Tämä on vieraspostaus, jonka ovat kirjoittaneet Ajay K Gupta, Jean Felipe Teotonio ja Paul A Churchyard HSR.healthista.

HSR.terveys on geospatiaalisia terveysriskejä analysoiva yritys, jonka näkemys on, että globaalit terveyshaasteet voidaan ratkaista ihmisen kekseliäisyydellä ja data-analytiikan kohdistamalla ja tarkalla soveltamisella. Tässä viestissä esittelemme yhden lähestymistavan zoonoosien ehkäisyyn Amazon SageMakerin geospatiaaliset ominaisuudet luoda työkalu, joka tarjoaa tarkempaa tietoa taudin leviämisestä terveystieteilijöille, jotta he voivat pelastaa enemmän ihmishenkiä ja nopeammin.

Zoonoositaudit vaikuttavat sekä eläimiin että ihmisiin. Sairauden siirtyminen eläimestä ihmiseen, joka tunnetaan nimellä heijastusvaikutuksia, on ilmiö, jota esiintyy jatkuvasti planeetallamme. Terveysjärjestöjen, kuten Centers for Disease Control and Prevention, mukaan (CDC) ja Maailman terveysjärjestö (KUKA), spillover-tapahtuma Wuhanissa Kiinassa märillä markkinoilla aiheutti todennäköisesti koronavirustaudin 2019 (COVID-19). Tutkimukset viittaavat siihen, että hedelmälepakoissa löydetyssä viruksessa tapahtui merkittäviä mutaatioita, jotka mahdollistivat sen tartunnan ihmisiin. Ensimmäinen COVID-19-potilas tai "potilas nolla" aloitti todennäköisesti myöhemmän paikallisen epidemian, joka lopulta levisi kansainvälisesti. HSR.terveysZoonoottisen leviämisen riskiindeksin tavoitteena on auttaa tunnistamaan nämä varhaiset epidemiat ennen kuin ne ylittävät kansainväliset rajat ja johtavat laajaan maailmanlaajuiseen vaikutukseen.

Kansanterveyden tärkein ase alueellisten tautipesäkkeiden leviämistä vastaan ​​on tautien seuranta: kokonainen tautien raportoinnin, tutkimuksen ja tiedonsiirron järjestelmä kansanterveysjärjestelmän eri tasojen välillä. Tämä järjestelmä ei ole riippuvainen vain inhimillisistä tekijöistä, vaan myös teknologiasta ja resursseista, joilla kerätään sairaustietoja, analysoidaan malleja ja luodaan johdonmukainen ja jatkuva tiedonsiirto paikallisilta alueellisiin terveysviranomaisiin.

Nopeuden, jolla COVID-19 siirtyi paikallisesta taudinpurkauksesta maailmanlaajuiseksi jokaisella mantereella esiintyväksi taudiksi, pitäisi olla raitistava esimerkki innovatiivisen teknologian kipeästä tarpeesta luoda tehokkaampia ja tarkempia taudinvalvontajärjestelmiä.

Zoonoosien leviämisen riski korreloi jyrkästi useiden sosiaalisten, ympäristöllisten ja maantieteellisten tekijöiden kanssa, jotka vaikuttavat siihen, kuinka usein ihmiset ovat vuorovaikutuksessa villieläinten kanssa. HSR.terveys Zoonoositautien leviämisriskiindeksissä käytetään yli 20 erilaista maantieteellistä, sosiaalista ja ympäristötekijää, joiden tiedetään historiallisesti vaikuttavan ihmisen ja villieläinten vuorovaikutuksen riskiin ja siten zoonoositautien leviämisriskiin. Monet näistä tekijöistä voidaan kartoittaa satelliittikuvien ja kaukokartoituksen yhdistelmällä.

Tässä viestissä tutkimme, miten HSR.terveys käyttää SageMakerin geospatiaalisia ominaisuuksia hakeakseen tärkeitä ominaisuuksia satelliittikuvista ja kaukokartoituksista riskiindeksin kehittämiseksi. SageMakerin geospatiaaliset ominaisuudet tekevät datatieteilijöille ja koneoppimisinsinööreille helppoa rakentaa, kouluttaa ja ottaa käyttöön geospatiaalisia tietoja käyttäviä malleja. SageMakerin geospatiaalisten ominaisuuksien avulla voit tehokkaasti muuntaa tai rikastuttaa laajamittaisia ​​geospatiaalisia tietojoukkoja, nopeuttaa mallinrakennusta valmiiksi koulutetuilla ML-malleilla ja tutkia malliennusteita ja geospatiaalisia tietoja interaktiivisella kartalla käyttämällä 3D-kiihdytettyä grafiikkaa ja sisäänrakennettuja visualisointityökaluja.

