Dette er et gæsteindlæg medforfattet af Ajay K Gupta, Jean Felipe Teotonio og Paul A Churchyard fra HSR.health.
HSR.sundhed er et geospatial sundhedsrisikoanalysefirma, hvis vision er, at globale sundhedsudfordringer kan løses gennem menneskelig opfindsomhed og den fokuserede og nøjagtige anvendelse af dataanalyse. I dette indlæg præsenterer vi en tilgang til forebyggelse af zoonotisk sygdom, der bruger Amazon SageMaker geospatiale muligheder at skabe et værktøj, der giver mere præcis information om sygdomsspredning til sundhedsforskere for at hjælpe dem med at redde flere liv hurtigere.
Zoonotiske sygdomme rammer både dyr og mennesker. Overgangen af en sygdom fra dyr til menneske, kendt som afsmitning, er et fænomen, der konstant forekommer på vores planet. Ifølge sundhedsorganisationer såsom Centers for Disease Control and Prevention (CDC) og Verdenssundhedsorganisationen (WHO), en afsmittende begivenhed på et vådt marked i Wuhan, Kina, forårsagede højst sandsynligt coronavirus-sygdommen 2019 (COVID-19). Undersøgelser tyder på, at en virus fundet i frugtflagermus undergik betydelige mutationer, hvilket gjorde det muligt for den at inficere mennesker. Den oprindelige patient, eller 'patient nul', for COVID-19 startede sandsynligvis et efterfølgende lokalt udbrud, der til sidst spredte sig internationalt. HSR.sundhed's Zoonotic Spillover Risk Index har til formål at hjælpe med at identificere disse tidlige udbrud, før de krydser internationale grænser og fører til udbredt global påvirkning.
Det vigtigste våben, som folkesundheden har mod udbredelsen af regionale udbrud, er sygdomsovervågning: et helt sammenlåst system af sygdomsrapportering, -undersøgelser og datakommunikation mellem forskellige niveauer i et offentligt sundhedssystem. Dette system er ikke kun afhængigt af menneskelige faktorer, men også af teknologi og ressourcer til at indsamle sygdomsdata, analysere mønstre og skabe en konsistent og kontinuerlig strøm af dataoverførsel fra lokale til regionale til centrale sundhedsmyndigheder.
Den hastighed, hvormed COVID-19 gik fra et lokalt udbrud til en global sygdom, der er til stede i hvert enkelt kontinent, burde være et nøgternt eksempel på det alvorlige behov for at udnytte innovativ teknologi til at skabe mere effektive og præcise sygdomsovervågningssystemer.
Risikoen for afsmitning af zoonotisk sygdom er skarpt korreleret med flere sociale, miljømæssige og geografiske faktorer, der påvirker, hvor ofte mennesker interagerer med dyrelivet. HSR.sundhedens Zoonotic Disease Spillover Risk Index bruger over 20 forskellige geografiske, sociale og miljømæssige faktorer, der historisk er kendt for at påvirke risikoen for interaktion mellem mennesker og vilde dyr og dermed risikoen for zoonotisk sygdom. Mange af disse faktorer kan kortlægges gennem en kombination af satellitbilleder og fjernmåling.
I dette indlæg udforsker vi, hvordan HSR.sundhed bruger SageMaker geospatiale kapaciteter til at hente relevante funktioner fra satellitbilleder og fjernmåling til udvikling af risikoindekset. SageMakers geospatiale muligheder gør det nemt for dataforskere og maskinlæringsingeniører (ML) at bygge, træne og implementere modeller ved hjælp af geospatiale data. Med SageMaker geospatiale muligheder kan du effektivt transformere eller berige store geospatiale datasæt, accelerere modelbygning med forudtrænede ML-modeller og udforske modelforudsigelser og geospatiale data på et interaktivt kort ved hjælp af 3D-accelereret grafik og indbyggede visualiseringsværktøjer.
