Dette er et gjesteinnlegg medforfatter av Ajay K Gupta, Jean Felipe Teotonio og Paul A Churchyard fra HSR.health.
HSR.Helse er et geospatialt helserisikoanalysefirma hvis visjon er at globale helseutfordringer kan løses gjennom menneskelig oppfinnsomhet og fokusert og nøyaktig anvendelse av dataanalyse. I dette innlegget presenterer vi en tilnærming for forebygging av zoonotisk sykdom som bruker Amazon SageMaker geospatiale muligheter å lage et verktøy som gir mer nøyaktig informasjon om sykdomsspredning til helseforskere for å hjelpe dem å redde flere liv, raskere.
Zoonotiske sykdommer rammer både dyr og mennesker. Overgangen til en sykdom fra dyr til menneske, kjent som utslipp, er et fenomen som kontinuerlig forekommer på planeten vår. Ifølge helseorganisasjoner som Centers for Disease Control and Prevention (CDC) og Verdens helseorganisasjon (HVEM), en spillover-hendelse på et vått marked i Wuhan, Kina, forårsaket mest sannsynlig koronavirussykdommen 2019 (COVID-19). Studier tyder på at et virus funnet i fruktflaggermus gjennomgikk betydelige mutasjoner, slik at det kunne infisere mennesker. Den første pasienten, eller "pasienten null", for COVID-19 startet sannsynligvis et påfølgende lokalt utbrudd som til slutt spredte seg internasjonalt. HSR.Helse's Zoonotic Spillover Risk Index har som mål å hjelpe til med å identifisere disse tidlige utbruddene før de krysser internasjonale grenser og fører til omfattende global innvirkning.
Hovedvåpenet folkehelsen har mot spredning av regionale utbrudd er sykdomsovervåking: et helt sammenlåst system med sykdomsrapportering, etterforskning og datakommunikasjon mellom ulike nivåer i et offentlig helsesystem. Dette systemet er ikke bare avhengig av menneskelige faktorer, men også av teknologi og ressurser for å samle inn sykdomsdata, analysere mønstre og skape en konsistent og kontinuerlig strøm av dataoverføring fra lokale til regionale til sentrale helsemyndigheter.
Hastigheten der COVID-19 gikk fra et lokalt utbrudd til en global sykdom som finnes på hvert eneste kontinent, burde være et nøkternt eksempel på det alvorlige behovet for å utnytte innovativ teknologi for å skape mer effektive og nøyaktige sykdomsovervåkingssystemer.
Risikoen for overløp av zoonotisk sykdom er skarpt korrelert med flere sosiale, miljømessige og geografiske faktorer som påvirker hvor ofte mennesker samhandler med dyrelivet. HSR.helsens Zoonotic Disease Spillover Risk Index bruker over 20 distinkte geografiske, sosiale og miljømessige faktorer som historisk er kjent for å påvirke risikoen for interaksjon mellom mennesker og dyreliv og dermed risiko for zoonotisk sykdom. Mange av disse faktorene kan kartlegges gjennom en kombinasjon av satellittbilder og fjernmåling.
I dette innlegget utforsker vi hvordan HSR.Helse bruker SageMaker geospatiale muligheter for å hente relevante funksjoner fra satellittbilder og fjernmåling for å utvikle risikoindeksen. SageMaker geospatiale evner gjør det enkelt for dataforskere og maskinlæringsingeniører (ML) å bygge, trene og distribuere modeller ved hjelp av geospatiale data. Med SageMaker geospatiale muligheter kan du effektivt transformere eller berike store geospatiale datasett, akselerere modellbygging med forhåndstrente ML-modeller og utforske modellprediksjoner og geospatiale data på et interaktivt kart ved hjelp av 3D-akselerert grafikk og innebygde visualiseringsverktøy.