ML:n ja paikkatiedon käyttö riskien vähentämiseen

ML on erittäin tehokas paikka- tai aikatiedon poikkeamien havaitsemiseen, koska se pystyy oppimaan tiedoista ilman, että se on erityisesti ohjelmoitu tunnistamaan tietyntyyppisiä poikkeamia. Kohteiden fyysiseen sijaintiin ja muotoon liittyvä paikkatieto sisältää usein monimutkaisia ​​kuvioita ja suhteita, joita perinteisten algoritmien voi olla vaikea analysoida.

ML:n sisällyttäminen paikkatietoihin parantaa kykyä havaita poikkeavuuksia ja epätavallisia kuvioita systemaattisesti, mikä on välttämätöntä varhaisvaroitusjärjestelmille. Nämä järjestelmät ovat tärkeitä esimerkiksi ympäristön valvonnan, katastrofien hallinnan ja turvallisuuden aloilla. Ennakoiva mallinnus käyttäen historiallisia paikkatietotietoja antaa organisaatioille mahdollisuuden tunnistaa mahdollisia tulevia tapahtumia ja valmistautua niihin. Nämä tapahtumat vaihtelevat luonnonkatastrofeista ja liikennehäiriöistä taudinpurkauksiin, kuten tässä viestissä käsitellään.

Zoonoosien leviämisriskien havaitseminen

Zoonoosien leviämisriskien ennustaminen, HSR.terveys on omaksunut multimodaalisen lähestymistavan. Käyttämällä erilaisia ​​tietotyyppejä – mukaan lukien ympäristö-, biomaantieteellinen ja epidemiologinen tieto – tämä menetelmä mahdollistaa taudin dynamiikan kattavan arvioinnin. Tällainen monitahoinen näkökulma on ratkaisevan tärkeä ennakoivien toimenpiteiden kehittämisessä ja nopean reagoinnin mahdollistamiseksi taudinpurkauksiin.

Lähestymistapa sisältää seuraavat osat:

• Tauti- ja epidemiatiedot – HSR.terveys käyttää laajaa sairaus- ja epidemiatietoa Gideon ja Maailman terveysjärjestö (WHO), kaksi luotettavaa maailmanlaajuisen epidemiologisen tiedon lähdettä. Nämä tiedot toimivat analytiikan peruspilarina. Gideonin tietoihin pääsee API:n kautta ja WHO:n osalta HSR.terveys on rakentanut suuren kielimallin (LLM) epidemiatietojen louhimiseksi aiemmista taudinpurkausraporteista.
• Maan havainnointitiedot – Ympäristötekijät, maankäyttöanalyysi ja elinympäristömuutosten havaitseminen ovat olennaisia ​​osatekijöitä zoonoosiriskin arvioinnissa. Nämä oivallukset voidaan saada satelliittipohjaisista maanhavainnointitiedoista. HSR.terveys pystyy virtaviivaistamaan maanhavainnointitietojen käyttöä käyttämällä SageMakerin geospatiaalisia ominaisuuksia suuren mittakaavan geospatiaalisen tietojoukon käyttämiseen ja käsittelemiseen. SageMaker geospatial tarjoaa runsaan tietoluettelon, joka sisältää tietojoukot USGS Landsat-8:sta, Sentinel-1:stä, Sentinel-2:sta ja muista. On myös mahdollista tuoda muita tietojoukkoja, kuten korkearesoluutioisia kuvia Planet Labsista.
• Riskin sosiaaliset tekijät – Biologisten ja ympäristötekijöiden lisäksi HSR:n tiimi.terveys Lisäksi otetaan huomioon sosiaaliset tekijät, jotka kattavat erilaisia ​​sosioekonomisia ja demografisia indikaattoreita ja joilla on keskeinen rooli zoonoosien leviämisen dynamiikassa.

