Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Facendo uso di biomimicry per rilevazione più veloce degli scoppi di malattia

I nostri sistemi immunitari si compongono di miliardi di globuli bianchi che cercano i segni delle infezioni e degli invasori non Xeros, pronti a dare l'allarme.

Gli informatici di Sandia National Laboratories Pat Finley e Drew Levin stanno lavorando per migliorare il sistema di biosurveillance degli Stati Uniti quel le autorità di avvisi agli scoppi di malattia imitando il sistema immunitario umano. Stanno lavorando con i ricercatori all'università di New Mexico e del centri per il controllo e la prevenzione delle malattie.

Il CDC coordina il programma nazionale di sorveglianza di Syndromic. Raccoglie i dati anonymized dalla maggior parte dei pronto soccorsi intorno alla nazione ed analizza gli indicatori di salute pubblica per accelerare la risposta agli eventi ed agli scoppi pericolosi di malattia.

“I servire nazionali del sistema di biosurveillance essenzialmente lo stesso scopo del sistema immunitario umano, appena su vasta scala,„ ha detto Levin, che ha cominciato lavorare al progetto come dottorando di UNM ed è stato assunto da Sandia per continuare il suo lavoro dopo che si è laureato. “Il sistema immunitario si compone di numerose cellule T quei che tutti fanno funzionare indipendente. Non c'è regolatore centralizzato ma facciamo abbastanza bene la morte.„

Il CDC usa le analisi statistiche tradizionali per cercare le anomalie, quale un grande o aumento improvviso nelle visite di ER e determina la probabilità di uno scoppio. Questi algoritmi sono basati su per la matematica affidabile e di decenni ma solitamente soltanto lo sguardo ad una variabile per volta, ha detto Levin.

Più velocemente uno scoppio emergente è individuato, più le vite è salvato; tuttavia, gli non scoppi diminuenti possono sprecare le risorse.

Finley ha detto che il sistema di biosurveillance ha la sfida doppia di rilevazione degli scoppi nuovi di vecchie malattie, quali influenza stagionale come pure gli scoppi di nuove malattie, quale il virus seguente di Zika, un problema molto duro. Tuttavia, è un problema che il sistema immunitario sta funzionando sopra per milioni di anni.

Le cellule T sintetiche riflettono le variabili multiple per gli avvisi sfumati

Le cellule T sono un tipo di globulo bianco che riconoscono ed uccidono le celle infettate da virus ed altri agenti patogeni non Xeros. Riconoscono gli invasori non Xeros dopo avere subito un trattamento “di addestramento„ di negativo-selezione dove ogni cellula T che attacca i somatociti normali si distrugge. All'infuori di questo “addestramento iniziale,„ c'è “cervello„ non centrale che gestisce le cellule T.

Finley ha pensato quello che imita come il lavoro delle cellule T potrebbe accelerare la rilevazione di scoppio. Nel 2015, ha cominciato a collaborare con il sistema immunitario che modella gli esperti a UNM come componente del programma accademico di Alliance di Sandia. Alliance accademico è un'associazione Sandia ha costruito con cinque università per promuovere la ricerca di collaborazione sui problemi duri e per attirare il talento superiore verso lavoro su questi sfide.

“Il sistema immunitario adattabile in vertebrati è uno della maggior parte dei sistemi complessi nella biologia con i trilioni delle celle, dozzine di tipi delle cellule e di molecole di segnalazione,„ ha detto Melanie Mosè, professore dell'informatica e della biologia a UNM in questione nel progetto. “Con la modellistica e la simulazione del computer, capiamo come gli impianti del sistema immunitario che, a lungo termine, possono piombo alle immunoterapie, ai trattamenti di allergia ed ai vaccini migliori. Egualmente fornisce l'inspirazione per la progettazione di altri sistemi decentralizzati per sorveglianza e la protezione.„

Lavorando insieme, il gruppo ha creato il sintetico, “cellule T„ matematiche quello sguardo alle variabili differenti multiple allo stesso tempo, quali il numero delle visite della clinica, il giorno dell'anno e la temperatura dell'assunzione. Poi, imitando la procedura di selezione negativa a cellula T, Levin ha eseguito gli algoritmi a cellula T sintetici contro i dati passati raccolti dal CDC e dal ministero del New Mexico della sanità. Ha confrontato gli algoritmi ed ha selezionato il più accurato.