Bruk av ML og geospatiale data for risikoreduksjon
ML er svært effektiv for anomalideteksjon på romlige eller tidsmessige data på grunn av dens evne til å lære av data uten å være eksplisitt programmert til å identifisere spesifikke typer avvik. Romlige data, som er relatert til objekters fysiske posisjon og form, inneholder ofte komplekse mønstre og relasjoner som kan være vanskelige for tradisjonelle algoritmer å analysere.
Inkorporering av ML med geospatiale data forbedrer muligheten til å oppdage anomalier og uvanlige mønstre systematisk, noe som er avgjørende for tidlige varslingssystemer. Disse systemene er avgjørende på områder som miljøovervåking, katastrofehåndtering og sikkerhet. Prediktiv modellering ved hjelp av historiske geospatiale data lar organisasjoner identifisere og forberede seg på potensielle fremtidige hendelser. Disse hendelsene spenner fra naturkatastrofer og trafikkforstyrrelser til, som dette innlegget diskuterer, sykdomsutbrudd.
Oppdage zoonotiske spillover-risikoer
For å forutsi zoonotisk spilloverrisiko, HSR.Helse har tatt i bruk en multimodal tilnærming. Ved å bruke en blanding av datatyper – inkludert miljømessig, biogeografisk og epidemiologisk informasjon – muliggjør denne metoden en omfattende vurdering av sykdomsdynamikk. Et slikt mangefasettert perspektiv er avgjørende for å utvikle proaktive tiltak og muliggjøre rask respons på utbrudd.
Tilnærmingen inkluderer følgende komponenter:
- Sykdoms- og utbruddsdata – HSR.Helse bruker de omfattende sykdoms- og utbruddsdataene levert av Gideon og Verdens helseorganisasjon (WHO), to pålitelige kilder til global epidemiologisk informasjon. Disse dataene fungerer som en grunnleggende pilar i analyserammeverket. For Gideon kan dataene nås gjennom en API, og for WHO, HSR.Helse har bygget en stor språkmodell (LLM) for å hente ut utbruddsdata fra tidligere rapporter om sykdomsutbrudd.
- Jordobservasjonsdata – Miljøfaktorer, arealbruksanalyse og påvisning av habitatendringer er integrerte komponenter for å vurdere zoonotisk risiko. Denne innsikten kan utledes fra satellittbaserte jordobservasjonsdata. HSR.Helse er i stand til å strømlinjeforme bruken av jordobservasjonsdata ved å bruke SageMaker geospatiale muligheter for å få tilgang til og manipulere store geospatiale datasett. SageMaker geospatial tilbyr en rik datakatalog, inkludert datasett fra USGS Landsat-8, Sentinel-1, Sentinel-2 og andre. Det er også mulig å hente inn andre datasett, for eksempel høyoppløselige bilder fra Planet Labs.
- Sosiale determinanter for risiko – Utover biologiske og miljømessige faktorer, teamet ved HSR.Helse også vurdert sosiale determinanter, som omfatter ulike sosioøkonomiske og demografiske indikatorer, og spiller en sentral rolle i utformingen av zoonotisk spillover-dynamikk.
Fra disse komponentene, HSR.Helse evaluert en rekke forskjellige faktorer, og følgende funksjoner har blitt identifisert som innflytelsesrike for å identifisere zoonotisk spilloverrisiko:
- Dyrehabitater og beboelige soner – Å forstå habitatene til potensielle zoonotiske verter og deres beboelige soner er grunnleggende for å vurdere overføringsrisiko.
- Befolkningssentre – Nærhet til tettbygde områder er et sentralt hensyn fordi det påvirker sannsynligheten for interaksjoner mellom mennesker og dyr.
- Tap av habitat – Forringelse av naturlige habitater, spesielt gjennom avskoging, kan fremskynde zoonotiske spillover-hendelser.
- Menneske-villmark-grensesnitt – Områder der menneskelige bosetninger krysser dyrelivshabitater er potensielle hotspots for zoonotisk overføring.
- Sosiale egenskaper – Sosioøkonomiske og kulturelle faktorer kan ha betydelig innvirkning på zoonotisk risiko og HSR.Helse undersøker disse også.