Näistä komponenteista HSR.terveys arvioinut useita eri tekijöitä, ja seuraavat ominaisuudet on todettu vaikuttaviksi zoonoosien leviämisriskien tunnistamisessa:

• Eläinten elinympäristöt ja asuttavat vyöhykkeet – Mahdollisten zoonoosi-isäntien elinympäristöjen ja niiden asumiskelpoisten vyöhykkeiden ymmärtäminen on olennaista tartuntariskin arvioinnissa.
• Väestökeskukset – Tiheästi asuttujen alueiden läheisyys on keskeinen näkökohta, koska se vaikuttaa ihmisten ja eläinten vuorovaikutuksen todennäköisyyteen.
• Elinympäristön menetys – Luontotyyppien huonontuminen erityisesti metsien hävittämisen myötä voi kiihdyttää zoonoosien leviämistä.
• Ihmisen ja villimaan rajapinta – Alueet, joilla ihmisasutus risteää villieläinten elinympäristöjen kanssa, ovat mahdollisia zoonoosien leviämispisteitä.
• Sosiaaliset ominaisuudet – Sosioekonomiset ja kulttuuriset tekijät voivat vaikuttaa merkittävästi zoonoosiriskiin ja terveysriskiin.terveys tutkii myös näitä.
• Ihmisen terveyden ominaisuudet – Paikallisten väestöpopulaatioiden terveydentila on olennainen muuttuja, koska se vaikuttaa herkkyyteen ja tartuntadynamiikkaan.

Ratkaisun yleiskatsaus

HSR.terveysn työnkulku sisältää tietojen esikäsittelyn, ominaisuuksien poimimisen ja informatiivisten visualisointien luomisen ML-tekniikoilla. Tämä mahdollistaa selkeän ymmärryksen datan kehityksestä sen raakamuodosta käyttökelpoisiin oivalluksiin.

Seuraavassa on visuaalinen esitys työnkulusta alkaen Gideonin syötetiedoista, maapallon havainnointitiedoista ja riskitietojen sosiaalisesta tekijästä.

Hae ja käsittele satelliittikuvia käyttämällä SageMakerin geospatiaalisia ominaisuuksia

Satelliittitiedot muodostavat riskiindeksin muodostamisen analyysin kulmakiven ja tarjoavat kriittistä tietoa ympäristön muutoksista. HSR tuottaa oivalluksia satelliittikuvista.terveys käyttötarkoituksiin Maan havainnointityöt (EOJ:t). EOJ:t mahdollistavat maan pinnalta kerätyn rasteridatan hankinnan ja muuntamisen. EOJ saa satelliittikuvia määritetystä tietolähteestä – esimerkiksi satelliittikonstellaatiosta – tietyltä alueelta ja ajanjaksolta. Sitten se käyttää haettuihin kuviin yhtä tai useampaa mallia.

Lisäksi, Amazon SageMaker Studio tarjoaa geospatiaalisen muistikirjan, joka on esiasennettu yleisesti käytetyillä paikkatietokirjastoilla. Tämä muistikirja mahdollistaa geospatiaalisen tiedon suoran visualisoinnin ja käsittelyn Python-muistikirjaympäristössä. EOJ:t voidaan luoda geospatiaaliseen muistikirjaympäristöön.

EOJ:n määrittämiseen käytetään seuraavia parametreja:

• InputConfig – Syöttökonfiguraatio määrittää tiedonkeruun aikana käytettävät tietolähteet ja suodatuskriteerit:
  • RasterDataCollectionArn – Määrittää satelliitin, josta tietoja kerätään.
  • Kiinnostava alue – Maantieteellinen kiinnostava alue (AOI) määrittää monikulmiorajat kuvien keräämiselle.
  • TimeRangeFilter – Kiinnostuksen aikaväli: {StartTime: <string>, EndTime: <string>}.
  • PropertyFilters – Lisäominaisuussuodattimet, kuten hyväksyttävä pilvipeittoprosentti tai halutut auringon atsimuuttikulmat.
• JobConfig – Tämä kokoonpano määrittää haettuun satelliittikuvatietoon sovellettavan työn tyypin. Se tukee operaatioita, kuten kaistan matematiikkaa, uudelleennäytteenottoa, geomosaiikkia tai pilven poistoa.