Brug af ML og geospatiale data til risikobegrænsning
ML er yderst effektiv til registrering af anomalier på rumlige eller tidsmæssige data på grund af dens evne til at lære af data uden at være eksplicit programmeret til at identificere specifikke typer af anomalier. Geografiske data, som relaterer sig til objekters fysiske position og form, indeholder ofte komplekse mønstre og relationer, som kan være svære for traditionelle algoritmer at analysere.
Inkorporering af ML med geospatiale data forbedrer muligheden for systematisk at opdage anomalier og usædvanlige mønstre, hvilket er afgørende for tidlige varslingssystemer. Disse systemer er afgørende inden for områder som miljøovervågning, katastrofehåndtering og sikkerhed. Prædiktiv modellering ved hjælp af historiske geospatiale data giver organisationer mulighed for at identificere og forberede sig på potentielle fremtidige begivenheder. Disse begivenheder spænder fra naturkatastrofer og trafikforstyrrelser til, som dette indlæg diskuterer, sygdomsudbrud.
Detektering af zoonotiske afsmitningsrisici
For at forudsige zoonotiske afsmitningsrisici, HSR.sundhed har valgt en multimodal tilgang. Ved at bruge en blanding af datatyper – herunder miljømæssige, biogeografiske og epidemiologiske oplysninger – muliggør denne metode en omfattende vurdering af sygdomsdynamikken. Et sådant mangefacetteret perspektiv er afgørende for at udvikle proaktive foranstaltninger og muliggøre en hurtig reaktion på udbrud.
Tilgangen omfatter følgende komponenter:
- Data om sygdom og udbrud – HSR.sundhed bruger de omfattende sygdoms- og udbrudsdata leveret af Gideon og Verdenssundhedsorganisationen (WHO), to pålidelige kilder til global epidemiologisk information. Disse data tjener som en grundlæggende søjle i analyserammen. For Gideon kan dataene tilgås gennem en API, og for WHO, HSR.sundhed har bygget en stor sprogmodel (LLM) til at mine udbrudsdata fra tidligere rapporter om sygdomsudbrud.
- Jordobservationsdata – Miljøfaktorer, analyse af arealanvendelse og påvisning af habitatændringer er en integreret del af vurderingen af zoonotisk risiko. Disse indsigter kan udledes af satellitbaserede jordobservationsdata. HSR.sundhed er i stand til at strømline brugen af jordobservationsdata ved at bruge SageMaker geospatiale kapaciteter til at få adgang til og manipulere store geospatiale datasæt. SageMaker geospatial tilbyder et rigt datakatalog, inklusive datasæt fra USGS Landsat-8, Sentinel-1, Sentinel-2 og andre. Det er også muligt at indsætte andre datasæt, såsom billeder i høj opløsning fra Planet Labs.
- Sociale determinanter for risiko – Ud over biologiske og miljømæssige faktorer, teamet hos HSR.sundhed også betragtet som sociale determinanter, som omfatter forskellige socioøkonomiske og demografiske indikatorer og spiller en central rolle i udformningen af zoonotisk afsmitningsdynamik.
Fra disse komponenter, HSR.sundhed evalueret en række forskellige faktorer, og følgende egenskaber er blevet identificeret som indflydelsesrige til at identificere zoonotiske afsmitningsrisici:
- Dyrehabitater og beboelige zoner – At forstå habitaterne for potentielle zoonotiske værter og deres beboelige zoner er grundlæggende for at vurdere smitterisikoen.
- Befolkningscentre – Nærhed til tætbefolkede områder er et centralt hensyn, fordi det påvirker sandsynligheden for interaktion mellem mennesker og dyr.
- Tab af levesteder – Nedbrydningen af naturlige levesteder, især gennem skovrydning, kan fremskynde zoonotiske afsmitningshændelser.
- Menneske-vildland grænseflade – Områder, hvor menneskelige bosættelser krydser dyrelivets levesteder, er potentielle hotspots for zoonotisk overførsel.
- Sociale egenskaber – Socioøkonomiske og kulturelle faktorer kan i væsentlig grad påvirke zoonotisk risiko og HSR.sundhed undersøger også disse.