- Menneskelige helseegenskaper – Helsestatusen til lokale menneskelige populasjoner er en viktig variabel fordi den påvirker mottakelighet og overføringsdynamikk.
Løsningsoversikt
HSR.HelseArbeidsflyten omfatter dataforbehandling, funksjonsutvinning og oppretting av informative visualiseringer ved bruk av ML-teknikker. Dette gir en klar forståelse av dataenes utvikling fra dens rå form til praktisk innsikt.
Følgende er en visuell representasjon av arbeidsflyten, som starter med inputdata fra Gideon, jordobservasjonsdata og sosial determinant for risikodata.
Hent og behandle satellittbilder ved hjelp av SageMaker geospatiale muligheter
Satellittdata utgjør en hjørnestein i analysen som er utført for å bygge risikoindeksen, og gir kritisk informasjon om miljøendringer. For å generere innsikt fra satellittbilder, HSR.Helse bruker Jordobservasjonsjobber (EOJs). EOJer muliggjør innhenting og transformasjon av rasterdata samlet fra jordoverflaten. En EOJ henter satellittbilder fra en utpekt datakilde – for eksempel en satellittkonstellasjon – over et bestemt område og tidsperiode. Den bruker deretter en eller flere modeller på de hentede bildene.
I tillegg Amazon SageMaker Studio tilbyr en geospatial notatbok forhåndsinstallert med ofte brukte geospatiale biblioteker. Denne notatboken muliggjør direkte visualisering og prosessering av geospatiale data i et Python-notebookmiljø. EOJ-er kan opprettes i det geospatiale notatbokmiljøet.
For å konfigurere en EOJ, brukes følgende parametere:
- InputConfig – Inndatakonfigurasjonen spesifiserer datakildene og filtreringskriteriene som skal brukes under datainnsamling:
- RasterDataCollectionArn – Spesifiserer satellitten som data skal samles inn fra.
- Interesseområde – Det geografiske interesseområdet (AOI) definerer polygongrensene for bildesamling.
- TimeRangeFilter – Tidsintervallet av interesse:
{StartTime: <string>, EndTime: <string>}
. - PropertyFilters – Ytterligere egenskapsfiltre, for eksempel akseptabel prosentandel av skydekning eller ønskede solasimutvinkler.
- JobConfig – Denne konfigurasjonen definerer hvilken type jobb som skal brukes på de hentede satellittbildedataene. Den støtter operasjoner som båndmatematikk, resampling, geosamisk eller skyfjerning.
Følgende eksempelkode demonstrerer å kjøre en EOJ for skyfjerning, representativ for trinnene utført av HSR.Helse:
HSR.Helse brukte flere operasjoner for å forhåndsbehandle dataene og trekke ut relevante funksjoner. Dette inkluderer operasjoner som klassifisering av landdekke, kartlegging av temperaturvariasjoner og vegetasjonsindekser.
En vegetasjonsindeks som er relevant for å indikere vegetasjonshelse er Normalized Difference Vegetation Index (NDVI). NDVI kvantifiserer vegetasjonshelse ved å bruke nær-infrarødt lys, som vegetasjonen reflekterer, og rødt lys, som vegetasjonen absorberer. Overvåking av NDVI over tid kan avsløre endringer i vegetasjonen, for eksempel virkningen av menneskelige aktiviteter som avskoging.
Følgende kodebit demonstrerer hvordan man beregner en vegetasjonsindeks som NDVI basert på dataene som har blitt sendt gjennom skyfjerning:
Vi kan visualisere jobbresultatet ved å bruke SageMaker geospatiale muligheter. SageMaker geospatiale evner kan hjelpe deg med å legge modellprediksjoner på et basiskart og gi lagvis visualisering for å gjøre samarbeid enklere. Med den GPU-drevne interaktive visualiseringen og Python-notatbøker er det mulig å utforske millioner av datapunkter i én visning, noe som letter samarbeidsutforskningen av innsikt og resultater.