Seuraava esimerkkikoodi näyttää EOJ:n suorittamisen pilven poistoa varten, mikä edustaa HSR:n suorittamia vaiheita.terveys:

eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": { "Coordinates": [ [ [-76.23240119828894,-6.268815697653608], [-76.23240119828894,-6.339419992332921], [-76.13834453776985,-6.339419992332921], [-76.13834453776985,-6.268815697653608], [-76.23240119828894,-6.268815697653608] ] ] } } }, "TimeRangeFilter": { "StartTime": "2022-03-01T00:00:00Z", "EndTime": "2022-06-30T23:59:59Z", }, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0.0, "UpperBound": 2.0}}}], "LogicalOperator": "AND", }, }
}
eoj_job_config = { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }
} eoj = geospatial_client.start_earth_observation_job( Name="eoj-analysis-loreto", InputConfig=eoj_input_config, JobConfig=eoj_job_config, ExecutionRoleArn=execution_role,
)

HSR.terveys käytti useita toimintoja tietojen esikäsittelyyn ja olennaisten ominaisuuksien poimimiseen. Tämä sisältää toiminnot, kuten maanpeitteen luokittelun, lämpötilavaihteluiden kartoituksen ja kasvillisuusindeksit.

Eräs kasvillisuuden terveyttä osoittava kasvillisuusindeksi on Normalized Difference Vegetation Index (NDVI). NDVI mittaa kasvillisuuden terveyttä käyttämällä lähi-infrapunavaloa, jota kasvillisuus heijastaa, ja punaista valoa, jonka kasvillisuus absorboi. NDVI:n seuranta ajan myötä voi paljastaa muutoksia kasvillisessa, kuten ihmisen toiminnan, kuten metsien hävittämisen, vaikutuksia.

Seuraava koodinpätkä näyttää, kuinka NDVI:n kaltainen kasvillisuusindeksi lasketaan pilvenpoiston kautta välitettyjen tietojen perusteella:

eoj_input_config = { "PreviousEarthObservationJobArn": eoj["Arn"]
}
eoj_job_config = { "BandMathConfig": { "CustomIndices": { "Operations": [ { "Equation": "(nir - red) / (nir + red)", "Name": "ndvi", "OutputType": "FLOAT32" } ] } }
}
eoj = geospatial_client.start_earth_observation_job( Name="eoj-vi-ndvi", InputConfig=eoj_input_config, JobConfig=eoj_job_config, ExecutionRoleArn=execution_role,
)

Voimme visualisoida työn tulos käyttämällä SageMakerin geospatiaalisia ominaisuuksia. SageMakerin geospatiaaliset ominaisuudet voivat auttaa sinua peittämään malliennusteita peruskartalla ja tarjoamaan kerrostettua visualisointia yhteistyön helpottamiseksi. GPU-käyttöisen interaktiivisen visualisaattorin ja Python-kannettavien avulla on mahdollista tutkia miljoonia tietopisteitä yhdessä näkymässä, mikä helpottaa oivallusten ja tulosten yhteistä tutkimista.

Tässä viestissä kuvatut vaiheet osoittavat vain yhden HSR:n monista rasteripohjaisista ominaisuuksista.terveys on poiminut riskiindeksin luomiseksi.

Yhdistämällä rasteripohjaisia ​​ominaisuuksia terveys- ja sosiaalitietoihin

Kun asiaankuuluvat ominaisuudet on purettu rasterimuodossa, HSR.terveys käytti vyöhyketilastoja rasteritietojen kokoamiseen hallinnollisen rajan polygoneissa, joihin sosiaali- ja terveystiedot on liitetty. Analyysi sisältää yhdistelmän rasteri- ja vektori geospatiaalista tietoa. Tällainen aggregointi mahdollistaa rasteritietojen hallinnan geotietokehyksessä, mikä helpottaa sen integrointia terveys- ja sosiaalitietoihin lopullisen riskiindeksin tuottamiseksi.

