Esta es una publicación invitada en coautoría con Ajay K Gupta, Jean Felipe Teotonio y Paul A Churchyard de HSR.health.

HSR.salud es una firma de análisis de riesgos de salud geoespacial cuya visión es que los desafíos de salud globales se pueden resolver mediante el ingenio humano y la aplicación enfocada y precisa de análisis de datos. En esta publicación, presentamos un enfoque para la prevención de enfermedades zoonóticas que utiliza Capacidades geoespaciales de Amazon SageMaker crear una herramienta que proporcione información más precisa sobre la propagación de enfermedades a los científicos de la salud para ayudarlos a salvar más vidas, más rápido.

Las enfermedades zoonóticas afectan tanto a los animales como a los humanos. La transición de una enfermedad de animal a humano, conocida como introducción, es un fenómeno que ocurre continuamente en nuestro planeta. Según organizaciones de salud como los Centros para el Control y la Prevención de Enfermedades (CDC) y la Organización Mundial de la Salud (QUIENES), un evento de contagio en un mercado húmedo en Wuhan, China, probablemente causó la enfermedad del coronavirus 2019 (COVID-19). Los estudios sugieren que un virus que se encuentra en los murciélagos frugívoros sufrió mutaciones importantes que le permitieron infectar a los humanos. El paciente inicial, o "paciente cero", de COVID-19 probablemente inició un brote local posterior que finalmente se extendió a nivel internacional. ALT.saludEl Índice de riesgo de derrame zoonótico tiene como objetivo ayudar en la identificación de estos brotes tempranos antes de que crucen fronteras internacionales y provoquen un impacto global generalizado.

La principal arma que tiene la salud pública contra la propagación de brotes regionales es la vigilancia de enfermedades: todo un sistema entrelazado de notificación, investigación y comunicación de datos de enfermedades entre diferentes niveles de un sistema de salud pública. Este sistema depende no sólo de factores humanos, sino también de la tecnología y los recursos para recopilar datos sobre enfermedades, analizar patrones y crear un flujo constante y continuo de transferencia de datos desde las autoridades sanitarias locales a las regionales y centrales.

La velocidad a la que la COVID-19 pasó de ser un brote local a una enfermedad global presente en todos los continentes debería ser un ejemplo aleccionador de la extrema necesidad de aprovechar la tecnología innovadora para crear sistemas de vigilancia de enfermedades más eficientes y precisos.

El riesgo de propagación de enfermedades zoonóticas está fuertemente correlacionado con múltiples factores sociales, ambientales y geográficos que influyen en la frecuencia con la que los seres humanos interactúan con la vida silvestre. HSR.salud El Índice de riesgo de contagio de enfermedades zoonóticas utiliza más de 20 factores geográficos, sociales y ambientales distintos que históricamente se sabe que afectan el riesgo de interacción entre humanos y vida silvestre y, por lo tanto, el riesgo de contagio de enfermedades zoonóticas. Muchos de estos factores pueden mapearse mediante una combinación de imágenes satelitales y sensores remotos.

En esta publicación, exploramos cómo HSR.salud utiliza las capacidades geoespaciales de SageMaker para recuperar características relevantes de imágenes satelitales y sensores remotos para desarrollar el índice de riesgo. Las capacidades geoespaciales de SageMaker facilitan a los científicos de datos y a los ingenieros de aprendizaje automático (ML) construir, entrenar e implementar modelos utilizando datos geoespaciales. Con las capacidades geoespaciales de SageMaker, puede transformar o enriquecer de manera eficiente conjuntos de datos geoespaciales a gran escala, acelerar la creación de modelos con modelos de aprendizaje automático previamente entrenados y explorar predicciones de modelos y datos geoespaciales en un mapa interactivo utilizando gráficos acelerados en 3D y herramientas de visualización integradas.

Uso de ML y datos geoespaciales para mitigar riesgos

El aprendizaje automático es muy eficaz para la detección de anomalías en datos espaciales o temporales debido a su capacidad para aprender de los datos sin estar programado explícitamente para identificar tipos específicos de anomalías. Los datos espaciales, que se relacionan con la posición física y la forma de los objetos, a menudo contienen patrones y relaciones complejos que pueden ser difíciles de analizar para los algoritmos tradicionales.

