده بازی خواهد بود.»
این تحقیق جدیدترین تحقیقی است که نشان می دهد چگونه ابزارهای کلان داده ممکن است برای افزایش پاسخ به شیوع بیماری مفید باشند.
در ماه سپتامبر، یک تیم تحقیقاتی از دانشکده بهداشت عمومی ییل (YSPH) توضیح داد که چگونه یک پلت فرم تریاژ بیمار مبتنی بر هوش مصنوعی (AI) می تواند به پیش بینی شدت بیماری و مدت بستری در بیمارستان در طول شیوع ویروس کمک کند.
این ابزار از دادههای یادگیری ماشینی و متابولومیک استفاده میکند تا مشخص کند کدام بیماران ممکن است به پذیرش در بخش مراقبتهای ویژه (ICU) نیاز داشته باشند و کدامیک را میتوان به خانه فرستاد، که محققان خاطرنشان کردند که میتواند مدیریت بیمار و تخصیص منابع را بهبود بخشد.
این مدل از COVID-19 به عنوان مدل بیماری خود استفاده کرد و دادههای بالینی معمول، بیماریهای همراه بیمار و دادههای متابولومیک پلاسما هدفمند را برای پیشبینی ترکیب کرد.