Seuraava koodinpätkä havainnollistaa, kuinka rasteridataa voidaan koota hallintavektorirajoihin:

import geopandas as gp
import numpy as np
import pandas as pd
import rasterio
from rasterstats import zonal_stats
import pandas as pd def get_proportions(inRaster, inVector, classDict, idCols, year): # Reading In Vector File if '.parquet' in inVector: vector = gp.read_parquet(inVector) else: vector = gp.read_file(inVector) raster = rasterio.open(inRaster) vector = vector.to_crs(raster.crs) # Retrieving the Bounding Box for the Raster Image xmin, ymin, xmax, ymax = raster.bounds # Selecting the Vector Features that Intersect with the Raster Bounding Box vector = vector.cx[xmin:xmax, ymin:ymax] vector = vector.reset_index() # Calculate the sum of pixels of each class in the vector geometries stats = zonal_stats(vector.geometry, raster.read(1), affine=raster.transform, nodata=raster.nodata, categorical=True) # Creating a dataframe with the class sum of pixels and the id fields of the vector geometries df1 = pd.DataFrame(data=stats) df1 = df1.fillna(0) df1['totalpixels'] = df1.sum(axis=1) df1['year'] = year if 'year' in vector.columns.tolist(): vector = vector.drop(['year'], 1) # Merging the class sum of pixels dataframe with the vector geodataframe df = vector.merge(df1, left_index=True, right_index=True) # Renaming Columns cdict = pd.read_csv(classDict) cdict = cdict.set_index("Value")['Class_name'].to_dict() df = df.rename(columns=cdict) keptCols = [x for x in df.columns.tolist() if x in idCols + list(cdict.values()) + ['totalpixels', 'year']] df = df[keptCols] return(df) def aggregateData(rasterList, inVector, classDict, idCols, years): dfList = [] # Creating aggregated raster to vector geodataframes for all rasters in rasterList for tiff in rasterList: inRaster = tiff year = [x for x in years if x in tiff][0] dfList.append(get_proportions(inRaster, inVector, classDict, idCols, year)) # Concating into a single geodataframe allDf = pd.concat(dfList, ignore_index=True) classDictDf = pd.read_csv(classDict) # Renaming the numerical values of the categories to the string version of the category name classCols = classDictDf['Class_name'].unique().tolist() # Summing the pixel counts by administrative division as a single administrative division might cover more than one raster image for col in classCols: allDf[col] = allDf[col].fillna(0) allDf[col] = allDf.groupby(idCols + ['year'])[col].transform(lambda x: x.sum()) # Removing Duplicates from the dataframe allDf = allDf.groupby(idCols + ['year']).first().reset_index() # Reattaching the geometry to the aggregated raster data if '.parquet' in inVector: vector = gp.read_parquet(inVector) else: vector = gp.read_file(inVector) allDf = vector.merge(allDf, on=idCols) return(allDf)

Poimittujen ominaisuuksien arvioimiseksi tehokkaasti ML-malleja käytetään ennustamaan kutakin ominaisuutta edustavia tekijöitä. Yksi käytetyistä malleista on tukivektorikone (SVM). SVM-malli auttaa paljastamaan malleja ja assosiaatioita tiedoissa, jotka antavat tietoa riskinarvioinneista.

Indeksi edustaa riskitasojen kvantitatiivista arviota, joka lasketaan näiden tekijöiden painotettuna keskiarvona, mikä auttaa ymmärtämään mahdollisia heijastusvaikutuksia eri alueilla.

import pandas as pd
import numpy as np
import geopandas as gp def finalIndicatorCalculation(inputLayer, weightDictionary, outLayer): # Creating a dictionary with the weights for each factor in the indicator weightsDict = pd.read_csv(weightDictionary).set_index('metric')['weight'].to_dict() # Reading in the data from the layer layer = gp.read_file(inputLayer) # Initializing the Sum of the Weights layer['sumweight'] = 0 # Calculating the sum of the weighted factors for col in weightsDict.keys(): layer[col] = layer[col].fillna(0) layer['sumweight'] = layer['sumweight'] + (layer[col] * zweights[col]) # Calculating Raw Zoonotic Spillover Risk Index layer['raw_idx'] = np.log(layer['e_pop']) * layer['sumweight'] # Normalizing the Index between 0 and 100 layer['zs_idx'] = ((layer['raw_idx'] - layer['raw_idx'].min()) / (layer['raw_idx'].max() - layer['raw_idx'].min()) * 100).round(2) return(layer)

