通过帮助诊所少花钱多办事，改善全球卫生公平

今天，世界各地接受疫苗接种的儿童比以往任何时候都多，过去十年来，许多疫苗可预防疾病的流行率有所下降。然而，尽管有这些令人鼓舞的迹象，世界卫生组织指出，近年来全球基本疫苗的供应停滞不前。

一个问题，特别是在资源匮乏的环境中，是很难预测有多少儿童会到每个卫生所接种疫苗。这导致疫苗短缺，使儿童得不到关键的免疫接种，或产生无法使用的剩余疫苗。

创业公司macro eyes正试图利用一种疫苗预测工具解决这个问题，该工具利用了一种独特的实时数据源组合，包括来自一线卫生工作者的新见解。该公司说，这个名为Connected Health AI Network (CHAIN)的工具能够在坦桑尼亚的三个地区减少96%的疫苗浪费。现在，它正努力在坦桑尼亚和莫桑比克推广这种成功。

宏观眼睛公司的首席执行官本杰明·费尔斯说:“医疗是一个复杂的行业，要想被邀请到这个行业中来，你需要处理缺失的数据。”他与麻省理工学院的职业发展副教授苏弗瑞特·斯拉共同创建了这家公司。“如果你的系统需要年龄、性别和体重来进行预测，但对于一个没有体重和年龄的人口，你不能说，‘这个系统不起作用。我们的感觉是它必须能够在任何环境下工作。”

公司的预测方法已经是另一个产品的基础,女预言家病人调度平台,分析了超过600万个医院预约等待时间减少了75%以上在美国最大的核心医院女预言家的预言预测链的一部分。

这两款产品都代表了macroeyes通过人工智能改变医疗保健这一更大目标的进展。通过让他们的解决方案在数据最少的地区发挥作用，他们也在推进人工智能领域的发展。

Fels说:“机器学习的先进水平将来自于在世界上最困难的环境中应对基本挑战。”“参与最困难的问题，人工智能也将受益:(它将变得)更聪明、更快、更便宜、更有弹性。”

定义一个方法

Sra和Fels第一次见面是在大约10年前，当时Fels是一家对冲基金的算法交易员，Sra是加州大学伯克利分校的客座教授。两人在不同行业研究数据的经历，让他们意识到医疗保健的一个缺陷。

“一个让我着迷的问题是，‘为什么金融市场几乎完全由机器——由算法——决定，而世界各地的医疗保健可能是人们生活中最不依赖算法的部分?“费尔斯回忆道。“为什么医疗保健没有更多的数据驱动?”

大约在2013年，两位联合创始人开始构建机器学习算法，用以测量患者之间的相似性，以便更好地为斯坦福医学院(Stanford School of Medicine)和纽约另一家大型学术医疗中心的治疗计划提供信息。正是在早期的工作中，创始人为公司的方法奠定了基础。

费斯说:“我们在斯坦福确立的一些主题一直延续到今天。“其中之一是(构建)有人类参与的系统:我们不仅从数据中学习，我们还从专家那里学习。二是多维性。我们不只是在看一种类型的数据;我们将查看10到15种类型，[包括]图像、时间序列、药物信息、剂量、财务信息、患者或医院的费用。”

大约在创始人开始与斯坦福合作的时候，Sra加入了麻省理工学院的信息和决策系统实验室(LIDS)，作为首席研究科学家。他后来成为电气工程和计算机科学系以及麻省理工学院数据、系统和社会研究所(IDSS)的教员。IDSS的使命是推进包括数据科学在内的领域，并利用这些进步来改善社会，这与Sra在宏观上的使命是一致的。

Sra说:“由于IDSS内部对影响的关注，我发现我的重点是把人工智能用于社会公益。”“对成功的真正判断是我们帮助了多少人?”我们该如何改善人们获得护理的机会，无论他们在哪里?”

2017年，宏观眼睛获得了比尔和梅林达•盖茨基金会的一笔小额赠款，用于探索利用一线卫生工作者的数据构建疫苗预测供应链的可能性。这是与盖茨基金会关系的开端，随着公司达到新的里程碑，关系稳步扩大，从在坦桑尼亚和莫桑比克建立准确的疫苗利用模型，到与供应链整合以使疫苗供应更加主动。为了帮助完成后一个任务，普拉尚特·亚达夫(Prashant Yadav)最近加入了董事会;亚达夫在麻省理工大学萨拉戈萨国际物流项目担任了七年的供应链管理教授，现在是非营利智库全球发展中心的高级研究员。

除了他们在CHAIN上的工作，该公司还开发了另一款产品Sibyl，它使用机器学习来确定病人最可能在什么时候来预约，以帮助医疗诊所的前台工作人员制定日程表。费尔斯说，该系统大大提高了医院的手术效率，将病人平均等待看病的时间从55天缩短到13天。

作为CHAIN的一部分，Sibyl类似地使用一系列数据点来优化调度，允许它在其他机器学习模型可能会遇到困难的环境中准确地预测行为。

创始人还在探索如何应用这种方法，帮助将Covid-19患者直接送到有足够能力的诊所。这项工作正在与塞拉利昂首席创新官David Sengeh SM ‘ 12 PhD ‘ 16一起开发。

推动前沿

构建解决方案的一些世界上最落后的卫生保健系统可能看起来像一个难道本身对于一个年轻的公司,但是macro-eyes的方法是一个扩展的创始任务构建医疗解决方案可以使世界各地的人们同样受益。

Fels说:“作为一个组织，我们永远不能假设数据会等着我们。”“我们已经了解到，我们需要从战略上思考，并考虑如何获取或生成我们需要的数据，以实现我们的使命:让医疗保健的提供具有预测性，在任何地方。”

这种方法也是一种探索数学领域创新的好方法，这些数学领域的创始人已经花了他们的职业生涯。

“需求绝对是发明之母，”Sra说。“这是由需求驱动的创新。”

未来，该公司在困难环境中的工作只会让扩展变得更容易。

Sra说:“我们每天都在思考如何使我们的技术更快速地部署、更一般化、更具有高度可扩展性。”“如果不先花费数十年乃至数十亿美元来建设数字基础设施，我们如何才能获得将真正的机器学习用于解决世界最重要问题的巨大力量?”我们如何跨越到未来?”