Trinnene som er skissert i dette innlegget demonstrerer bare en av de mange rasterbaserte funksjonene som HSR.Helse har trukket ut for å lage risikoindeksen.
Kombinere rasterbaserte funksjoner med helse- og sosiale data
Etter å ha trukket ut de relevante funksjonene i rasterformat, HSR.Helse brukt sonestatistikk for å aggregere rasterdataene innenfor de administrative grensepolygonene som sosial- og helsedataene er tilordnet. Analysen inkorporerer en kombinasjon av raster og vektor geospatiale data. Denne typen aggregering gjør det mulig å administrere rasterdata i en geodataramme, noe som letter integrasjonen med helse- og sosialdataene for å produsere den endelige risikoindeksen.
Følgende kodebit viser hvordan du samler rasterdata til administrative vektorgrenser:
For å evaluere de ekstraherte funksjonene effektivt, brukes ML-modeller til å forutsi faktorer som representerer hver funksjon. En av modellene som brukes er en støttevektormaskin (SVM). SVM-modellen hjelper til med å avsløre mønstre og assosiasjoner i data som informerer om risikovurderinger.
Indeksen representerer en kvantitativ vurdering av risikonivåer, beregnet som et vektet gjennomsnitt av disse faktorene, for å hjelpe til med å forstå potensielle spillover-hendelser i ulike regioner.
Følgende figur til venstre viser aggregeringen av bildeklassifiseringen fra testområdescenen i Nord-Peru aggregert til distriktsadministrativt nivå med den beregnede endringen i skogarealet mellom 2018–2023. Avskoging er en av nøkkelfaktorene som bestemmer risikoen for zoonotisk spillover. Figuren til høyre fremhever alvorlighetsgraden for zoonotisk spilloverrisiko i de dekkede regionene, fra høyeste (rød) til laveste (mørkegrønn) risiko. Området ble valgt som et av treningsområdene for bildeklassifiseringen på grunn av mangfoldet av landdekke fanget i scenen, inkludert: by, skog, sand, vann, gressletter og landbruk, blant andre. I tillegg er dette et av mange områder av interesse for potensielle zoonotiske spillover-hendelser på grunn av avskoging og interaksjon mellom mennesker og dyr.
Ved å ta i bruk denne multimodale tilnærmingen, som omfatter historiske data om sykdomsutbrudd, jordobservasjonsdata, sosiale determinanter og ML-teknikker, kan vi bedre forstå og forutsi zoonotisk spilloverrisiko, og til slutt rette sykdomsovervåking og forebyggingsstrategier til områder med størst utbruddsrisiko. Følgende skjermbilde viser et dashbord av utdata fra en zoonotisk spilloverrisikoanalyse. Denne risikoanalysen fremhever hvor ressurser og overvåking for nye potensielle zoonotiske utbrudd kan oppstå, slik at neste sykdom kan begrenses før den blir en endemisk eller en ny pandemi.
En ny tilnærming til pandemiforebygging
I 1998, langs Nipah-elven i Malaysia, mellom høsten 1998 og våren 1999, ble 265 mennesker infisert med et da ukjent virus som forårsaket akutt hjernebetennelse og alvorlig pustebesvær. 105 av dem døde, en dødelighet på 39.6 %. Covid-19s ubehandlede dødelighet er derimot 6.3 %. Siden den gang har Nipah-viruset, som det nå kalles, gått ut av sitt skoghabitat og forårsaket over 20 dødelige utbrudd, hovedsakelig i India og Bangladesh.
Virus som Nipah dukker opp hvert år, og utgjør utfordringer for dagliglivet vårt, spesielt i land der det er vanskeligere å etablere sterke, varige og robuste systemer for sykdomsovervåking og deteksjon. Disse deteksjonssystemene er avgjørende for å redusere risikoen forbundet med slike virus.