La incorporación de ML con datos geoespaciales mejora la capacidad de detectar anomalías y patrones inusuales de forma sistemática, lo cual es esencial para los sistemas de alerta temprana. Estos sistemas son cruciales en campos como el monitoreo ambiental, la gestión de desastres y la seguridad. El modelado predictivo que utiliza datos geoespaciales históricos permite a las organizaciones identificar y prepararse para posibles eventos futuros. Estos eventos van desde desastres naturales e interrupciones del tráfico hasta, como se analiza en esta publicación, brotes de enfermedades.

Detección de riesgos de contagio zoonótico

Para predecir los riesgos de contagio zoonótico, HSR.salud ha adoptado un enfoque multimodal. Al utilizar una combinación de tipos de datos, incluida información ambiental, biogeográfica y epidemiológica, este método permite una evaluación integral de la dinámica de las enfermedades. Una perspectiva tan multifacética es fundamental para desarrollar medidas proactivas y permitir una respuesta rápida a los brotes.

El enfoque incluye los siguientes componentes:

• Datos de enfermedades y brotes – RIS.salud utiliza los amplios datos sobre enfermedades y brotes proporcionados por Gideon y la Organización Mundial de la Salud (OMS), dos fuentes confiables de información epidemiológica global. Estos datos sirven como pilar fundamental en el marco de análisis. Para Gideon, se puede acceder a los datos a través de una API, y para la OMS, HSR.salud ha creado un modelo de lenguaje grande (LLM) para extraer datos de brotes de informes de brotes de enfermedades anteriores.
• Datos de observación de la tierra – Los factores ambientales, el análisis del uso de la tierra y la detección de cambios en el hábitat son componentes integrales para evaluar el riesgo zoonótico. Estos conocimientos pueden derivarse de datos de observación de la Tierra obtenidos por satélite. HSR.salud es capaz de optimizar el uso de datos de observación de la Tierra mediante el uso de las capacidades geoespaciales de SageMaker para acceder y manipular conjuntos de datos geoespaciales a gran escala. SageMaker geospatial ofrece un amplio catálogo de datos, que incluye conjuntos de datos de USGS Landsat-8, Sentinel-1, Sentinel-2 y otros. También es posible incorporar otros conjuntos de datos, como imágenes de alta resolución de Planet Labs.
• Determinantes sociales del riesgo – Más allá de los factores biológicos y ambientales, el equipo de HSR.salud También se consideran determinantes sociales, que abarcan diversos indicadores socioeconómicos y demográficos, y desempeñan un papel fundamental en la configuración de la dinámica de contagio zoonótico.

A partir de estos componentes, HSR.salud Se evaluó una variedad de factores diferentes y se han identificado las siguientes características como influyentes para identificar riesgos de contagio zoonótico:

• Hábitats animales y zonas habitables. – Comprender los hábitats de posibles huéspedes zoonóticos y sus zonas habitables es fundamental para evaluar el riesgo de transmisión.
• Centros de población – La proximidad a áreas densamente pobladas es una consideración clave porque influye en la probabilidad de interacciones entre humanos y animales.
• Pérdida de hábitat – La degradación de los hábitats naturales, particularmente a través de la deforestación, puede acelerar los eventos zoonóticos de contagio.
• Interfaz hombre-tierra salvaje – Las zonas donde los asentamientos humanos se cruzan con los hábitats de la vida silvestre son posibles puntos críticos de transmisión zoonótica.
• Características sociales – Los factores socioeconómicos y culturales pueden afectar significativamente el riesgo zoonótico y la RSH.salud también los examina.
• Características de la salud humana. – El estado de salud de las poblaciones humanas locales es una variable esencial porque afecta la susceptibilidad y la dinámica de transmisión.

Resumen de la solución

HSR.saludEl flujo de trabajo de abarca el preprocesamiento de datos, la extracción de características y la creación de visualizaciones informativas utilizando técnicas de aprendizaje automático. Esto permite una comprensión clara de la evolución de los datos desde su forma original hasta información procesable.

