境外移入案例頻傳！AI如何找出最高風險感染者？

台灣有幸重啟社會經濟活動，進入樂活防疫階段，但是邊境解封壓力不斷襲來、第二波疫情回擊警鐘猶在，位居前線的「疫調工作」成為無法鬆懈的關鍵任務。

人力拮据且資源有限的公衛體系，該如何更有效率地運用人工智慧，應對不斷燎原的疫情星火？

地理位置分析與疫調第一人：約翰・斯諾

把時間調回到1854年。當時的倫敦霍亂疫情肆虐，單單一個社區，短短2週內就超過500人死亡。

當時理論認為，霍亂以某種傳染性顆粒，透過空氣傳播使人致病。不過，倫敦一位醫師約翰・斯諾（John Snow）卻懷疑，「水」在其中推波助瀾，決定在社區挨家挨戶調查。

他計算了該社區每戶霍亂死亡人數，將這些資料歸納到被稱為「鬼圖」（Ghost Map）的地圖上，發現霍亂死者大都集中在布羅德街（Broad Street）一口水井周圍。他訪問感染者及其家人，發現他們都從此水井取水，後續也證實是糞池污水滲入了水源，經由該水井擴散到水系統。

150多年後的今天，為對付新冠肺炎，整個世界仍基於斯諾的「地理位置分析」與「接觸者追蹤」基礎，發展出現代化的偵查與疫調方法。

然而棘手的是，新冠病毒傳播更快速、更全面，美洲、印度地區確診數持續攀升，歐亞部分區域也燃起第二波疫情。人力拮据且資源有限的公衛部門及醫療體系，該如何更有效率地運用人工智慧和分析功能，應對不斷燎原的星火？

AI協助疫調，用「速度」拯救更多生命

自1930年代以來，「接觸者追蹤」（contact tracing，即「疫調」），即為公衛人員仰賴的技術。這是一個相對簡單的過程：疫調人員訪談確診者或疑似病例，評估三項內容：

第一，過去14天內跟誰有過互動？

第二，大多數時間在哪裡度過？

第三，互動的持續時間和時機如何？

這些關鍵面向概括了主要資訊，但現有流程卻有一些缺點：

首先，許多紀錄僅存於「紙本」。若要將這些資訊輸入資料庫，要靠第三方手動完成，從「紙本」轉換到「電子」時，資訊可能會遺落或不一致，造成分析失準。

再者，患者提供的資訊「可能不完整或遺漏」。這不一定是刻意隱匿，而是患者很難記住所有互動過的人，以及過去兩週去過的地方。

最後、也是最大的一個弱點，就是「疫調速度遠跟不上疾病傳播速度」，這導致疫調人員難以確定個案的優先次序，以及如何配置有限的時間。

譬如，一週內，一位疫調人員可能會訪談10至30人，但這些人的接觸者卻可能上百成千。疫調人員如何找到最高風險者？如何劃分優先級別，確定首要接觸者名單並追蹤他們？哪些人即使延遲行動也不會帶來風險？

可協助繁複又不斷變化的事件，即為人工智慧價值所在；讓AI協助疫調流程自動化，將能大大協助全球的公衛人員。（延伸閱讀｜哪些政策在PTT被推爆？後疫情時代做這3件事　轉型AI政府正當時｜）

如何執行？

先建立一個中央數據庫，盡可能匯集所有接觸者追蹤資訊（你可能驚訝，但現今全球擁有這樣資料庫的公衛機構並不多）；接著設法豐富資料源，如納入高風險區域地點，如醫院位置、工作人員名冊資料、連結航班與郵輪旅客資料、政府因應緊急事件所許可存取的信用卡交易紀錄、電話號碼、電子郵件地址及實際地址等，以了解接觸者去過的餐廳與商店，甚至手機位置資料等。

而後，即可在資料庫基礎上，開始運算風險分數，產生智能預警。

舉例來說，系統排序出風險分數高低後，捉出了風險分數高的接觸者「小賽」。進一步探索，發現她在護理之家工作，她每天搭乘大眾運輸工作且經過最大轉運站，她還有位同事同樣被列為需追蹤的接觸者。以上這些行為與狀態，使系統對她產出警報。

我們繼續下鑽網絡圖，發現她的住址下有其他三位同住者，其中一位是她弟弟「小仕」，其在某金融機構上班，而一周前該金融機構有確診案例。

這意味著，小賽與高風險者一同工作、一同居住，她與許多人有社交接觸，且她所在安養機構傳播風險相當高，如果不慎，後果不堪設想。（延伸閱讀｜「全美最佳醫院」如何用AI超前部署？｜）

過往的疫調流程，可能會先關注小仕；經過層層擴散，數天或數週後，疫調人員才會關注到小賽。但只要幾秒，人工智慧便能建立關聯網絡並自動預警的流程（註1），使有限的疫調人力追上病源，針對患病風險最高的接觸者、可能的超級傳播者，可能的無症狀感染者，即刻採取行動。

同時，隨著接觸者追蹤資料不斷匯入系統讓AI學習後，也能找出未知或缺失的連結，進一步再架起防護陣線。要大規模因應並對抗疫情，打造自動化調查關聯網絡，是相當關鍵的能力。

電信公司分析地理位置，提供防疫對策

舉例來說，亞洲某大電信業者於新冠肺炎發生後，攜手SAS利用群體的行動通訊及基地台資料（註2），打造整合地理位置分析的視覺化平台，分析大規模人口移動的數據，提供政府防疫政策的科學基礎。

該電信業者將確診案例分佈，及全國家每月約4,000萬次的移動資料量，如人群平均移動距離、移動方式，目標地點與方向等，整合在地圖上，觀察3、4月間首都和周邊地區的狀況。

結果發現，出現確診病例的地點，與綜合傳播速度指標高的地點，呈現南北向廊道的城市，剛好和鐵路與高速公路等主要交通要道重疊。進一步探鑽案例較多的社區，發現可定義出非高確診數、卻有高風險傳播潛力的地點，如每日往返大型科技園區的要塞等。

這些預測模型，比對後續月份的確診數，證實準確度達94到97％。

這些重要預警指標，可協助政府機關瞭解疫情潛在傳播方向，及時提出管控大眾運輸和社區居家防疫的政策；而針對即將進入疫情傳播高峰的城市，則可超前部署醫療資源。下一步還能評估哪些地區疫情將趨緩，可從居家防疫限制解封，降低對地方經濟的衝擊。

視覺化地理位置分析的技術，讓公衛決策者能層層了解正在發生的事件及檢視所有資料，進而在短時間內橫向連結各機關做出回應，發揮指揮體系效率。

公衛決策講求精準與效率，導入新科技，能讓接觸者追蹤與地理位置分析等人工作業，變得更「智慧」。目前看來，這場「戰疫」短期內不會結束，擁抱世界之前，台灣的疫調流程、政府指揮系統，需要部署地更完備。

註1：更多疫調應用說明，請詳見SAS 2020 Global Forum《接觸者追蹤，政府部門如何採用更智能的疫調方法？》
註2：此專案使用的資料，並無追蹤或定位特定個人，僅為大規模人口彙總式分析