یک ابزار هوش مصنوعی که در سال ۲۰۲۲ توسط مرکز ملی کنترل بیماری‌ها (NCDC) به کار گرفته شد، طبق یک مطالعه ممکن است از زمان نصب تاکنون به صدور بیش از ۵ هزار هشدار درباره شیوع بیماری‌های عفونی برای مقامات بهداشت، آن هم به صورت آنی و در لحظه، کمک کرده باشد.

این ابزار که با نام (Health Sentinel) شناخته می‌شود و توسط شرکت WadhwaniAI ارائه‌دهنده راه‌حل‌های هوش مصنوعی در حوزه سلامت در دهلی نو  توسعه یافته، بنا بر یافته‌هایی که در قالب یک مقالهٔ پیش‌چاپ منتشر شده و هنوز داوری همتا نشده است، توانسته تا ۹۸ درصد از حجم کار دستی را کاهش دهد و امکان تشخیص سریع‌تر شیوع بیماری و پاسخ فعالانه‌تر بهداشت عمومی را فراهم کند.

حدود ۲۰۰ کشور طبق مقررات بین‌المللی بهداشت (IHR) موظف‌اند یک سیستم ملی پایش بیماری داشته باشند. IHR و سازمان جهانی بهداشت در کنار هم برای حفاظت از امنیت سلامت جهانی فعالیت می‌کنند. در هند، گزارش‌های خبری چاپی، الکترونیکی و آنلاین توسط ابزار «پایش و راستی‌آزمایی رسانه‌ای» در چارچوب برنامه یکپارچه پایش بیماری‌ها (IDSP) برای شناسایی رویداد‌های غیرعادی سلامت اسکن می‌شود و در صورت نیاز برای اقدام بعدی با مقامات ذی‌ربط به اشتراک گذاشته می‌شود.

ابزار «Health Sentinel» هر روز گزارش‌ها و مقالات خبری را در ۱۳ زبان اسکن می‌کرد. نویسندگان مطالعه نوشتند: «از آوریل ۲۰۲۲ تاکنون، Health Sentinel بیش از ۳۰۰ میلیون مقالهٔ خبری را پردازش و بیش از ۹۵ هزار رویداد منحصر‌به‌فرد سلامت را در سراسر هند شناسایی کرده است که از میان آنها بیش از ۳۵۰۰ رویداد (۴ درصد) توسط متخصصان بهداشت عمومی در NCDC به عنوان رویداد‌های بالقوهٔ شیوع بیماری برگزیده شده‌اند.»

نویسندگان از WadhwaniAI به خبرگزاری PTI گفتند که بین آوریل ۲۰۲۲ تا آوریل ۲۰۲۵، بیش از ۵ هزار هشدار لحظه‌ای برای مقامات بهداشت در سراسر هند ارسال شده است.

پاراگ گوویل، مسئول ملی برنامه امنیت سلامت جهانی در WadhwaniAI، به PTI گفت: «به‌طور سنتی، شناسایی رویداد‌های احتمالی بیماری گزارش‌شده در رسانه‌ها مستلزم اسکن دستی روزنامه‌ها، مجلات و گزارش‌ها برای یافتن مقالات مربوطه بود.»
او افزود: «معرفی راه‌حل Health Sentinel این فرآیند دستی را جایگزین کرده، در حالی که همچنان رویکرد انسان در حلقه را حفظ کرده است؛ جایی که اپیدمیولوژیست‌ها پیش از ارسال اطلاعات برای مسئولان استانی و منطقه‌ای، فرایند راستی‌آزمایی ضروری را انجام می‌دهند.»

رویکرد‌های سنتی پایش بیماری بر «گزارش‌دهی منفعلانه» تکیه دارند؛ یعنی بررسی گزارش‌های پزشکان و ارائه‌دهندگان خدمات سلامت. با این حال، پایش منابع غیررسمی مانند رسانه‌های آنلاین برای شناسایی شیوع بیماری‌ها محبوبیت بیشتری پیدا کرده است، اما با افزایش حجم مقالات منتشرشده، کارِ دستیِ غربال‌گری رسانه‌ای بسیار سنگین و عملاً غیرعملی شده است.

نویسندگان (که شامل پژوهشگران NCDC نیز هستند) ابزار Health Sentinel را پیشنهاد داده‌اند که با استفاده از هوش مصنوعی، اطلاعات مربوط به رویداد‌های غیرعادی سلامت یا شیوع بیماری را از مقالات خبری استخراج می‌کند.