La siguiente es una representación visual del flujo de trabajo, comenzando con datos de entrada de Gideon, datos de observación de la Tierra y datos de determinantes sociales de riesgo.

Recupere y procese imágenes satelitales utilizando las capacidades geoespaciales de SageMaker

Los datos satelitales constituyen la piedra angular del análisis realizado para construir el índice de riesgo, proporcionando información crítica sobre los cambios ambientales. Para generar información a partir de imágenes satelitales, HSR.salud usos Trabajos de observación de la Tierra (EOJ). Los EOJ permiten la adquisición y transformación de datos ráster recopilados de la superficie de la Tierra. Una EOJ obtiene imágenes satelitales de una fuente de datos designada (por ejemplo, una constelación de satélites) sobre un área y un período de tiempo específicos. Luego aplica uno o más modelos a las imágenes recuperadas.

Además, Estudio Amazon SageMaker ofrece un cuaderno geoespacial preinstalado con bibliotecas geoespaciales de uso común. Este cuaderno permite la visualización y el procesamiento directo de datos geoespaciales dentro de un entorno de cuaderno Python. Los EOJ se pueden crear en el entorno del cuaderno geoespacial.

Para configurar un EOJ, se utilizan los siguientes parámetros:

• Configuración de entrada – La configuración de entrada especifica las fuentes de datos y los criterios de filtrado que se utilizarán durante la adquisición de datos:
  • ColecciónRasterDataArn – Especifica el satélite del cual recopilar datos.
  • Area de interes – El área geográfica de interés (AOI) define los límites del polígono para la recopilación de imágenes.
  • FiltroRangoTiempo – El rango de tiempo de interés: {StartTime: <string>, EndTime: <string>}.
  • Filtros de propiedad – Filtros de propiedades adicionales, como el porcentaje aceptable de cobertura de nubes o los ángulos de azimut del sol deseados.
• Configuración de trabajo – Esta configuración define el tipo de trabajo que se aplicará a los datos de imágenes de satélite recuperados. Admite operaciones como cálculo de bandas, remuestreo, geomosaico o eliminación de nubes.

El siguiente código de ejemplo demuestra la ejecución de un EOJ para la eliminación de la nube, representativo de los pasos realizados por HSR..salud:

eoj_input_config = {
    "RasterDataCollectionQuery": {
        "RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
        "AreaOfInterest": {
            "AreaOfInterestGeometry": {
                "PolygonGeometry": {
                    "Coordinates": [
                        [
                            [-76.23240119828894,-6.268815697653608],
                            [-76.23240119828894,-6.339419992332921],
                            [-76.13834453776985,-6.339419992332921],
                            [-76.13834453776985,-6.268815697653608],
                            [-76.23240119828894,-6.268815697653608]                       
        ]
                    ]
                }
            }
        },
        "TimeRangeFilter": {
            "StartTime": "2022-03-01T00:00:00Z",
            "EndTime": "2022-06-30T23:59:59Z",
        },
        "PropertyFilters": {
            "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0.0, "UpperBound": 2.0}}}],
            "LogicalOperator": "AND",
        },
    }
}
eoj_job_config = {
    "CloudRemovalConfig": {
        "AlgorithmName": "INTERPOLATION",
        "InterpolationValue": "-9999",
        "TargetBands": ["red", "green", "blue", "nir", "swir16"],
    }
}

eoj = geospatial_client.start_earth_observation_job(
    Name="eoj-analysis-loreto",
    InputConfig=eoj_input_config,
    JobConfig=eoj_job_config,
    ExecutionRoleArn=execution_role,
)

HSR.salud utilizó varias operaciones para preprocesar los datos y extraer características relevantes. Esto incluye operaciones como clasificación de la cobertura terrestre, mapeo de variación de temperatura e índices de vegetación.

Un índice de vegetación relevante para indicar la salud de la vegetación es el Índice de Vegetación de Diferencia Normalizada (NDVI). El NDVI cuantifica la salud de la vegetación mediante el uso de luz infrarroja cercana, que la vegetación refleja, y luz roja, que la vegetación absorbe. El seguimiento del NDVI a lo largo del tiempo puede revelar cambios en la vegetación, como el impacto de actividades humanas como la deforestación.