- Menneskelige sundhedskarakteristika – Sundhedstilstanden for lokale menneskelige befolkninger er en væsentlig variabel, fordi den påvirker modtagelighed og transmissionsdynamik.
Løsningsoversigt
HSR.sundhed's arbejdsgang omfatter dataforbehandling, udtræk af funktioner og oprettelse af informative visualiseringer ved hjælp af ML-teknikker. Dette giver mulighed for en klar forståelse af dataens udvikling fra dens rå form til handlingsorienteret indsigt.
Det følgende er en visuel repræsentation af arbejdsgangen, startende med inputdata fra Gideon, jordobservationsdata og social determinant af risikodata.
Hent og bearbejd satellitbilleder ved hjælp af SageMaker geospatiale muligheder
Satellitdata udgør en hjørnesten i den analyse, der udføres for at opbygge risikoindekset, og giver kritisk information om miljøændringer. For at generere indsigt fra satellitbilleder, HSR.sundhed bruger Jordobservation job (EOJ'er). EOJ'er muliggør erhvervelse og transformation af rasterdata indsamlet fra jordens overflade. En EOJ indhenter satellitbilleder fra en udpeget datakilde – for eksempel en satellitkonstellation – over et bestemt område og tidsrum. Den anvender derefter en eller flere modeller på de hentede billeder.
Desuden Amazon SageMaker Studio tilbyder en geospatial notesbog forudinstalleret med almindeligt anvendte geospatiale biblioteker. Denne notebook muliggør direkte visualisering og behandling af geospatiale data i et Python notebook-miljø. EOJ'er kan oprettes i det geospatiale notebook-miljø.
For at konfigurere en EOJ bruges følgende parametre:
- InputConfig – Inputkonfigurationen specificerer datakilderne og de filtreringskriterier, der skal bruges under dataindsamling:
- RasterDataCollectionArn – Angiver den satellit, hvorfra der skal indsamles data.
- Interesseområde – Det geografiske område af interesse (AOI) definerer polygongrænserne for billedindsamling.
- TimeRangeFilter – Tidsintervallet af interesse:
{StartTime: <string>, EndTime: <string>}
. - Ejendomsfiltre – Yderligere egenskabsfiltre, såsom acceptabel procentdel af skydækning eller ønskede solazimutvinkler.
- JobConfig – Denne konfiguration definerer den type job, der skal anvendes på de hentede satellitbilleddata. Det understøtter operationer såsom båndmatematik, resampling, geomosaisk eller skyfjernelse.
Følgende eksempelkode demonstrerer at køre en EOJ til fjernelse af skyen, som er repræsentativ for de trin, der udføres af HSR.sundhed:
HSR.sundhed brugt flere operationer til at forbehandle dataene og udtrække relevante funktioner. Dette omfatter operationer såsom jorddækningsklassificering, kortlægning af temperaturvariationer og vegetationsindekser.
Et vegetationsindeks, der er relevant for at angive vegetationssundhed, er Normalized Difference Vegetation Index (NDVI). NDVI kvantificerer vegetationssundhed ved at bruge nær-infrarødt lys, som vegetationen reflekterer, og rødt lys, som vegetationen absorberer. Overvågning af NDVI over tid kan afsløre ændringer i vegetationen, såsom virkningen af menneskelige aktiviteter som skovrydning.
Følgende kodestykke viser, hvordan man beregner et vegetationsindeks som NDVI baseret på de data, der er blevet sendt gennem skyfjernelse:
Vi kan visualisere joboutputtet ved hjælp af SageMaker geospatiale muligheder. SageMaker geospatiale muligheder kan hjælpe dig med at overlejre modelforudsigelser på et basiskort og give lagvis visualisering for at gøre samarbejde lettere. Med den GPU-drevne interaktive visualizer og Python-notebooks er det muligt at udforske millioner af datapunkter i én visning, hvilket letter den kollaborative udforskning af indsigt og resultater.
De trin, der er skitseret i dette indlæg, demonstrerer blot én af de mange rasterbaserede funktioner, som HSR.sundhed har udtrukket for at skabe risikoindekset.