Løsninger som bruker ML og geospatiale data, som Zoonotic Spillover Risk Index, kan hjelpe lokale folkehelsemyndigheter med å prioritere ressursallokering til områder med høyest risiko. Ved å gjøre det kan de etablere målrettede og lokaliserte overvåkingstiltak for å oppdage og stoppe regionale utbrudd før de strekker seg utover grensene. Denne tilnærmingen kan i betydelig grad begrense virkningen av et sykdomsutbrudd og redde liv.
konklusjonen
Dette innlegget demonstrerte hvordan HSR.Helse utviklet Zoonotic Spillover Risk Index ved å integrere geospatiale data, helse, sosiale determinanter og ML. Ved å bruke SageMaker skapte teamet en skalerbar arbeidsflyt som kan identifisere de mest betydelige truslene fra en potensiell fremtidig pandemi. Effektiv håndtering av disse risikoene kan føre til en reduksjon i den globale sykdomsbyrden. De betydelige økonomiske og sosiale fordelene ved å redusere pandemirisiko kan ikke overvurderes, med fordelene som strekker seg regionalt og globalt.
HSR.Helse brukte SageMaker geospatiale muligheter for en første implementering av Zoonotic Spillover Risk Index og søker nå partnerskap, samt støtte fra vertsland og finansieringskilder, for å utvikle indeksen videre og utvide dens anvendelse til flere regioner rundt om i verden. For mer informasjon om HSR.Helse og Zoonotic Spillover Risk Index, besøk www.hsr.health.
Oppdag potensialet ved å integrere jordobservasjonsdata i helsetiltakene dine ved å utforske SageMakers geospatiale funksjoner. For mer informasjon, se Amazon SageMaker geospatiale muligheter, eller engasjere seg med flere eksempler for å få praktisk erfaring.
Om forfatterne
Ajay K Gupta er medgründer og administrerende direktør i HSR.health, et firma som forstyrrer og innoverer helserisikoanalyser gjennom geospatial teknologi og AI-teknikker for å forutsi spredning og alvorlighetsgrad av sykdom. Og gir denne innsikten til industri, myndigheter og helsesektoren slik at de kan forutse, redusere og dra nytte av fremtidige risikoer. Utenom jobben kan du finne Ajay bak mikrofonen som sprenger trommehinnene mens du spenner frem favorittpopmusikken hans fra U2, Sting, George Michael eller Imagine Dragons.
Jean Felipe Teotonio er en dreven lege og lidenskapelig ekspert på helsetjenesters kvalitet og infeksjonssykdomsepidemiologi, Jean Felipe leder HSR.health folkehelseteamet. Han jobber mot det felles målet om å forbedre folkehelsen ved å redusere den globale sykdomsbyrden ved å utnytte GeoAI-tilnærminger for å utvikle løsninger for vår tids største helseutfordringer. Utenom jobben inkluderer hobbyene hans å lese sci fi-bøker, fotturer, den engelske premier league og spille bassgitar.
Paul A kirkegård, CTO og Chief Geospatial Engineer for HSR.health, bruker sine brede tekniske ferdigheter og ekspertise til å bygge kjerneinfrastrukturen for firmaet så vel som dets patenterte og proprietære GeoMD-plattform. I tillegg inkorporerer han og datavitenskapsteamet geospatial analyse og AI/ML-teknikker i alle helserisikoindekser HSR.health produserer. Utenom jobben er Paul en selvlært DJ og elsker snø.
Janosch Woschitz er Senior Solutions Architect hos AWS, med spesialisering i geospatial AI/ML. Med over 15 års erfaring støtter han kunder globalt i å utnytte AI og ML for innovative løsninger som utnytter geospatiale data. Hans ekspertise spenner over maskinlæring, datateknikk og skalerbare distribuerte systemer, forsterket av en sterk bakgrunn innen programvareteknikk og bransjeekspertise innen komplekse domener som autonom kjøring.