Seuraavassa vasemmalla olevassa kuvassa näkyy Pohjois-Perun testialuekohtauksen kuvaluokituksen aggregointi piirihallinnon tasolle lasketulla metsäalan muutoksella vuosina 2018–2023. Metsien häviäminen on yksi avaintekijöistä, jotka määräävät zoonoosien leviämisriskin. Oikeanpuoleisessa kuvassa korostetaan zoonoosien leviämisriskin vakavuustasoja kattavilla alueilla, jotka vaihtelevat suurimmasta (punainen) pienimpään (tumman vihreä) riskiin. Alue valittiin yhdeksi kuvaluokituksen harjoittelualueeksi, koska kohtauksessa on kuvattu monimuotoinen maapeite, mukaan lukien muun muassa kaupunki, metsä, hiekka, vesi, niityt ja maatalous. Lisäksi tämä on yksi monista kiinnostuksen kohteista mahdollisten zoonoosien leviämisen kannalta metsien hävittämisen ja ihmisten ja eläinten välisen vuorovaikutuksen vuoksi.

Ottamalla käyttöön tämän multimodaalisen lähestymistavan, joka sisältää historialliset tiedot taudinpurkauksista, Maan havainnointitiedot, sosiaaliset tekijät ja ML-tekniikat, voimme paremmin ymmärtää ja ennustaa zoonoosien leviämisriskiä, ​​mikä viime kädessä ohjaa tautien seuranta- ja ehkäisystrategiat alueille, joilla taudinpurkausriski on suurin. Seuraava kuvakaappaus näyttää zoonoosien leviämisriskianalyysin tulosten kojetaulun. Tämä riskianalyysi korostaa, missä resursseja ja seurantaa uusien mahdollisten zoonoosiepidemioiden varalta voi esiintyä, jotta seuraava tauti voidaan hillitä ennen kuin siitä tulee endeeminen tai uusi pandemia.

Uusi lähestymistapa pandemian ehkäisyyn

Vuonna 1998 Nipah-joen varrella Malesiassa syksyn 1998 ja kevään 1999 välisenä aikana 265 ihmistä sai tartunnan tuolloin tuntemattomaan virukseen, joka aiheutti akuutin enkefaliitin ja vakavan hengitysvaikeuden. Heistä 105 kuoli, 39.6 %:n kuolleisuus. Sitä vastoin COVID-19:n hoitamaton kuolleisuusaste on 6.3 %. Sittemmin Nipah-virus, kuten sitä nykyään kutsutaan, on siirtynyt pois metsän elinympäristöstään ja aiheuttanut yli 20 tappavaa epidemiaa, enimmäkseen Intiassa ja Bangladeshissa.

Viruksia, kuten Nipah, ilmaantuu joka vuosi, mikä asettaa haasteita jokapäiväiselle elämällemme, erityisesti maissa, joissa vahvojen, kestävien ja kestävien järjestelmien luominen sairauksien seurantaan ja havaitsemiseen on vaikeampaa. Nämä havaitsemisjärjestelmät ovat ratkaisevan tärkeitä tällaisiin viruksiin liittyvien riskien vähentämisessä.

Ratkaisut, jotka käyttävät ML- ja paikkatietoja, kuten Zoonotic Spillover Risk -indeksi, voivat auttaa paikallisia kansanterveysviranomaisia ​​priorisoimaan resurssien kohdentamista suurimman riskin alueille. Näin tehdessään he voivat ottaa käyttöön kohdennettuja ja paikallisia valvontatoimenpiteitä alueellisten epidemioiden havaitsemiseksi ja pysäyttämiseksi ennen kuin ne leviävät rajojen yli. Tämä lähestymistapa voi merkittävästi rajoittaa taudinpurkauksen vaikutuksia ja pelastaa ihmishenkiä.

Yhteenveto

Tämä viesti osoitti, kuinka HSR.terveys kehitti onnistuneesti zoonoottisen leviämisen riskiindeksin yhdistämällä geospatiaaliset tiedot, terveyden, sosiaaliset tekijät ja ML. Käyttämällä SageMakeria tiimi loi skaalautuvan työnkulun, joka voi paikantaa mahdollisen tulevan pandemian merkittävimmät uhat. Näiden riskien tehokas hallinta voi johtaa maailmanlaajuisen tautitaakan pienenemiseen. Pandemiariskin vähentämisen merkittäviä taloudellisia ja sosiaalisia etuja ei voida liioitella, sillä hyödyt ulottuvat alueellisesti ja maailmanlaajuisesti.

