FINDER of ‘Foodborn Illness Detector in Real Time’: zo heet het nieuwe wiskundige model van Google. Wat het precies doet? Voedselvergiftigingen in restaurants detecteren om erger te voorkomen. De resultaten zijn verbluffend en blijken veel efficiënter dan de traditionele methoden.
Dit nieuwe wiskundige model helpt gezondheidsdiensten om infectiehaarden sneller op te sporen vóór ze escaleren. Deze samenwerking tussen Harvard, Google en de faculteit voor volksgezondheid van Harvard is de eerste in zijn soort. Er wordt gebruikgemaakt van zelflerende algoritmes en de zoekopdrachten en locatiegegevens van Google-gebruikers. Door middel van artificiële intelligentie worden vervolgens klachten geanalyseerd en potentieel gevaarlijke restaurants opgespoord. Dat alles gebeurt in real time en blijkt heel wat efficiënter dan de bestaande methodes voor klachtenbehandeling of de routine-inspecties.
Lees ook onze andere artikels over voedselvergiftiging
Grootschalige testprojecten in Chicago en Las Vegas
Hoe werkt het model nu precies? Allereerst worden de zoekopdrachten verzameld die kunnen wijzen op symptomen van voedselvergiftiging, zoals ‘buikkrampen’ of ‘diarree’ (onze tips bij diarree). Vervolgens gaat het model na welke restaurants de mensen die zulke zoektermen invoerden, recent bezochten. Daarna ontvangt de gezondheidsinspectie van de twee teststeden, Chicago en Las Vegas, een lijst met ‘verdachte’ restaurants. De inspecteurs worden dan naar de restaurants gestuurd voor een ‘blind’ onderzoek, waarbij ze niet weten of de inspectie getriggerd werd door het nieuwe model of door de traditionele methoden. Tijdens de studie, die gepubliceerd werd in npj Digital Medicine, hanteerden de instanties voor gezondheidsinspectie tegelijk ook hun gebruikelijke inspectieprocedures.
Aantal geïdentificeerde risico’s verdubbeld
Het model werd in Chicago ingezet van november 2016 tot maart 2017 en resulteerde in 71 inspecties. Uit de studie blijkt dat 52,1% van de restaurants die het algoritme gedetecteerd had, ook werkelijk ‘gevaarlijk’ was. Bij de klassieke inspecties lag dit percentage op 39,4%. De onderzoekers merken op dat Chicago al gebruikmaakte van een zeer geavanceerd monitoringsprogramma dat sociale media analyseert en automatisch waarschuwingen verstuurt. Toch blijkt het nieuwe model nog preciezer te detecteren welke restaurants de regels van de voedselveiligheid overtreden. In Las Vegas werd het algoritme tussen mei en augustus 2016 gebruikt. Ook daar was de detectie van de restaurants preciezer dan bij routine-inspecties. In de twee steden samen vormde in totaal 52,3% van de gedetecteerde restaurants een risico, terwijl het bij de routine-inspecties slechts om 22,7% ging.
Dit onderzoek toont slechts een fractie van wat artificiële intelligentie kan betekenen voor de epidemiologie, maar het systeem van Google heeft alleszins het potentieel om de volksgezondheid op een snelle en rendabele manier aanzienlijk te verbeteren.
Lees onze Nutrigraphics over de maatregelen bij
gastro-intestinale symptomen