Kombination af rasterbaserede funktioner med sundheds- og sociale data
Efter at have udtrukket de relevante funktioner i rasterformat, HSR.sundhed brugt zonestatistik til at aggregere rasterdataene inden for de administrative grænsepolygoner, som social- og sundhedsdataene er tildelt. Analysen inkorporerer en kombination af raster og vektor geospatiale data. Denne form for aggregering giver mulighed for håndtering af rasterdata i en geodataramme, hvilket letter integrationen med sundheds- og sociale data for at producere det endelige risikoindeks.
Følgende kodestykke viser, hvordan man aggregerer rasterdata til administrative vektorgrænser:
For at evaluere de ekstraherede funktioner effektivt, bruges ML-modeller til at forudsige faktorer, der repræsenterer hver funktion. En af de anvendte modeller er en støttevektormaskine (SVM). SVM-modellen hjælper med at afsløre mønstre og sammenhænge i data, der informerer om risikovurderinger.
Indekset repræsenterer en kvantitativ vurdering af risikoniveauer, beregnet som et vægtet gennemsnit af disse faktorer, for at hjælpe med at forstå potentielle afsmitningshændelser i forskellige regioner.
Følgende figur til venstre viser aggregeringen af billedklassificeringen fra testområdescenen i det nordlige Peru aggregeret til distriktsadministrativt niveau med den beregnede ændring i skovarealet mellem 2018-2023. Skovrydning er en af de nøglefaktorer, der bestemmer risikoen for zoonotisk afsmitning. Figuren til højre fremhæver sværhedsgraden af zoonotisk afsmitningsrisiko inden for de omfattede regioner, der spænder fra højeste (rød) til den laveste (mørkegrønne) risiko. Området blev valgt som et af træningsområderne for billedklassificeringen på grund af mangfoldigheden af landdækning fanget i scenen, herunder: by, skov, sand, vand, græsarealer og landbrug, blandt andre. Derudover er dette et af mange områder af interesse for potentielle zoonotiske afsmitningshændelser på grund af skovrydning og interaktion mellem mennesker og dyr.
Ved at anvende denne multimodale tilgang, der omfatter historiske data om sygdomsudbrud, jordobservationsdata, sociale determinanter og ML-teknikker, kan vi bedre forstå og forudsige zoonotisk afsmitningsrisiko og i sidste ende rette sygdomsovervågning og forebyggelsesstrategier til områder med størst udbrudsrisiko. Følgende skærmbillede viser et dashboard med output fra en zoonotisk risikoanalyse. Denne risikoanalyse fremhæver, hvor ressourcer og overvågning af nye potentielle zoonotiske udbrud kan forekomme, så den næste sygdom kan begrænses, før den bliver en endemisk eller en ny pandemi.
En ny tilgang til pandemiforebyggelse
I 1998, langs Nipah-floden i Malaysia, mellem efteråret 1998 og foråret 1999, blev 265 mennesker inficeret med en dengang ukendt virus, der forårsagede akut hjernebetændelse og alvorlig åndedrætsbesvær. 105 af dem døde, en dødelighed på 39.6%. COVID-19s ubehandlede dødsfald er derimod 6.3 %. Siden da er Nipah-virussen, som den nu kaldes, skiftet ud af sit skovhabitat og forårsaget over 20 dødelige udbrud, mest i Indien og Bangladesh.
Vira som Nipah dukker op hvert år og udgør udfordringer for vores daglige liv, især i lande, hvor det er vanskeligere at etablere stærke, varige og robuste systemer til sygdomsovervågning og -detektion. Disse detektionssystemer er afgørende for at reducere de risici, der er forbundet med sådanne vira.
Løsninger, der bruger ML og geospatiale data, såsom Zoonotic Spillover Risk Index, kan hjælpe lokale offentlige sundhedsmyndigheder med at prioritere ressourceallokering til områder med størst risiko. Ved at gøre det kan de etablere målrettede og lokaliserede overvågningsforanstaltninger for at opdage og standse regionale udbrud, før de strækker sig ud over grænserne. Denne tilgang kan betydeligt begrænse virkningen af et sygdomsudbrud og redde liv.
