Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Usando biomimicry para una detección más rápida de los brotes de la enfermedad

Nuestros sistemas inmunes se componen de mil millones de glóbulos blancos que exploran para los signos de infecciones y de invasores no nativos, listos para aumentar la alarma.

Los informáticos de Sandia National Laboratories Pat Finley y Drew Levin han estado trabajando para perfeccionar el sistema del biosurveillance de los E.E.U.U. ese las autoridades de las alarmas a los brotes de la enfermedad imitando el sistema inmune humano. Están trabajando con los investigadores en la universidad de New México y de los centros para el control y prevención de enfermedades.

La CDC coordina el programa nacional de la vigilancia de Syndromic. Cerco datos anonymized de la mayoría de los departamentos de emergencia alrededor de la nación y analiza indicadores de la salud pública para acelerar la reacción a las acciones y a los brotes peligrosos de la enfermedad.

“Los servicios nacionales del sistema del biosurveillance esencialmente el mismo propósito que el sistema inmune humano, apenas en una escala más grande,” dijo a Levin, que comenzó a trabajar en el proyecto como estudiante de tercer ciclo de UNM y fue empleado por Sandia para continuar su trabajo después de que él graduara. “El sistema inmune se compone de T-células numerosas esos que todo opera independientemente. No hay controlador aéreo centralizado pero hacemos bastante bien la muerte.”

La CDC utiliza análisis estadísticos tradicionales para buscar anomalías, tales como un aumento grande o súbito en visitas del ER, y determina la probabilidad de un brote. Estos algoritmos se basan en matemáticas segura, de hace décadas pero generalmente solamente la mirada en una variable al mismo tiempo, dijo a Levin.

Cuanto se salva más rápidamente un brote emergente se descubre, más las vidas; sin embargo, los no-brotes que señalan por medio de una bandera pueden perder recursos.

Finley dijo que el sistema del biosurveillance tiene el reto doble de descubrir nuevos brotes de viejas enfermedades, tales como gripe estacional, así como brotes de nuevas enfermedades, tales como el virus siguiente de Zika, un problema muy resistente. Sin embargo, es un problema que el sistema inmune ha estado trabajando conectado para millones de años.

Las T-células sintetizadas vigilan las variables múltiples para las alarmas llenas de matices

las T-células son un tipo de glóbulo blanco que reconocen y matan a las células virus-infectadas y a otros patógeno no nativos. Reconocen a los invasores no nativos después de experimentar un proceso del “entrenamiento” de la negativo-selección donde se destruye cada linfocito T que ataque las células de carrocería normales. Con excepción de este “entrenamiento inicial,” hay “cerebro no central” que controla las T-células.

Finley pensó eso que imitaba cómo el trabajo de las T-células pudo acelerar la detección del brote. En 2015, él comenzó a colaborar con el sistema inmune que modelaba a expertos en UNM como parte del programa académico de Alliance de Sandia. Alliance académico es una sociedad Sandia ha construido con cinco universidades para ascender la investigación colaborativa sobre problemas resistentes y para atraer talento superior al trabajo sobre éstos los retos.

“El sistema inmune adaptante en vertebrados es uno de los sistemas más complejos de la biología con trillones de células, las docenas de célula pulsan y las moléculas de la transmisión de señales,” dijo a Melanie Moses, profesor de informática y biología en UNM implicado en el proyecto. “Con el modelado y la simulación de la computador, entendemos cómo los trabajos del sistema inmune que, a largo plazo, pueden llevar a las inmunoterapias, a los tratamientos de la alergia y a las vacunas perfeccionados. También ofrece la inspiración para el diseño de otros sistemas descentralizados para la vigilancia y la protección.”

Trabajando juntas, las personas crearon el sintético, “T-células matemáticas” esa mirada en diversas variables múltiples al mismo tiempo, por ejemplo el número de visitas de la clínica, el día del año y la temperatura de la admisión. Entonces, imitando el proceso de selección negativo del linfocito T, Levin funcionó con los algoritmos sintetizados del linfocito T contra los últimos datos cerco por la CDC y el departamento de New México de la salud. Él comparó los algoritmos y seleccionó el más exacto.