Emmett Nelson er en Account Executive hos AWS som støtter Nonprofit Research-kunder på tvers av vertikalene Healthcare & Life Sciences, Earth / Environmental Sciences og Education. Hans primære fokus er å muliggjøre brukstilfeller på tvers av analyser, AI/ML, høyytelsesdatabehandling (HPC), genomikk og medisinsk bildebehandling. Emmett begynte i AWS i 2020 og er basert i Austin, TX.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang 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 oss
- absorberer
- akselerere
- akselerert
- akseptabelt
- adgang
- aksesseres
- Ifølge
- Logg inn
- nøyaktig
- oppkjøp
- tvers
- handlings
- Aktiviteter
- Ytterligere
- I tillegg
- administrativ
- vedtatt
- vedta
- Fordel
- fordeler
- påvirke
- mot
- aggregat
- aggregering
- landbruk
- AI
- AI / ML
- Aid
- mål
- algoritmer
- Alle
- allokering
- tillate
- tillater
- langs
- også
- Amazon
- Amazon SageMaker
- Amazon SageMaker geospatial
- Amazon Web Services
- blant
- an
- analyse
- analytics
- analysere
- og
- dyr
- dyr
- abnormiteter
- anomali påvisning
- forutse
- api
- Søknad
- anvendt
- gjelder
- tilnærming
- tilnærminger
- ER
- AREA
- områder
- rundt
- AS
- vurdere
- evaluering
- vurderingene
- tildelt
- bistå
- bistår
- assosiert
- foreninger
- At
- augmented
- austin
- Myndigheter
- autonom
- gjennomsnittlig
- AWS
- bakgrunn
- BAND
- bangladesh
- basen
- basert
- bass
- flaggermus
- BE
- fordi
- blir
- vært
- før du
- bak
- være
- vesener
- Fordeler
- Bedre
- mellom
- Beyond
- Blend
- Blå
- bøker
- grenser
- både
- grenser
- grense
- grensene
- Eske
- bringe
- bred
- bygge
- Bygning
- bygget
- innebygd
- byrde
- men
- by
- beregne
- beregnet
- beregning
- CAN
- kan ikke
- evner
- evne
- kapital
- fanget
- saker
- katalog
- kategorier
- Kategori
- forårsaket
- CDC
- Sentre
- Centers for Disease Control and Prevention
- sentral
- konsernsjef
- utfordringer
- endring
- Endringer
- egenskaper
- sjef
- Kina
- valgt ut
- klasse
- klassifisering
- fjerne
- Cloud
- Med-grunnlegger
- kode
- samarbeid
- samarbeids
- samle
- samling
- kolonner
- kombinasjon
- Kommunikasjon
- komplekse
- komponenter
- omfattende
- databehandling
- Konfigurasjon
- hensyn
- ansett
- konsistent
- inneholdt
- inneholder
- kontinentet
- kontinuerlig
- kontinuerlig
- kontrast
- kontroll
- Kjerne
- hjørnestein
- coronavirus
- land
- dekke
- dekning
- dekket
- Covid-19
- skape
- opprettet
- Opprette
- skaperverket
- kriterier
- kritisk
- Kryss
- avgjørende
- CTO
- kulturell
- Kunder
- daglig
- mørk
- dashbord
- dato
- Data Analytics
- datapunkter
- datavitenskap
- datasett
- definerer
- avskoging
- demografiske
- demonstrere
- demonstrert
- demonstrerer
- avhengig
- utplassere
- Avledet
- utpekt
- ønsket
- oppdage
- Gjenkjenning
- Bestem
- utvikle
- utviklet
- utvikle
- døde
- forskjell
- forskjellig
- vanskelig
- dire
- direkte
- regi
