Google và Harvard thử nghiệm phương pháp học máy về an toàn thực phẩm

0
6

            Một mô hình dịch tễ học y tế kỹ thuật số mới sử dụng cách tiếp cận dựa trên dữ liệu đối với các bệnh truyền qua thực phẩm cho thấy kết quả đầy hứa hẹn.
        

            
                                                                             
            
            

 foodaladistock-595757428kondor83.jpg "width =" 770 "/> </span><figcaption>
<p>
                                            Hình ảnh: Kondor83, Hình ảnh Getty / iStockphoto<br />
                                        </p>
</figcaption></figure>
<p> Hệ thống báo cáo ngộ độc thực phẩm là công nghệ thấp đáng ngạc nhiên; đối với hầu hết các sở y tế công cộng ở Mỹ, nếu bạn muốn báo cáo vấn đề tại nhà hàng, bạn có thể gửi email hoặc gọi trong báo cáo. Chẳng hạn, thành phố New York có hình thức gì / ở đâu / ai để khiếu nại. </p>
<p> Một nhóm nghiên cứu tại Google và Harvard T.H. Trường Y tế Công cộng Chan đã thử nghiệm một cách mới để phát hiện các bệnh truyền qua thực phẩm nhanh chóng và chính xác hơn bằng cách sử dụng kết hợp các truy vấn tìm kiếm và dữ liệu vị trí. "Dịch tễ học máy học: phát hiện thời gian thực về bệnh truyền qua thực phẩm ở quy mô" đã được xuất bản trên npj: Digital Medicine vào tháng 11 năm 2018. Bài báo giải thích cách xây dựng mô hình dựa trên dữ liệu để xác định các nhà hàng có khả năng vi phạm mã sức khỏe. </p>
<p> Nhóm nghiên cứu đã xây dựng một mô hình học máy có tên là FINDER được thiết kế để dự đoán bệnh truyền qua thực phẩm trong thời gian thực. Nhóm nghiên cứu từ Google và Harvard đã sử dụng dữ liệu vị trí và tìm kiếm tổng hợp ẩn danh để tìm ra nhà hàng nào vi phạm an toàn thực phẩm có thể khiến mọi người bị bệnh. Phương pháp hướng tới này có tiềm năng thay thế cách tiếp cận phổ biến sử dụng các báo cáo sau thực tế từ người tiêu dùng cá nhân và hai lần một năm kiểm tra nhà hàng của các sở y tế ở Mỹ. </p>
<p> <strong> XEM: Cách triển khai AI và học máy (báo cáo đặc biệt của ZDNet) | Tải xuống phiên bản PDF miễn phí (TechRepublic) </strong> </p>
<h2> Phát hiện nhà hàng không an toàn sớm hơn: Cách thức hoạt động của FINDER </h2>
<p> Trước tiên, FINDER tìm kiếm các truy vấn tìm kiếm cho thấy một người bị ngộ độc thực phẩm. Mô hình sử dụng học máy để xác định tất cả các triệu chứng ngộ độc thực phẩm được mô tả bởi người dùng tìm kiếm Google. Bước tiếp theo là tìm kiếm các nhà hàng mà những cá nhân đã ghé thăm bằng cách sử dụng lịch sử vị trí ẩn danh. Dữ liệu này từ nhật ký tìm kiếm và vị trí xuất phát từ những người dùng đã chọn chia sẻ dữ liệu vị trí của họ. </p>
<p> Để lọc tiếng ồn vốn có trong các truy vấn tìm kiếm, nhóm nghiên cứu mô tả "phân loại bảo mật máy được giám sát bảo mật" mà họ đã sử dụng. Kỹ thuật này tính đến kết quả của truy vấn, kết quả mà người tìm kiếm đã nhấp vào và nội dung của các trang mà người dùng đã xem là kết quả của tìm kiếm. </p>
<p> <strong> XEM: Tương lai của thực phẩm ( Tính năng đặc biệt của ZDNet / TechRepublic) </strong> </p>
<p> Để đánh giá sức mạnh của FINDER, nhóm nghiên cứu đã thử nghiệm hệ thống ở Chicago và Las Vegas trong khoảng bốn tháng tại mỗi thành phố. Mỗi buổi sáng, các thanh tra thành phố được cung cấp một danh sách các nhà hàng sẽ ghé thăm bao gồm một số được xác định bởi FINDER. Thanh tra sau đó kiểm tra các nhà hàng để xác định vi phạm mã sức khỏe. Trong quá trình nghiên cứu, các sở y tế cũng tiếp tục với lịch kiểm tra thông thường của họ. </p>