Konklusion
Dette indlæg demonstrerede, hvordan HSR.sundhed med succes udviklet Zoonotic Spillover Risk Index ved at integrere geospatiale data, sundhed, sociale determinanter og ML. Ved at bruge SageMaker skabte teamet en skalerbar arbejdsgang, der kan identificere de mest væsentlige trusler fra en potentiel fremtidig pandemi. Effektiv håndtering af disse risici kan føre til en reduktion af den globale sygdomsbyrde. De væsentlige økonomiske og sociale fordele ved at reducere pandemisk risiko kan ikke overvurderes, og fordelene strækker sig regionalt og globalt.
HSR.sundhed brugte SageMaker geospatiale kapaciteter til en indledende implementering af Zoonotic Spillover Risk Index og søger nu partnerskaber samt støtte fra værtslande og finansieringskilder til at udvikle indekset yderligere og udvide dets anvendelse til yderligere regioner rundt om i verden. For mere information om HSR.sundhed og Zoonotic Spillover Risk Index, besøg www.hsr.health.
Opdag potentialet ved at integrere jordobservationsdata i dine sundhedsinitiativer ved at udforske SageMakers geospatiale funktioner. For mere information, se Amazon SageMaker geospatiale muligheder, eller engagere sig i yderligere eksempler for at få praktisk erfaring.
Om forfatterne
Ajay K Gupta er medstifter og administrerende direktør for HSR.health, et firma, der forstyrrer og fornyer sundhedsrisikoanalyser gennem geospatial teknologi og AI-teknikker for at forudsige spredningen og sværhedsgraden af sygdommen. Og giver denne indsigt til industrien, regeringer og sundhedssektoren, så de kan forudse, afbøde og drage fordel af fremtidige risici. Uden for arbejdet kan du finde Ajay bag mikrofonen, der sprænger trommehinder, mens du sætter hans yndlingspopmusik fra U2, Sting, George Michael eller Imagine Dragons.
Jean Felipe Teotonio er en dreven læge og passioneret ekspert i sundhedsvæsenets kvalitet og infektionssygdomsepidemiologi, Jean Felipe leder HSR.health folkesundhedsteamet. Han arbejder hen imod det fælles mål om at forbedre folkesundheden ved at reducere den globale sygdomsbyrde ved at udnytte GeoAI-tilgange til at udvikle løsninger til vor tids største sundhedsudfordringer. Uden for arbejdet inkluderer hans hobbyer at læse sci fi-bøger, vandreture, den engelske premier league og at spille basguitar.
Paul A Kirkegård, CTO og Chief Geospatial Engineer for HSR.health, bruger sine brede tekniske færdigheder og ekspertise til at bygge kerneinfrastrukturen for firmaet såvel som dets patenterede og proprietære GeoMD-platform. Derudover inkorporerer han og datavidenskabsteamet geospatiale analyser og AI/ML-teknikker i alle sundhedsrisikoindekser, som HSR.health producerer. Uden for arbejdet er Paul en autodidakt DJ og elsker sne.
Janosch Woschitz er Senior Solutions Architect hos AWS med speciale i geospatial AI/ML. Med over 15 års erfaring støtter han kunder globalt i at udnytte AI og ML til innovative løsninger, der udnytter geospatiale data. Hans ekspertise spænder over machine learning, data engineering og skalerbare distribuerede systemer, suppleret med en stærk baggrund inden for software engineering og brancheekspertise inden for komplekse domæner såsom autonom kørsel.