El siguiente fragmento de código demuestra cómo calcular un índice de vegetación como el NDVI en función de los datos que se han pasado mediante la eliminación de nubes:

eoj_input_config = {
    "PreviousEarthObservationJobArn": eoj["Arn"]
}
eoj_job_config = {
  "BandMathConfig": {
    "CustomIndices": {
        "Operations": [
            {
                "Equation": "(nir - red) / (nir + red)",
                "Name": "ndvi",
                "OutputType": "FLOAT32"
            }
        ]
    }
  }
}
eoj = geospatial_client.start_earth_observation_job(
    Name="eoj-vi-ndvi",
    InputConfig=eoj_input_config,
    JobConfig=eoj_job_config,
    ExecutionRoleArn=execution_role,
)

Podemos visualizar el resultado del trabajo utilizando las capacidades geoespaciales de SageMaker. Las capacidades geoespaciales de SageMaker pueden ayudarle a superponer predicciones de modelos en un mapa base y proporcionar visualización en capas para facilitar la colaboración. Con el visualizador interactivo impulsado por GPU y los cuadernos Python, es posible explorar millones de puntos de datos en una sola vista, lo que facilita la exploración colaborativa de conocimientos y resultados.

Los pasos descritos en esta publicación demuestran solo una de las muchas características basadas en ráster que HSR.salud ha extraído para crear el índice de riesgo.

Combinando características basadas en ráster con datos sociales y de salud

Después de extraer las características relevantes en formato ráster, HSR.salud utilizó estadísticas zonales para agregar los datos ráster dentro de los polígonos de límites administrativos a los que se asignan los datos sociales y de salud. El análisis incorpora una combinación de datos geoespaciales rasterizados y vectoriales. Este tipo de agregación permite la gestión de datos ráster en un geodataframe, lo que facilita su integración con los datos sociales y de salud para producir el índice de riesgo final.

El siguiente fragmento de código demuestra cómo agregar datos ráster a límites de vectores administrativos:

import geopandas as gp
import numpy as np
import pandas as pd
import rasterio
from rasterstats import zonal_stats
import pandas as pd

def get_proportions(inRaster, inVector, classDict, idCols, year):
    # Reading In Vector File
    if '.parquet' in inVector:
        vector = gp.read_parquet(inVector)
    else:
        vector = gp.read_file(inVector)
    raster = rasterio.open(inRaster)
    vector = vector.to_crs(raster.crs)
    # Retrieving the Bounding Box for the Raster Image
    xmin, ymin, xmax, ymax = raster.bounds
    # Selecting the Vector Features that Intersect with the Raster Bounding Box
    vector = vector.cx[xmin:xmax, ymin:ymax]
    vector = vector.reset_index()
    # Calculate the sum of pixels of each class in the vector geometries
    stats = zonal_stats(vector.geometry, raster.read(1), affine=raster.transform, nodata=raster.nodata, categorical=True)
    # Creating a dataframe with the class sum of pixels and the id fields of the vector geometries
    df1 = pd.DataFrame(data=stats)
    df1 = df1.fillna(0)
    df1['totalpixels'] = df1.sum(axis=1)  
    df1['year'] = year 
    if 'year' in vector.columns.tolist():
        vector = vector.drop(['year'], 1)
    # Merging the class sum of pixels dataframe with the vector geodataframe
    df = vector.merge(df1, left_index=True, right_index=True)
    # Renaming Columns
    cdict = pd.read_csv(classDict)
    cdict = cdict.set_index("Value")['Class_name'].to_dict()
    df = df.rename(columns=cdict)
    keptCols = [x for x in df.columns.tolist() if x in idCols + list(cdict.values()) + ['totalpixels', 'year']]
    df = df[keptCols]
    return(df)

