L’intelligenza artificiale come tool di early warning COVID19

Alessandro Massaro – Dyrecta Lab srl, MIUR Research Institute

Gli algoritmi di apprendimento supervisionato di Intelligenza Artificiale Supervisionata (IA) potrebbero supportare le misure di emergenza di epidemia/pandemia, prevenendo i rischi di infezione da virus COVID19, fornendo nello stesso tempo un sistema di supporto alle decisioni utile alla gestione stessa dell’emergenza.Diversi dati possono essere elaborati mediante algoritmi di IA, potendo così acquisire informazioni utili per il contenimento del COVID19.
Per quanto riguarda ad esempio l’elaborazione dei dati dei sociali, gli algoritmi di IA potrebbero comportarsi come classificatori di dati: l’estrazione del testo consentirebbe la formulazione di una mappa di rischio geolocalizzata, ottenuta da segnalazioni di utenti, che identifichi percorsi rischiosi, incrociando le informazioni sui flussi di movimentazione dei cittadini e la tracciabilità puntuale degli spostamenti.

Anche i dati ufficiali del web potrebbero essere elaborati al fine di fornire uno scenario completo del COVID19: in tale contesto gli approcci di web scraping o di text mining possono essere adatti per estrarre dati digitali da pagine Internet ritenute fonti sicure, facilitando così la creazione di un set di dati iniziale adatto al training dei modelli di IA.
Inoltre, tutti i cittadini attraverso una mobile app potrebbero segnalare possibili casi di quarantena, o di cittadini sospetti nello stesso edificio o nella stessa strada di residenza, contribuendo automaticamente alla creazione di dataset da elaborare. In questa direzione anche gli operatori sanitari potrebbero fornire dati ufficiali mediante una specifica tecnologia di data entry interconnessa con il motore IA.

Gli algoritmi delle reti neurali artificiali (Artificial Neural Networks –ANNs-) e di Long Short Term Memory (LSTM) sono buoni strumenti e di buona affidabilità, per creare modelli di IA per il calcolo predittivo. Le azioni di supervisione dei modelli da parte di un utente esperto sono molto importanti per l’affidabilità dell’algoritmo stesso: la supervisione dovrebbe riferirsi ad importanti variabili esogene di maggior peso come le disposizioni regionali e nazionali in ambito di contenimento, le quali potrebbero cambiare drasticamente i risultati della previsione.
Poiché le disposizioni cambiano nel tempo, è necessario generare dunque dinamicamente altri modelli di training dataset, al fine di “seguire” il reale scenario di epidemia/pandemia in essere. Gli algoritmi ANNs / LSTM sono utili anche per prevedere lo stato di salute di cittadini con malattie croniche [1], [2], o di  pazienti oncologici, o in generale di pazienti con gravi condizioni di salute, i quali sono maggiormente esposti al rischio da infezione COVID19.

Elaborando anche altre informazioni come disponibilità di misure di soccorso in ospedali sicuri in condizioni di emergenza, la facilità/difficolta degli spostamenti, o il domicilio in aree ad alta/bassa densità di popolazione, ecc. si potrebbero aggiornare in modo efficiente la mappe di rischio ottenute come outputs deli algoritmi di IA. L’assistenza domiciliare mediante controllo remoto dei parametri fisiologici, nell’ottica di attivare processi di deospedalizzazione sempre più consistenti, potrebbe ridurre il rischio di contagio anche per il personale medico a diretto contatto con i pazienti, aggiornando la previsione del rischio.

Altre importanti applicazioni dell’IA sono inerenti la correlazione con casi di fumatori, con condizioni di inquinamento atmosferico, con informazioni anagrafiche ed con altre attinenti il comportamento dei cittadini. Tutti i dati possono essere raccolti in un sistema di Big Data, in grado di consentire l’elaborazione multi-attributo dei dati migliorando i modelli di IA.

Infine, diverse tecnologie come Unmanned Aerial Vehicles (UAVs) e la termografia a infrarossi possono essere utilizzate per aggiungere più dati digitali da processare mediante i motori di intelligenza artificiale. Tali tecnologie possono fornire dati circa gli assembramenti di persone, e possono rilevare stati febbrili anche in luoghi affollati, consentendo di aggiornare continuamente le mappe di rischio previsionali.

Proprio per la quantità massiva di dati da elaborare, e per la tipologia di dataset di tipo multi-attributo, tutti i dati digitalizzati dovrebbero essere gestiti da una piattaforma software che possa eseguire gli algoritmi in cloud. La piattaforma dovrebbe consentire anche la “pulizia” dei dati eliminando quelli errati  garantendo così buone prestazioni in termini di costo computazionale degli algoritmi di IA.

[1] A. Massaro, V. Maritati, N. Savino, A. Galiano, D. Convertini, E. De Fonte, M. Di Muro, “A Study of a Health Resources Management Platform Integrating Neural Networks and DSS Telemedicine for Homecare Assistance,” Information, vol.  9, no. 176, 2018, pp. 1-20, doi:10.3390/info9070176

[2] A. Massaro, A., V. Maritati, D. Giannone, D. Convertini, and A. Galiano, “LSTM DSS Automatism and Dataset Optimization for Diabetes Prediction,” Applied Sciences, Vol. 9, No.17, 2019, 3532.

Facebooktwitterlinkedinmail