- katastrofe
- katastrofer
- sykdom
- sykdommer
- forstyrrelser
- forstyrrer
- distinkt
- nød
- distribueres
- distribuerte systemer
- distrikt
- Mangfold
- Divisjon
- DJ
- gjør
- domener
- drevet
- kjøring
- dubbet
- to
- duplikater
- under
- dynamikk
- hver enkelt
- Tidlig
- jord
- enklere
- lett
- økonomisk
- Kunnskap
- Effektiv
- effektivt
- effektiv
- effektivt
- ellers
- muliggjøre
- muliggjør
- muliggjør
- omfatte
- Omfatter
- altomfattende
- engasjere
- ingeniør
- Ingeniørarbeid
- Ingeniører
- Engelsk
- Engelsk Premier League
- Forbedrer
- berike
- Hele
- Miljø
- miljømessige
- avgjørende
- etablere
- etablere
- evaluere
- evaluert
- Event
- hendelser
- etter hvert
- Hver
- evolusjon
- undersøker
- eksempel
- utøvende
- erfaring
- Expert
- ekspertise
- eksplisitt
- leting
- utforske
- Utforske
- utvide
- strekker
- omfattende
- trekke ut
- utdrag
- forenkler
- tilrettelegging
- faktor
- faktorer
- Fall
- Favoritt
- Trekk
- Egenskaper
- Felt
- Figur
- filet
- filtrering
- filtre
- slutt~~POS=TRUNC
- Finn
- Firm
- Fokus
- fokuserte
- etter
- Til
- skog
- skjema
- format
- skjemaer
- funnet
- Rammeverk
- fra
- fundamental
- finansiering
- videre
- framtid
- samlet
- generere
- genomikk
- geografisk
- geografiske
- George
- få
- Global
- Global helse
- Globalt
- mål
- regjeringer
- GP
- grafikk
- størst
- Grønn
- Gjest
- gjest innlegg
- Gupta
- hands-on
- seletøy
- Ha
- he
- Helse
- Helsesystem
- helsetjenester
- hjelpe
- Høy
- høy oppløsning
- høyest
- striper
- svært
- hans
- historisk
- historisk
- vert
- Vertskapet
- Hvordan
- Hvordan
- hpc
- HTML
- HTTPS
- menneskelig
- menneskelige faktorer
- Mennesker
- ID
- Identifikasjon
- identifisert
- identifisere
- identifisering
- if
- bilde
- Bildeklassifisering
- bilder
- forestille
- Imaging
- Påvirkning
- gjennomføring
- importere
- bedre
- in
- I andre
- inkludere
- inkluderer
- Inkludert
- innlemme
- inkorporerer
- indeks
- indekser
- india
- Indikator
- indikatorer
- Indekser
- industri
- smittsomme
- påvirke
- Innflytelsesrik
- informere
- informasjon
- informative
- Infrastruktur
- oppfinnsomhet
- innledende
- initiativer
- innovative
- innovativ teknologi
- inngang
- innsikt
- f.eks
- integrert
- Integrering
- integrering
- samhandle
- interaksjon
- interaksjoner
- interaktiv
- interesse
- Interface
- internasjonalt
- internasjonalt
- Snitt
- inn
- etterforskning
- IT
- DET ER
- Jobb
- ble med
- jpg
- bare
- bare én
- nøkkel
- Type
- kjent
- Labs
- Tomt
- Språk
- stor
- storskala
- varig
- lag
- lagdelte
- føre
- Fører
- League
- LÆRE
- læring
- venstre
- Nivå
- nivåer
- utnytte
- bibliotekene
- Life
- Life Sciences
- lett
- i likhet med
- sannsynligheten
- Sannsynlig
- BEGRENSE
- begrense
- Bor
- LLM
- lokal
- elsker
- lavest
- maskin
- maskinlæring
- Hoved
- gjøre
- Malaysia
- ledelse
- mange
- kart
- kartlegging
- marked
- math
- Kan..