Emmett Nelson er en Account Executive hos AWS, der støtter Nonprofit Research-kunder på tværs af sundheds- og biovidenskaberne, geo-/miljøvidenskab og uddannelse. Hans primære fokus er at muliggøre use cases på tværs af analytics, AI/ML, high performance computing (HPC), genomics og medicinsk billeddannelse. Emmett kom til AWS i 2020 og er baseret i Austin, TX.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/how-hsr-health-is-limiting-risks-of-disease-spillover-from-animals-to-humans-using-amazon-sagemaker-geospatial-capabilities/
- :har
- :er
- :ikke
- :hvor
- 1
- 100
- 12
- 125
- 15 år
- 15 %
- 16
- 1998
- 1999
- 20
- 2019
- 2020
- 36
- 39
- 3d
- 7
- a
- evne
- I stand
- Om
- absorberer
- fremskynde
- accelereret
- acceptabel
- adgang
- af udleverede
- Ifølge
- Konto
- præcis
- erhvervelse
- tværs
- handlingsrettede
- aktiviteter
- Yderligere
- Derudover
- administrative
- vedtaget
- Vedtagelsen
- Fordel
- fordele
- påvirke
- mod
- aggregat
- aggregering
- Landbrug
- AI
- AI / ML
- Støtte
- målsætninger
- algoritmer
- Alle
- allokering
- tillade
- tillader
- sammen
- også
- Amazon
- Amazon SageMaker
- Amazon SageMaker geospatial
- Amazon Web Services
- blandt
- an
- analyse
- analytics
- analysere
- ,
- dyr
- dyr
- abnormaliteter
- afsløring af anomalier
- foregribe
- api
- Anvendelse
- anvendt
- gælder
- tilgang
- tilgange
- ER
- OMRÅDE
- områder
- omkring
- AS
- Vurdering
- vurdering
- vurderinger
- tildelt
- hjælpe
- hjælper
- forbundet
- foreninger
- At
- augmented
- austin
- Myndigheder
- autonom
- gennemsnit
- AWS
- baggrund
- BAND
- Bangladesh
- bund
- baseret
- bas
- flagermus
- BE
- fordi
- bliver
- været
- før
- bag
- være
- væsener
- fordele
- Bedre
- mellem
- Beyond
- Blanding
- Blå
- Bøger
- grænser
- både
- grænser
- grænse
- bounds
- Boks
- bringe
- bred
- bygge
- Bygning
- bygget
- indbygget
- byrde
- men
- by
- beregne
- beregnet
- beregning
- CAN
- kan ikke
- kapaciteter
- kapacitet
- kapitalisere
- fanget
- tilfælde
- katalog
- kategorier
- Boligtype
- forårsagede
- CDC
- Centers
- Centers for Disease Control og Forebyggelse
- central
- Direktør
- udfordringer
- lave om
- Ændringer
- karakteristika
- chef
- Kina
- valgt
- klasse
- klassificering
- klar
- Cloud
- Medstifter
- kode
- samarbejde
- kollaborativ
- indsamler
- samling
- Kolonner
- kombination
- Kommunikation
- komplekse
- komponenter
- omfattende
- computing
- Konfiguration
- overvejelse
- betragtes
- konsekvent
- indeholdt
- indeholder
- kontinent
- løbende
- kontinuerlig
- kontrast
- kontrol
- Core
- hjørnesten
- coronavirus
- lande
- dæksel
- dækning
- dækket
- Covid-19
- skabe
- oprettet
- Oprettelse af
- skabelse
- kriterier
- kritisk
- Cross
- afgørende
- CTO
- kulturelle
- Kunder
- dagligt
- mørk
- instrumentbræt
- data
- Dataanalyse
- datapunkter
- datalogi
- datasæt
- definerer
- skovrydning
- demografiske
- demonstrere
- demonstreret
- demonstrerer
- afhængig
- indsætte
- Afledt
- udpeget
- ønskes
- opdage
- Detektion
- Bestem
- udvikle
- udviklet