<p> Nghiên cứu bao gồm bốn bộ dữ liệu: </p>
<ul>
<li> Tất cả các kiểm tra nhà hàng không được nhắc nhở bởi FINDER (đường cơ sở) </li>
<li> Kiểm tra theo lịch trình thường xuyên (thường xuyên) </li>
<li> Kiểm tra được nhắc nhở bởi khiếu nại (khiếu nại) ) </li>
<li> Các cuộc kiểm tra được đề xuất bởi FINDER (công cụ tìm) </li>
</ul>
<p> Tại Chicago, đã có 5,880 cuộc kiểm tra trong quá trình nghiên cứu, với 71 lần được phân tích bởi FINDER. Ở Las Vegas, đã có 5.038 cuộc kiểm tra với 61 lần được FINDER nhắc nhở. Bài kiểm tra phân tích học máy là liệu nó có tốt hơn các giao thức của bộ y tế tiêu chuẩn tại các nhà hàng không an toàn hay không. </p>
<p> Khoảng một nửa số nhà hàng mà FINDER đã gắn cờ là không an toàn khi kiểm tra. Trong nhóm kiểm tra cơ bản, 25% nhà hàng không an toàn. FINDER đã làm tốt hơn trong việc xác định các nhà hàng trong danh mục rủi ro thấp hơn trong danh mục rủi ro cao. </p>
<h2> Máy móc đánh bại con người một lần nữa </h2>
<p> Nhóm nghiên cứu cũng so sánh kết quả kiểm tra được đề xuất bởi TÌM KIẾM để kiểm tra nhắc nhở bởi khiếu nại của khách hàng. Bởi vì nhiều khách hàng của nhà hàng ở Las Vegas là khách du lịch, số lượng khiếu nại ở thành phố đó rất thấp; vì lý do đó, phần phân tích này chỉ bao gồm các khiếu nại từ Chicago. Các nhà hàng được xác định bởi FINDER có nhiều khả năng được chỉ định không an toàn hơn so với các nhà hàng khiếu nại. Các nhà nghiên cứu kết luận rằng FINDER mạnh hơn các khiếu nại cá nhân vì phương pháp học máy tổng hợp thông tin từ nhiều người ăn cùng một nhà hàng. </p>
<p> FINDER cũng tránh sai lệch thu hồi có thể ảnh hưởng đến các hệ thống báo cáo dựa trên khiếu nại. Nhớ lại sự thiên vị xảy ra khi một người không nhớ chính xác các sự kiện hoặc trải nghiệm trước đó hoặc bỏ qua các chi tiết do thời gian trôi qua. Ví dụ, nhớ lại thiên vị là một rủi ro khi một người bị ngộ độc thực phẩm một tuần và khiếu nại tại sở y tế vào tuần sau. Kinh nghiệm mà người đó đã có từ khi đến một nhà hàng cụ thể và thời gian trôi qua có thể đã ảnh hưởng đến trí nhớ của người đó về nhà hàng đó. </p>
<p> <strong> XEM: Teleménine, AI, và học sâu đang cách mạng hóa việc chăm sóc sức khỏe (miễn phí PDF) (TechRepublic) </strong> </p>
<p> Mô hình học máy này là ví dụ gần đây nhất về dịch tễ học y tế kỹ thuật số. Marcel Saledit, giáo sư tại Viện Công nghệ Liên bang Thụy Sĩ, đã mô tả sự khác biệt giữa phương pháp mới này và phương pháp truyền thống để khám phá nguyên nhân gây bệnh trong dân số. Thay vì một thanh tra y tế đến tận nhà để hỏi các cá nhân về nguồn thực phẩm hoặc nước của họ, phiên bản sức khỏe kỹ thuật số này của công việc thám tử bệnh sử dụng dữ liệu được tạo ra bên ngoài hệ thống y tế công cộng. Với ví dụ FINDER, nguồn dữ liệu là các truy vấn tìm kiếm thay vì khảo sát sức khỏe cá nhân. </p>
<h2> Chiến đấu với trận chiến "chúng tôi luôn làm theo cách đó" </h2>
<p> Thật khó để các sở y tế thực hiện việc chuyển sang cách tiếp cận dựa trên dữ liệu về an toàn thực phẩm, ít nhất là dựa trên kinh nghiệm của Chicago. Vào năm 2014, những người trong Bộ Công nghệ và Sáng tạo của Chicago đã xây dựng một thuật toán tương tự như FINDER. Nó đã sử dụng dữ liệu có sẵn công khai để dự đoán nhà hàng nào có khả năng vi phạm mã sức khỏe nhất, dựa trên thông tin từ các vi phạm được ghi lại trước đó. Cách tiếp cận này cũng sử dụng các công nghệ khai thác phương tiện truyền thông xã hội và dự đoán bệnh tật để nhắm mục tiêu kiểm tra. Nó hoạt động: Thuật toán tìm thấy vi phạm khoảng 7,5 ngày trước khi quy trình kiểm tra thông thường đã làm. </p>