مقامات بهداشت و اپیدمیولوژیست‌های دولتی تشخیص داده‌اند که خودکارسازی غربالگری دستی، همراه با تشخیص سریع‌تر شیوع بیماری و توانایی پردازش چندزبانه، از نیاز‌های مهم برای تقویت پایش رسانه‌محور بیماری در کشور بوده است.

تیم تحقیقاتی افزایش ۱۵۰ درصدی در تعداد رویداد‌های منتشرشده از سال ۲۰۲۲ نسبت به سال‌های قبل از آن (با سیستم انسانی) مشاهده کرد. همچنین، ۹۶ درصد رویداد‌های سلامت منتشرشده توسط سیستم پایش ملی در سال ۲۰۲۴ توسط ابزار هوش مصنوعی استخراج شده بودند  و فقط ۴ درصد از طریق اسکن دستی رسانه.

مطالعات پیشین نشان داده‌اند که تقویت پایش سنتی با بررسی محتوای آنلاین  از جمله اخبار یا پست‌های شبکه‌های اجتماعی می‌تواند به بهبود تشخیص شیوع بیماری‌های عفونی کمک کند.

در یک مطالعه که در فوریه در مجله پژوهش پزشکی هند منتشر شد، یک سیستم پایش مبتنی بر رویداد به‌صورت آزمایشی در شش بیمارستان خصوصی در منطقه کاساراگود ایالت کرالا اجرا شد. پژوهشگران مؤسسه ملی اپیدمیولوژی ICMR در چنای و مقامات بهداشت ایالتی و منطقه‌ای، الگوریتمی طراحی کردند که پرونده بیماران بستری با بیماری تب‌دار حاد (AFI) را تحلیل می‌کرد تب‌هایی که می‌توانند تا دو هفته ادامه داشته باشند.

علائم مورد توجه، مانند AFI همراه با بثورات یا خونریزی، با استفاده از خوشه‌بندی فضایی زمانی بیماران یا مرگ‌ومیر‌ها شناسایی شد.

بین مه تا دسامبر ۲۰۲۳، حدود سه‌چهارم از بیش از ۴۵۰۰ بیمار دارای AFI به‌وسیله این الگوریتم تحلیل شدند. از میان ۸۸ خوشه شناسایی‌ شده 76درصد مربوط به بیماری شدید حاد تنفسی بود، ۱۰درصد به سندرم التهاب حاد مغزی و ۹درصد به AFI همراه با بثورات بوده است.  در ادامه، ۱۰ خوشه به عنوان رویداد تأیید شد که ۹ مورد آن به‌عنوان شیوع بیماری طبقه‌بندی شد؛ از جمله دنگی و کووید–۱۹.

نویسندگان افزودند:«پایش مبتنی بر رویداد (EBS) در مراکز درمانی خصوصی، سیستم سنتی را با تشخیص زودهنگام شیوع بیماری‌ها تکمیل کرد. این مدل می‌تواند در سایر مناطق، به‌ویژه در نواحی با خطر بالای سرریز بیماری‌های زئونوز، قابل اجرا باشد.»

یک مرور در سال ۲۰۲۰ در Journal of Biomedical Informatics که ۱۴۸ مقاله منتشرشده در سال‌های ۲۰۱۰ تا ۲۰۱۹ درباره پایش سلامت در شبکه‌های اجتماعی را بررسی کرد، نشان داد ۲۶ مقاله از ScienceDirect و PubMed از یادگیری ماشین برای پایش استفاده کرده بودند.

حدود یک‌چهارم مقالات بر پایش آنفلوآنزا یا بیماری‌های شبیه آنفلوآنزا تمرکز داشتند.

توئیتر محبوب‌ترین منبع داده برای پژوهش‌های پایش بیماری بود. نویسندگان از دانشگاه فناوری دهلی نوشتند:«گنجاندن داده‌های آنلاین در سیستم‌های پایش، توانایی پیش‌بینی بیماری را نسبت به سیستم‌های پایش بالینی/سندرمی سنتی بهبود داده است.»

به گزارش (business-standard) در مطالعه دیگری که در سال ۲۰۱۷ در American Journal of Tropical Medicine and Hygiene منتشر شد، نشان داده شد که داده‌های مقالات خبری می‌تواند در جبران تأخیرهای موجود در دریافت داده‌های رسمی درباره آمار موارد تأییدشده بیماری‌هایی مانند تب دنگی نقش کمک‌کننده داشته باشد.