def aggregateData(rasterList, inVector, classDict, idCols, years):
    dfList = []
    # Creating aggregated raster to vector geodataframes for all rasters in rasterList
    for tiff in rasterList:
        inRaster = tiff
        year = [x for x in years if x in tiff][0]
        dfList.append(get_proportions(inRaster, inVector, classDict, idCols, year))
    # Concating into a single geodataframe
    allDf = pd.concat(dfList, ignore_index=True)
    classDictDf = pd.read_csv(classDict)
    # Renaming the numerical values of the categories to the string version of the category name
    classCols = classDictDf['Class_name'].unique().tolist()
    # Summing the pixel counts by administrative division as a single administrative division might cover more than one raster image
    for col in classCols:
        allDf[col] = allDf[col].fillna(0)
        allDf[col] = allDf.groupby(idCols + ['year'])[col].transform(lambda x: x.sum())
    # Removing Duplicates from the dataframe
    allDf = allDf.groupby(idCols + ['year']).first().reset_index()
    # Reattaching the geometry to the aggregated raster data
    if '.parquet' in inVector:
        vector = gp.read_parquet(inVector)
    else:
        vector = gp.read_file(inVector)
    allDf = vector.merge(allDf, on=idCols)
    return(allDf)

Para evaluar las características extraídas de manera efectiva, se utilizan modelos de ML para predecir factores que representan cada característica. Uno de los modelos utilizados es una máquina de vectores de soporte (SVM). El modelo SVM ayuda a revelar patrones y asociaciones dentro de los datos que informan las evaluaciones de riesgos.

El índice representa una evaluación cuantitativa de los niveles de riesgo, calculados como un promedio ponderado de estos factores, para ayudar a comprender posibles eventos de contagio en varias regiones.

import pandas as pd
import numpy as np
import geopandas as gp

def finalIndicatorCalculation(inputLayer, weightDictionary, outLayer):
    # Creating a dictionary with the weights for each factor in the indicator
    weightsDict = pd.read_csv(weightDictionary).set_index('metric')['weight'].to_dict()
    # Reading in the data from the layer
    layer = gp.read_file(inputLayer)
    # Initializing the Sum of the Weights
    layer['sumweight'] = 0
    # Calculating the sum of the weighted factors
    for col in weightsDict.keys():
        layer[col] = layer[col].fillna(0)
        layer['sumweight'] = layer['sumweight'] + (layer[col] * zweights[col])
    # Calculating Raw Zoonotic Spillover Risk Index
    layer['raw_idx'] = np.log(layer['e_pop']) * layer['sumweight']
    # Normalizing the Index between 0 and 100
    layer['zs_idx'] = ((layer['raw_idx'] - layer['raw_idx'].min()) / (layer['raw_idx'].max() - layer['raw_idx'].min()) * 100).round(2)
    return(layer)

La siguiente figura a la izquierda muestra la agregación de la clasificación de imágenes de la escena del área de prueba en el norte de Perú agregada al nivel administrativo de distrito con el cambio calculado en el área forestal entre 2018 y 2023. La deforestación es uno de los factores clave que determinan el riesgo de derrame zoonótico. La figura de la derecha destaca los niveles de gravedad del riesgo de contagio zoonótico dentro de las regiones cubiertas, que van desde el riesgo más alto (rojo) hasta el más bajo (verde oscuro). La zona fue elegida como una de las áreas de entrenamiento para la clasificación de imágenes debido a la diversidad de coberturas terrestres capturadas en la escena, incluyendo: urbana, bosque, arena, agua, pastizales y agricultura, entre otras. Además, esta es una de las muchas áreas de interés por posibles eventos zoonóticos de contagio debido a la deforestación y la interacción entre humanos y animales.

Al adoptar este enfoque multimodal, que abarca datos históricos sobre brotes de enfermedades, datos de observación de la Tierra, determinantes sociales y técnicas de aprendizaje automático, podemos comprender y predecir mejor el riesgo de contagio zoonótico y, en última instancia, dirigir las estrategias de vigilancia y prevención de enfermedades a áreas de mayor riesgo de brotes. La siguiente captura de pantalla muestra un panel de los resultados de un análisis de riesgo de contagio zoonótico. Este análisis de riesgos destaca dónde pueden ocurrir recursos y vigilancia para nuevos brotes zoonóticos potenciales, de modo que se pueda contener la próxima enfermedad antes de que se convierta en una endemia o una nueva pandemia.