<p> Mục tiêu của dự án là giúp các bộ y tế khác dễ dàng áp dụng phương pháp này. Nhóm Chicago đã đăng mã dự án trên GitHub. Ban đầu chỉ có một bộ phận y tế khác thử nghiệm hệ thống mới. Rào cản ban đầu, việc thay đổi cách tiếp cận tiêu chuẩn đối với việc kiểm tra nhà hàng, dường như quá cao để áp dụng rộng rãi. </p>
<p> Các tác giả nghiên cứu từ Google và Harvard cho biết các sở y tế công cộng không có đủ thanh tra để thực hiện một thử nghiệm rộng hơn về các khuyến nghị của FINDER: "băng thông hạn chế do các sở y tế thành phố / quận cung cấp cho chúng tôi … đã hạn chế số lần kiểm tra mà FINDER có thể đề xuất trong một thành phố nhất định. "</p>
<p> Mô hình FINDER vẫn đang trong giai đoạn nghiên cứu và không có sẵn công khai cho các sở y tế vào thời điểm này. Các tác giả nghiên cứu nói rằng dữ liệu từ các công cụ tìm kiếm khác bao gồm lịch sử vị trí có thể tạo ra các thuật toán tương tự và có thể tạo ra kết quả tương đương. </p>
<h2> Khám phá các ứng dụng mới </h2>
<p> Tomer Shekel, giám đốc sản phẩm cao cấp của Google, cho biết đang làm việc với Trường Y tế Công cộng Harvard và các cơ quan khác để tiếp tục nghiên cứu trong lĩnh vực này. Shekel nói rằng nhóm nghiên cứu đang tìm kiếm những thách thức sức khỏe cộng đồng khác có thể được giải quyết bằng phương pháp dịch tễ học kỹ thuật số. </p>
<p> "Dữ liệu vị trí thể hiện một nguồn thông tin phong phú và không phải giới hạn ở các cơ sở kinh doanh", ông nói. "Chúng ta cũng có thể lý giải không gian ở cấp độ công viên hoặc quận." </p>
<p> Nhóm Harvard / Google đang xem xét các bệnh truyền qua vector và tác động của chất lượng không khí đến sức khỏe con người là chủ đề nghiên cứu tiềm năng. Muỗi, ve, bọ xít, bọ cánh cứng và đom đóm truyền bệnh truyền qua vector. </p>
<p> <strong> XEM: Các khóa học máy miễn phí từ Google, Amazon và Microsoft: Họ cung cấp những gì? (Tech Pro Research) </strong> </p>
<p> Ưu điểm lớn nhất của FINDER và các công cụ dịch tễ học kỹ thuật số khác có thể là khả năng giúp các thanh tra thực phẩm làm việc hiệu quả hơn. Công cụ FINDER có thể "xếp hạng rủi ro tương đối của tất cả các nhà hàng trong thành phố và do đó có thể cung cấp danh sách đáng kể hơn các nhà hàng có vấn đề cho các thành phố trong tương lai để ưu tiên kiểm tra." </p>
<p> Ngân sách và nhân viên luôn bị thiếu tại các sở y tế công cộng trên toàn quốc, việc tự động hóa bất kỳ phần nào của quy trình kiểm tra có thể giúp các thanh tra viên nhắm mục tiêu vào các nhà hàng rất có thể có vấn đề và ngăn người ta khỏi bệnh ngay từ đầu. </p>
<div class=                                         

                        

                    

                        

Bản tin hay nhất trong tuần

                        

                            Các biên tập viên của chúng tôi nêu bật các bài báo, phòng trưng bày và video của TechRepublic mà bạn hoàn toàn không thể bỏ lỡ để cập nhật tin tức, đổi mới và mẹo mới nhất về CNTT.
                            Thứ sáu
                        

                        
                                
 Hãy đăng ký ngay hôm nay
                        

                    

                

Cũng xem

LEAVE A REPLY

Please enter your comment!
Please enter your name here