Nel 2016, gli esami iniziali su un sistema su scala pilota di biosurveillance hanno provato che le cellule T sintetiche di Levin hanno eseguito meglio dei metodi statistici tradizionali, hanno detto Finley. Inoltre, perché le cellule T sintetiche tengono la carreggiata intrinsecamente le variabili multiple, potrebbero fornire gli avvisi più sfumati, come separazione dello scoppio di nuova malattia dall'influenza stagionale, ha detto.

da apprendimento automatico ispirato da cervello migliora il reclamo principale che decifra

Il primo pezzo di dati che il CDC riceve da ogni visita di pronto soccorso è chiamato il reclamo principale. Ciò è un'istruzione concisa che descrive perché un paziente è andato al pronto soccorso o alla clinica, prima che abbiano veduto un medico e siano stati diagnosticati. I reclami principali variano “da dolore toracico„ e “da febbre i tre giorni„ alle abbreviazioni specializzate.

Queste istruzione concise sono piene di gergo medico e perfino delle parole sbagliate l'ortografia di, rendendoli difficili decifrare dalle ricerche di parola chiave semplici o dall'inesperto. Inoltre, molte parole descrivono gli stessi sintomi, quali febbre, il piccante, la temperatura ed i freddi.

Le società della tecnologia stanno usando in profondità l'apprendimento per i problemi del linguaggio naturale simili di trattamento. In profondità imparare è da apprendimento automatico ispirato da cervello che eccelle a trovare i reticoli senza esplicitamente essere programmata su cui da cercare. Un tale algoritmo, chiamato Word2vec, converte il contesto delle parole in vettori matematici.

Quando Levin ha eseguito l'algoritmo di Word2vec sui dati principali anonymized di reclamo raccolti dal ministero del New Mexico della sanità, ha superato una ricerca di parola chiave standard come pure altri algoritmi di apprendimento automatico avanzati. Tuttavia, ancora ha avuto difficoltà con le parole e le abbreviazioni sbagliate l'ortografia di.

Per lavorare intorno a questo, Levin ha provato due ha collegato gli algoritmi della rete neurale: uno che converte le lettere in vettori ed un altro che converta le parole in vettori casuali. L'algoritmo che ha convertito le parole in casuale, o il non addestrato, vettori era più accurati, possibilmente perché gli antonimi preparati dei posti di algoritmo di Word2vec troppo vicino insieme nello spazio vettoriale, hanno detto Levin.

Sebbene la più ottimizzazione sia necessaria, l'algoritmo d'apprendimento del gruppo per decifrare i reclami principali potrebbe essere particolarmente utile per l'epidemia dell'opioide, ha detto Finley. Ha aggiunto, “nuovi termini per le droghe di via tende a sembrare molto più rapidamente della comunità di salute pubblica realizza. Se troviamo che una parola strana sta schioccando su molto in un'area, potrebbe essere una nuova varietà di fentanil.„

Futuro dei centri distribuiti di biosurveillance

I linfonodi si distribuiscono in tutto l'organismo e fungono da hub del sistema immunitario, cuneo in pieno delle cellule T e linfociti B che producono gli anticorpi per combattere fuori le infezioni.

Finley ed il suo gruppo stanno cominciando appena ad esplorare come imitare i linfonodi potrebbe migliorare il sistema di biosurveillance. Finley crede che sia stato particolarmente utile nella rilevazione degli scoppi di malattie regionali come la malattia di Lyme, la peste e Hantavirus. Inoltre, gli algoritmi distribuiti di rilevazione potrebbero essere più efficienti oltrepassando i limiti cui i computer della legge di Moore ora stanno funzionando su contro, Levin aggiunto del consumo di energia e di fisico medica.

“Stiamo lavorando molto attentamente con il CDC per verificare una serie di nostri approcci d'apprendimento profondi su un sottoinsieme del flusso di dati nazionale,„ ha detto Finley.

Il suo scopo è di fare il suo installare da ora ad ottobre sistema biologicamente ispirato per permettere parallelamente i confronti con i metodi statistici tradizionali al disgaggio nazionale. Crede che gli approcci differenti abbiano resistenze differenti e combinarle miglioreranno la velocità e l'accuratezza di rilevazione di scoppio.

Questa ricerca è stata costituita un fondo per dal programma diretto in laboratorio di ricerca e sviluppo di Sandia. Gli informatici di Sandia Walt Beyeler e Michael Mitchell ed il collega postdottorale Tatiana Flanagan di UNM egualmente hanno lavorato al progetto, mettente a fuoco sull'algoritmo distribuito d'imitazione di rilevazione della linfa.

“Questo progetto con Sandia ci ha fornito un'opportunità di verificare l'applicazione pratica dei concetti che abbiamo imparato dai nostri modelli,„ ha detto Mosè. “Infine, questo progetto piombo ad una comprensione più completa del sistema immunitario come pure ad un senso pratico identificare e rispondere rapidamente agli scoppi di malattia e ad altre minacce biologiche.„