En 2016, las pruebas iniciales en un sistema del biosurveillance de la piloto-escala mostraron que las T-células sintetizadas de Levin se realizaron mejor que los métodos estadísticos tradicionales, dijeron a Finley. También, porque las T-células sintetizadas rastrean variables múltiples intrínseco, podrían ofrecer alarmas más llenas de matices, tales como separación de un brote de una nueva enfermedad de gripe estacional, él dijo.

el aprendizaje de máquina Cerebro-inspirado perfecciona la principal denuncia que descifra

El primer pedazo de datos que la CDC recibe de cada visita de sala de urgencias se llama la principal denuncia. Esto es una declaración sucinta que describe porqué un paciente ha ido a la sala o a la clínica de urgencias, antes de que hayan visto a un doctor y se hayan diagnosticado. Las principales denuncias colocan de “dolor de pecho” y de “fiebre tres días” a las abreviaturas especializadas.

Estas declaraciones concisas son completas de jerga médica e incluso de palabras deletreadas mal, haciéndolas difíciles descifrar por búsquedas de palabra clave simples o por el inexperto. También, muchas palabras describen los mismos síntomas, tales como fiebre, caliente, temperatura y moldes.

Las compañías de la tecnología han estado utilizando profundamente el aprendizaje para los problemas similares del tramitación de lenguaje natural. Profundamente el aprendizaje es el aprendizaje de máquina cerebro-inspirado que sobresale en encontrar configuraciones sin explícitamente la programación en qué a buscar. Un tal algoritmo, llamado Word2vec, convierte el contexto de palabras en vectores matemáticos.

Cuando Levin funcionó con el algoritmo de Word2vec en los principales datos anonymized de la denuncia cerco por el departamento de New México de la salud, superó una búsqueda de palabra clave estándar, así como otros algoritmos de aprendizaje avanzados de máquina. Sin embargo, todavía tenía problemas con palabras y abreviaturas deletreadas mal.

Para trabajar alrededor de esto, Levin intentó dos algoritmos relacionados de la red neuronal: uno que convierte cartas en vectores y otro que convierte palabras en vectores al azar. El algoritmo que convirtió palabras en al azar, o el inexperimentado, los vectores era los más exactos, posiblemente porque los antónimos entrenados de los lugares del algoritmo de Word2vec demasiado cerca junto en espacio de vector, dijeron a Levin.

Aunque más optimización es necesaria, el algoritmo de profundo-aprendizaje de las personas para descifrar principales denuncias podría ser determinado útil para la epidemia del opiáceo, dijo a Finley. Él agregó, los “nuevos términos para las drogas de calle tiende a aparecer mucho más rápidamente que la comunidad de la salud pública realiza. Si encontramos que una palabra extraña está surgiendo mucho en un área, podría ser una nueva variedad de fentanilo.”

Futuro de los centros distribuidos del biosurveillance

Los ganglios linfáticos se distribuyen en la carrocería y actúan como los cubos del sistema inmune, el calzo por completo de T-células y las B-células que producen los anticuerpos para luchar lejos infecciones.

Finley y sus personas apenas están comenzando a explorar cómo imitar ganglios linfáticos pudo perfeccionar el sistema del biosurveillance. Finley cree que sería determinado útil en descubrir brotes de enfermedades regionales como la enfermedad de Lyme, la plaga y Hantavirus. También, los algoritmos distribuidos de la detección podrían ser más eficientes sobrepasando los límites contra los cuales las computadores de la ley de Moore ahora se están ejecutando hacia arriba, Levin adicional del consumo de la comprobación y de energía.

“Estamos trabajando de cerca con la CDC para probar varias nuestras aproximaciones de aprendizaje profundas en un subconjunto del flujo de datos nacional,” dijo a Finley.

Su meta es hacer que su sistema biológico inspirado fije en octubre para permitir de lado a lado comparaciones con los métodos estadísticos tradicionales en la escala nacional. Él cree que las diversas aproximaciones tendrán diversas fuerzas, y combinarlas perfeccionarán la velocidad y la exactitud de la detección del brote.

Esta investigación fue financiada por el programa controlado en laboratorio de la investigación y desarrollo de Sandia. Los informáticos de Sandia Walt Beyeler y Michael Mitchell y el becario postdoctoral Tatiana Flanagan de UNM también trabajaron en el proyecto, centrándose en el algoritmo distribuido de la detección de la linfa sistema-que imitaba.

“Este proyecto con Sandia ha proveído de nosotros una oportunidad de probar el uso práctico de los conceptos que hemos aprendido de nuestros modelos,” dijo a Moses. “Final, este proyecto llevará a una comprensión más completa del sistema inmune, así como a una manera práctica de determinar y de responder rápidamente a los brotes de la enfermedad y a otras amenazas biológicas.”