Google uchroni nas przed wizytą w restauracji, gdzie możemy ulec zatruciu pokarmowemu. Internetowy gigant wraz z naukowcami z Harvard T.H. Chan School of Public Health opracował model komputerowy, który wykorzystując dane użytkowników pozwala skojarzyć niepokojące objawy żołądkowe z konkretnymi restauracjami, wdrożyć kontrolę i zapobiec problemom ewentualnych kolejnych klientów nieporównanie szybciej, niż byłyby to w stanie uczynić tradycyjne działania służb sanitarnych. Pracę na ten temat opublikowano właśnie na stronie internetowej czasopisma "Digital Medicine".

To kolejny przypadek, kiedy Google korzystając z naszych prywatnych danych oferuje nam informacje, które - podobnie jak w przypadku korków na drodze - mogą nam się przydać. Tym razem wykorzystuje dane geolokalizacyjne telefonów, sprawdza gdzie ich właściciele spędzali czas i kojarzy je z późniejszym wyszukiwaniem takich haseł, jak biegunka, wymioty, czy ból brzucha, by przekazać odpowiednim służbom informacje o podejrzanym lokalu niemal w czasie rzeczywistym.

Dotychczasowe procedury, w których klienci zgłaszają do władz sanitarnych zażalenie, w lokalu jest prowadzona kontrola, której skutki owocują oficjalnym ostrzeżeniem, są bardzo długie. Teraz identyfikacja przypadków ewentualnych zaniedbań sanitarnych będzie łatwiejsza, szybsza i dokładniejsza.

Zatrucia pokarmowe to wciąż dość powszechny i kosztowny problem, nowa technologia pomoże służbom sanitarnym i samym restauratorom wykrywać ewentualne problemy znacznie szybciej, niż dotąd, zanim jeszcze staną się większym zagrożeniem dla zdrowia publicznego - mówi prof. Ashish Jha z Harvard Chan School i Harvard Global Health Institute.

Model, oparty na tak zwanym uczeniu maszynowym był testowany w Chicago od listopada 2016 roku do marca 2017 roku oraz w Las Vegas od maja do sierpnia 2016 roku. Władze sanitarne otrzymywały od naukowców informacje o podejrzanych lokalach i wysyłały tam swoich inspektorów. Sami inspektorzy nie wiedzieli jednak, skąd informacja o ewentualnym zagrożeniu pochodzi.

W Chicago w badanym okresie model doprowadził do 71 kontroli. 52,1 proc z nich wskazało na rzeczywiste nieprawidłowości. Co ciekawe model okazał się w ten sposób bardziej skuteczny, skargi konsumentów potwierdzały się w niespełna 40 proc. przypadków. Jeśli wzięto pod uwagę łączne dane z obu miast, skuteczność modelu wyniosła 52,3 proc. podczas gdy rutynowe kontrole wskazywały na nieprawidłowości w 22,7 proc. przypadków.

Tę różnicę można wytłumaczyć nie tylko złośliwością ewentualnych niezadowolonych klientów, którzy nasyłali na restauracje nieuzasadnione kontrole. Okazało się, że w aż 38 proc. przypadków model nie wskazywał na ostatnią z odwiedzanych przez ofiary zatrucia restauracji, lecz jedną z poprzednich. Wszystko dlatego, że objawy zatruć pokarmowych najczęściej pojawiają się po około 48 godzinach. Osoby, które same zgłaszają skargi nie zdają sobie z tego sprawy i najczęściej obwiniają ostatni odwiedzany lokal, często okazuje się to pomyłką. Autorzy metody przewidują zresztą, że najlepsze wyniki powinno przynieść połączenie wszystkich trzech mechanizmów kontroli.

W tych badaniach wskazaliśmy dopiero na pierwsze możliwości epidemiologii opartej na uczeniu maszynowym. To jak przypadek dr Johna Snowa, który w 1854 roku chodził od domu do domu, dopytywał ludzi skąd czerpią wodę, by znaleźć źródło epidemii cholery - mówi współautor pracy, Jewgienij Gabrilovich z Google.

Teraz możemy użyć danych on line do analiz epidemiologicznych niemal w czasie rzeczywistym. To powinno przyczynić się do poprawy stanu zdrowia publicznego i ograniczenia kosztów ewentualnych interwencji - podkreślił Gabrilovich.

(ks)