- udvikling
- døde
- forskel
- forskellige
- svært
- dire
- direkte
- lede
- katastrofe
- katastrofer
- Sygdom
- sygdomme
- forstyrrelser
- forstyrrer
- distinkt
- nød
- distribueret
- distribuerede systemer
- distrikt
- Mangfoldighed
- Afdeling
- DJ
- gør
- Domæner
- drevet
- kørsel
- døbt
- grund
- dubletter
- i løbet af
- dynamik
- hver
- Tidligt
- jorden
- lettere
- let
- Økonomisk
- Uddannelse
- Effektiv
- effektivt
- effektiv
- effektivt
- andet
- muliggøre
- muliggør
- muliggør
- Encompass
- vedrører generelt
- omfatter
- engagere
- ingeniør
- Engineering
- Ingeniører
- Engelsk
- Engelske Premier League
- Forbedrer
- berige
- Hele
- Miljø
- miljømæssige
- væsentlig
- etablere
- oprettelse
- evaluere
- evalueret
- begivenhed
- begivenheder
- til sidst
- Hver
- evolution
- undersøger
- eksempel
- udøvende
- erfaring
- ekspert
- ekspertise
- udtrykkeligt
- udforskning
- udforske
- Udforskning
- udvide
- strækker
- omfattende
- ekstrakt
- udvinding
- letter
- faciliterende
- faktor
- faktorer
- Fall
- Favorit
- Feature
- Funktionalitet
- Fields
- Figur
- File (Felt)
- filtrering
- Filtre
- endelige
- Finde
- Firm
- Fokus
- fokuserede
- efter
- Til
- skov
- formular
- format
- formularer
- fundet
- Framework
- fra
- fundamental
- finansiering
- yderligere
- fremtiden
- indsamlede
- generere
- genomforskning
- geografiske
- geografisk
- George
- få
- Global
- Global sundhed
- Globalt
- mål
- regeringer
- GP
- grafik
- størst
- Grøn
- Gæst
- gæst Indlæg
- Gupta
- hands-on
- seletøj
- Have
- he
- Helse
- Sundhedssystem
- sundhedspleje
- hjælpe
- Høj
- høj opløsning
- højeste
- højdepunkter
- stærkt
- hans
- historisk
- historisk
- host
- værter
- Hvordan
- How To
- HPC
- HTML
- HTTPS
- menneskelig
- menneskelige faktorer
- Mennesker
- ID
- Identifikation
- identificeret
- identificere
- identificere
- if
- billede
- Billedklassificering
- billeder
- billede
- Imaging
- KIMOs Succeshistorier
- implementering
- importere
- forbedring
- in
- I andre
- omfatter
- omfatter
- Herunder
- indarbejde
- inkorporerer
- indeks
- indekser
- Indien
- Indikator
- Indikatorer
- Indeks
- industrien
- smitsom
- indflydelse
- Indflydelsesrig
- informere
- oplysninger
- informative
- Infrastruktur
- opfindsomhed
- initial
- initiativer
- innovativ
- innovativ teknologi
- indgang
- indsigt
- instans
- integral
- Integration
- integration
- interagere
- interaktion
- interaktioner
- interaktiv
- interesse
- grænseflade
- internationalt
- internationalt
- Gennemskær
- ind
- undersøgelse
- IT
- ITS
- Job
- sluttede
- jpg
- lige
- bare en
- Nøgle
- Venlig
- kendt
- Labs
- Land
- Sprog
- stor
- storstilet
- varig
- lag
- lagdelt
- føre
- Leads
- League
- LÆR
- læring
- til venstre
- Niveau
- niveauer
- løftestang
- biblioteker
- Livet
- Life Sciences
- lys
- ligesom
- sandsynlighed
- Sandsynlig
- GRÆNSE
- begrænsende
- Lives
- LLM
- lokale
- elsker
- laveste
- maskine
- machine learning
- Main
- lave
- Malaysia
- ledelse
- mange
- kort
- kortlægning
- Marked
- matematik
- Kan..