HSR.terveys käytti SageMakerin geospatiaalisia valmiuksia Zoonotic Spillover Risk -indeksin käyttöönotossa ja etsii nyt kumppanuuksia sekä tukea isäntämailta ja rahoituslähteiltä kehittääkseen indeksiä edelleen ja laajentaakseen sen soveltamista muihin alueisiin ympäri maailmaa. Lisätietoja HSR:stä.terveys ja Zoonotic Spillover Risk Index, vieraile www.hsr.health.

Tutustu SageMakerin geospatiaalisiin ominaisuuksiin tutustumalla mahdollisuuksiin integroida Maan havainnointitietoja terveydenhuoltohankkeisiisi. Lisätietoja on kohdassa Amazon SageMakerin geospatiaaliset ominaisuudettai olla yhteydessä lisäesimerkkejä saada käytännön kokemusta.

Tietoja Tekijät

Ajay K Gupta on HSR.healthin perustaja ja toimitusjohtaja, yritys, joka häiritsee ja innovoi terveysriskien analytiikkaa geospatiaalisen tekniikan ja tekoälytekniikoiden avulla ennustaakseen sairauksien leviämistä ja vakavuutta. Ja tarjoaa nämä oivallukset teollisuudelle, hallituksille ja terveydenhuoltoalalle, jotta he voivat ennakoida, lieventää ja hyödyntää tulevia riskejä. Töiden ulkopuolella voit löytää Ajayn mikrofonin räjähtävien tärykalvojen takaa ja soittaa hänen suosikki popmusiikkikappaleitaan U2:lta, Stingiltä, ​​George Michaelilta tai Imagine Dragonsilta.

Jean Felipe Teotonio Jean Felipe on terveydenhuollon laadun ja tartuntatautiepidemiologian intohimoinen lääkäri ja intohimoinen asiantuntija. Hän johtaa HSR.health kansanterveystiimiä. Hän työskentelee kohti yhteistä tavoitetta parantaa kansanterveyttä vähentämällä maailmanlaajuista sairauksien aiheuttamaa taakkaa hyödyntämällä GeoAI-lähestymistapoja kehittääkseen ratkaisuja aikamme suurimpiin terveyshaasteisiin. Työn ulkopuolella hänen harrastuksiaan ovat scifi-kirjojen lukeminen, patikointi, Englannin Premier League ja basson soittaminen.

Paul A kirkkopiha, teknologiajohtaja ja HSR.healthin päägeospatial-insinööri, käyttää laajaa teknistä osaamistaan ​​ja asiantuntemustaan ​​rakentaakseen yrityksen ydininfrastruktuurin sekä sen patentoidun ja patentoidun GeoMD-alustan. Lisäksi hän ja datatieteen tiimi sisällyttävät geospatiaalisen analytiikan ja AI/ML-tekniikat kaikkiin HSR.healthin tuottamiin terveysriskiindekseihin. Työn ulkopuolella Paul on itseoppinut DJ ja rakastaa lunta.

Janosch Woschitz on AWS:n vanhempi ratkaisuarkkitehti, joka on erikoistunut geospatiaaliseen tekoälyyn/ML:ään. Yli 15 vuoden kokemuksella hän tukee asiakkaita maailmanlaajuisesti hyödyntämään tekoälyn ja ML:n innovatiivisia ratkaisuja, jotka hyödyntävät geospatiaalista dataa. Hänen asiantuntemuksensa kattaa koneoppimisen, tietotekniikan ja skaalautuvat hajautetut järjestelmät, ja sitä täydentää vahva tausta ohjelmistosuunnittelussa ja alan asiantuntemus monimutkaisilla aloilla, kuten autonomisella ajolla.

Emmett Nelson on AWS:n tilijohtaja, joka tukee Nonprofit Research -asiakkaita terveydenhuollon ja biotieteiden, maa- ja ympäristötieteiden sekä koulutusalan toimialoilla. Hänen pääpainonsa on mahdollistaa käyttötapaukset analytiikan, tekoälyn/ML:n, korkean suorituskyvyn tietojenkäsittelyn (HPC), genomiikassa ja lääketieteellisessä kuvantamisessa. Emmett liittyi AWS:ään vuonna 2020, ja hänen kotipaikkansa on Austin, TX.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://aws.amazon.com/blogs/machine-learning/how-hsr-health-is-limiting-risks-of-disease-spillover-from-animals-to-humans-using-amazon-sagemaker-geospatial-capabilities/