- målinger
- medisinsk
- sammenslåing
- metode
- metrisk
- Michael
- kunne
- millioner
- Minske
- ML
- modell
- modellering
- modeller
- overvåking
- mer
- mer effektivt
- mest
- for det meste
- mangesidig
- flere
- musikk
- navn
- Naturlig
- Trenger
- Ny
- neste
- nonprofit
- bærbare
- roman
- nå
- følelsesløs
- gjenstander
- observasjon
- innhenter
- forekomme
- of
- Tilbud
- ofte
- on
- ONE
- bare
- Drift
- or
- organisasjon
- organisasjoner
- Annen
- andre
- vår
- ut
- utbrudd
- skissert
- produksjon
- utenfor
- enn
- tydelig
- oversikt
- pandaer
- pandemi
- parametere
- spesielt
- partnerskap
- bestått
- lidenskapelig
- Past
- patentert
- pasient
- mønstre
- paul
- Ansatte
- prosent
- ytelse
- utført
- perioden
- perspektiv
- peru
- fenomen
- fysisk
- lege
- Pillar
- sentral
- pixel
- planet
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- Spille
- spiller
- poeng
- polygon
- pop
- befolket
- populasjoner
- posisjon
- mulig
- Post
- potensiell
- forutsi
- Spådommer
- premier
- Forbered
- presentere
- Forebygging
- primære
- prioritering
- Proaktiv
- sannsynligvis
- prosess
- prosessering
- produsere
- produserer
- programmert
- egenskaper
- eiendom
- proprietær
- gi
- forutsatt
- gir
- gi
- offentlig
- folkehelsen
- Python
- kvalitet
- kvantifiserer
- kvantitativ
- raskere
- område
- spenner
- rask
- Sats
- Raw
- Lesning
- Rød
- redusere
- reduksjon
- referere
- Gjenspeiler
- regional
- regionalt
- regioner
- relaterer
- Relasjoner
- relevant
- fjernkontroll
- fjerning
- fjerne
- Rapportering
- Rapporter
- representasjon
- representant
- representerer
- representerer
- forskning
- ressurs
- Ressurser
- svar
- Resultater
- avsløre
- avslørende
- Rich
- ikke sant
- Risiko
- risikoer
- River
- robust
- Rolle
- rennende
- sagemaker
- SAND
- satellitt
- Spar
- skalerbar
- scene
- SCI
- Vitenskap
- VITENSKAPER
- forskere
- sektor
- sikkerhet
- søker
- velge
- senior
- serverer
- Tjenester
- Settlements
- flere
- alvorlig
- Form
- forme
- delt
- bør
- Viser
- signifikant
- betydelig
- siden
- enkelt
- ferdigheter
- tekstutdrag
- snø
- So
- tankevekkende
- selskap
- sosioøkonomisk
- Software
- software engineering
- løsning
- Solutions
- Kilder
- spenn
- romlig
- spesialisert
- spesifikk
- fart
- spre
- vår
- startet
- Start
- statistikk
- stats
- status
- Steps
- strategier
- stream
- effektivisere
- String
- sterk
- studier
- senere
- betydelig
- vellykket
- slik
- foreslår
- Sol
- støtte
- Støtte
- Støtter
- overflaten
- overvåking
- mottakelighet
- system
- Systemer
- Ta
- målrettet
- lag
- tech
- Teknisk
- tekniske ferdigheter
- teknikker
- Teknologi
- test
- enn
- Det
- De
- Området
- verden
- deres
- Dem
- deretter
- derfor
- Disse
- de
- denne
- trusler
- Gjennom
- tid
- til
- verktøy
- verktøy
- mot
- tradisjonelle
- trafikk
- Tog
- Kurs
- overføre
- Transform
- Transformation
- overgang
- overført
- overføring
- klarert
- låter
- to
- TX
- typen
- typer
- Til syvende og sist
- forstå
- forståelse
- gikk
- ukjent
- Urban
- bruke
- brukt
- bruker
- ved hjelp av
- verdi
- Verdier
- variabel
- ulike
- vegetasjon
- versjon
- vertikaler
- Se
- virus
- virus
- syn
- Besøk
- visuell
- visualisering
- visualisere
- advarsel
- var
- Vann
- we
- web
- webtjenester
- vekt
- VI VIL
- gikk
- var
- våt
- hvilken
- mens
- HVEM
- hvem sin
- utbredt
- med
- innenfor
- uten
- Arbeid
- arbeidsflyt
- virker
- verden
- World Health Organization
- X
- år
- år
- Du
- Din
- zephyrnet
- soner