- foranstaltninger
- medicinsk
- sammenlægning
- metode
- metrisk
- Michael
- måske
- millioner
- afbøde
- ML
- model
- modellering
- modeller
- overvågning
- mere
- mere effektiv
- mest
- for det meste
- mangefacetteret
- flere
- Musik
- navn
- Natural
- Behov
- Ny
- næste
- nonprofit
- notesbog
- roman
- nu
- bedøvet
- objekter
- observation
- opnår
- forekomme
- of
- Tilbud
- tit
- on
- ONE
- kun
- Produktion
- or
- organisation
- organisationer
- Andet
- Andre
- vores
- ud
- udbrud
- skitseret
- output
- uden for
- i løbet af
- overvurderet
- oversigt
- pandaer
- pandemi
- parametre
- især
- partnerskaber
- Bestået
- lidenskabelige
- forbi
- patenteret
- patient
- mønstre
- paul
- Mennesker
- procentdel
- ydeevne
- udføres
- periode
- perspektiv
- peru
- fænomen
- fysisk
- læge
- Søjle
- afgørende
- pixel
- planet
- perron
- plato
- Platon Data Intelligence
- PlatoData
- Leg
- spiller
- punkter
- Polygon
- pop
- befolkede
- populationer
- position
- mulig
- Indlæg
- potentiale
- forudsige
- Forudsigelser
- premier
- Forbered
- præsentere
- Forebyggelse
- primære
- prioritering
- Proaktiv
- sandsynligvis
- behandle
- forarbejdning
- producere
- producerer
- programmerede
- egenskaber
- ejendom
- proprietære
- give
- forudsat
- giver
- leverer
- offentlige
- folkesundheden
- Python
- kvalitet
- kvantificerer
- kvantitativ
- hurtigere
- rækkevidde
- spænder
- hurtige
- Sats
- Raw
- Læsning
- Rød
- reducere
- reduktion
- henvise
- afspejler
- regional
- regionalt
- regioner
- fortæller
- Relationer
- relevant
- fjern
- fjernelse
- fjernelse
- Rapportering
- Rapporter
- repræsentation
- repræsentativt
- repræsenterer
- repræsenterer
- forskning
- ressource
- Ressourcer
- svar
- Resultater
- afsløre
- afslørende
- Rich
- højre
- Risiko
- risici
- River
- robust
- roller
- kører
- sagemaker
- SAND
- satellit
- Gem
- skalerbar
- scene
- SCI
- Videnskab
- VIDENSKABER
- forskere
- sektor
- sikkerhed
- søger
- udvælgelse
- senior
- tjener
- Tjenester
- Bosættelser
- flere
- svær
- Shape
- forme
- delt
- bør
- Shows
- signifikant
- betydeligt
- siden
- enkelt
- færdigheder
- uddrag
- sne
- So
- nedslående
- Social
- socioøkonomiske
- Software
- software Engineering
- løsninger
- Løsninger
- Kilder
- spændvidder
- rumlige
- speciale
- specifikke
- hastighed
- spredes
- forår
- påbegyndt
- Starter
- statistik
- statistik
- Status
- Steps
- strategier
- strøm
- strømline
- String
- stærk
- undersøgelser
- efterfølgende
- væsentlig
- Succesfuld
- sådan
- tyder
- Sol
- support
- Støtte
- Understøtter
- overflade
- overvågning
- modtagelighed
- systemet
- Systemer
- Tag
- målrettet
- hold
- tech
- Teknisk
- tekniske færdigheder
- teknikker
- Teknologier
- prøve
- end
- at
- Området
- verdenen
- deres
- Them
- derefter
- derfor
- Disse
- de
- denne
- trusler
- Gennem
- tid
- til
- værktøj
- værktøjer
- mod
- traditionelle
- Trafik
- Tog
- Kurser
- overførsel
- Transform
- Transformation
- overgang
- omformede
- transmission
- betroet
- melodier
- to
- TX
- typen
- typer
- Ultimativt
- forstå
- forståelse
- gennemgik
- ukendt
- urban
- brug
- anvendte
- bruger
- ved brug af
- værdi
- Værdier
- variabel
- forskellige
- vegetation
- udgave
- vertikaler
- Specifikation
- virus
- vira
- vision
- Besøg
- visuel
- visualisering
- Visualiser
- advarsel
- var
- Vand
- we
- web
- webservices
- vægt
- GODT
- gik
- var
- våd
- som
- mens
- WHO
- hvis
- udbredt
- med
- inden for
- uden
- Arbejde
- workflow
- virker
- world
- Verdens Sundhedsorganisation
- X
- år
- år
- Du
- Din
- zephyrnet
- zoner