機械学習により、アウトブレイクを特定し、その拡大を予測することができる。
関連データを収集し、世界規模で標準化することは複雑である。
臨床データや渡航データを家族歴やライフスタイルと結びつけることで、詳細な予測が可能になるだろう。
歴史を通じて、人の移動は病気が世界中に速やかに広がる一因となってきた。第一次世界大戦終結時に復員兵の大規模な移動によって5億人が感染した1918年のインフルエンザ・パンデミックから、グローバルな渡航の利便性によって急速に拡散した現代のCOVID-19のようなウイルスに至るまで、その傾向は続いている。
幸いなことに、情報化時代の今日においては、グローバルな接続性が感染症との戦いにおいて大きな優位性をもたらしている。世界各地の膨大なデータを分析してアウトブレイクを特定し、高度な機械学習モデルを用いて地域を越えた将来の移動を予測することができる。課題は、関連データを収集し、世界規模で標準化することが複雑な作業であるという点にある。
質の高い医療データを収集するための鍵の一つは、迅速な診断である。民間セクターは、診断結果をほぼ即座に集約し共有できる技術革新を提供し続けており、ウイルスの拡散をより迅速かつ大規模に監視することに役立っている。
世界各国の企業が、わずか15分でCOVID-19を検査できる新しい検査キットの開発に投資している。これは、処理に24時間を要する可能性がある従来の鼻腔ぬぐい液検査と比べて大幅に迅速である。新しい検査では、空港に到着した症状のある旅客を検査し、その結果をクラウド対応の接続を通じて、現地の保健当局にリアルタイムで共有することが可能になる見込みだ。
空港の入国審査カウンターでは、顔認識とサーマルイメージングを組み合わせることで、生体認証がリアルタイムでの人口追跡を可能にしている。非接触型の生体認証システムは、共有の表面や指紋スキャナーに触れる機会を減らすという付加的なメリットもある。
迅速な診断は、迅速な隔離につながり、ウイルスが空港や新たな国に広がることを防ぐのに役立つ。また、迅速な診断は、事前の封じ込め対策をさらに効果的にするうえで価値のあるデータへのより速やかなアクセスももたらす。
しかし、質の高い健康関連データを世界規模で標準化し、政策立案者に適時に関連する知見を提供するという点では、二つの主要な課題に直面している。
第一に、感染症の追跡に最も有用なデータの種類を収集することである。COVID-19の影響に関する報告書は次々と発表されてきたが、提供されているデータの多くは詳細さに欠けている。
死亡率に加えて、影響を受けた人々の人口統計的特徴をより深く理解する必要がある。どの年齢層や既往症を持つ人々が最もリスクにさらされているかについての情報が多いほど、封じ込めの取り組みをどこに集中させるか、あるいは医療物資をどこに配備するかをより正確に判断できる。
また、別のウイルスが拡散する可能性を示す、より広範なデータセットの種類を特定する必要もある。これには、別の種類のコロナウイルスが動物から人間に感染した場合に備えて、動物と日常的に接触する地域社会の健康状態を監視することや、異常な健康パターンなどの他の指標を追跡し、他の新たな疾病を早期に食い止めることが含まれる可能性がある。
第二に、異なるデータソースを標準化する方法を見つける必要がある。病院と公的セクターの間で診断能力や情報共有の形式を調整することは、その国に中央集権的な患者記録システムがない限り容易ではない。
台湾のヘルスケアに対するビッグデータ活用は、この状況において有効であった。同国は、国民健康保険データベースの医療記録を税関・入国管理の記録と連携させ、最近中国から渡航した人、医療を受けた人、あるいは重篤な呼吸器疾患の兆候を示した人を特定し、検査することができた。
しかし、世界の多くの地域では、データが病院から公共の領域へ、あるいは国境を越えて円滑に流れていない。世界的なデータ標準はまだ策定されておらず、このことがデータセットの欠落や、データを世界の健康対策の推進に活用する際の遅延を生んでいる。
データの標準化を加速させる一つの方法は、より均質的なデータ標準を通じて、各国のデータシステム間の相互接続性を高めることかもしれない。
これには、さまざまな利害関係者間での大規模な協力が必要となり、国境を越えて推進することは困難を伴う可能性がある。どの国がどのベストプラクティスのデータ収集標準を採用するかを決めるのか。また、予算が限られた低所得国が、先進国の基準に合わせて自国の手続きを改善することは、どの程度現実的なのか。
別の解決策は、人工知能を活用して、公衆衛生機関、人口データベース、交通記録などからオンラインで既に入手可能な膨大なデータを処理することである。自動化された疾病サーベイランス・プラットフォームは、機械学習と自然言語処理の組み合わせにより、世界的な疾病の拡散を既に追跡・把握できるようになっており、世界保健機関（WHO）や米国疾病予防管理センター（CDC）よりも速くCOVID-19の拡散を報告することができた。また、他のAIモデルは、気候変動や人間の活動が、動物由来の新たな人獣共通感染症に感染するリスクにどのような影響を与えるかを予測することを目指している。
臨床データや渡航データを、家族歴やライフスタイルの習慣などのソーシャルメディアから収集した個人データと結びつけることで、個々のリスクプロファイルや医療上の結果に関する、さらに詳細な予測を提供することが可能になるだろう。
監視技術への批判派は、こうしたシステムがもたらす市民的自由への脅威を、すぐに指摘するかもしれない。人の世界的な移動や個人の健康履歴を監視することは、機械学習の新たなフロンティアであり、他の人工知能プラットフォームが直面してきたのと同じ規制上の審査の対象となるだろう。
COVID-19は、感染症の流行時に防御的な姿勢をとり続けることの経済的コストを明確に示し、新たなパンデミックが発生する前にそれを特定することへの投資の重要性を浮き彫りにした。結局のところ、これは、セクターを越えた協力と、協力や情報の安定的な流れを通じて、民間セクターの技術革新を政策へと結びつける能力にかかっている。