Un enfoque novedoso para la prevención de pandemias

En 1998, a lo largo del río Nipah en Malasia, entre el otoño de 1998 y la primavera de 1999, 265 personas fueron infectadas con un virus entonces desconocido que causó encefalitis aguda y dificultad respiratoria grave. 105 de ellos murieron, una tasa de letalidad del 39.6%. Por el contrario, la tasa de mortalidad no tratada por COVID-19 es del 6.3%. Desde entonces, el virus Nipah, como se le llama ahora, salió de su hábitat forestal y causó más de 20 brotes mortales, principalmente en India y Bangladesh.

Virus como el Nipah aparecen cada año, lo que plantea desafíos para nuestra vida diaria, particularmente en países donde es más difícil establecer sistemas fuertes, duraderos y sólidos para la vigilancia y detección de enfermedades. Estos sistemas de detección son cruciales para reducir los riesgos asociados con dichos virus.

Las soluciones que utilizan aprendizaje automático y datos geoespaciales, como el índice de riesgo de derrame zoonótico, pueden ayudar a las autoridades de salud pública locales a priorizar la asignación de recursos a áreas de mayor riesgo. Al hacerlo, pueden establecer medidas de vigilancia específicas y localizadas para detectar y detener brotes regionales antes de que se extiendan más allá de las fronteras. Este enfoque puede limitar significativamente el impacto de un brote de enfermedad y salvar vidas.

Conclusión

Esta publicación demostró cómo HSR.salud desarrolló con éxito el Índice de riesgo de derrame zoonótico integrando datos geoespaciales, salud, determinantes sociales y aprendizaje automático. Al utilizar SageMaker, el equipo creó un flujo de trabajo escalable que puede identificar las amenazas más importantes de una posible pandemia futura. La gestión eficaz de estos riesgos puede conducir a una reducción de la carga mundial de morbilidad. No se pueden subestimar las importantes ventajas económicas y sociales de reducir el riesgo de pandemia, y sus beneficios se extienden a nivel regional y mundial.

HSR.salud utilizó las capacidades geoespaciales de SageMaker para una implementación inicial del Índice de riesgo de derrame zoonótico y ahora está buscando asociaciones, así como apoyo de los países anfitriones y fuentes de financiamiento, para desarrollar aún más el índice y extender su aplicación a regiones adicionales alrededor del mundo. Para más información sobre HSR.salud y el Índice de riesgo de derrame zoonótico, visite www.hsr.salud.

Descubra el potencial de integrar datos de observación de la Tierra en sus iniciativas de atención médica explorando las funciones geoespaciales de SageMaker. Para obtener más información, consulte Capacidades geoespaciales de Amazon SageMakero interactuar con ejemplos adicionales para obtener experiencia práctica.

Acerca de los autores

Ajay Gupta es cofundador y director ejecutivo de HSR.health, una empresa que revoluciona e innova en el análisis de riesgos para la salud a través de tecnología geoespacial y técnicas de inteligencia artificial para predecir la propagación y la gravedad de las enfermedades. Y proporciona estos conocimientos a la industria, los gobiernos y el sector de la salud para que puedan anticipar, mitigar y aprovechar riesgos futuros. Fuera del trabajo, puedes encontrar a Ajay detrás del micrófono reventando tímpanos mientras canta a todo pulmón sus canciones pop favoritas de U2, Sting, George Michael o Imagine Dragons.

Juan Felipe Teotónio Jean Felipe, un médico motivado y experto apasionado en la calidad de la atención médica y la epidemiología de enfermedades infecciosas, dirige el equipo de salud pública de HSR.health. Trabaja hacia el objetivo compartido de mejorar la salud pública reduciendo la carga global de enfermedades aprovechando los enfoques de GeoAI para desarrollar soluciones para los mayores desafíos de salud de nuestro tiempo. Fuera del trabajo, sus pasatiempos incluyen leer libros de ciencia ficción, hacer senderismo, jugar la primera división inglesa y tocar el bajo.

Paul A Cementerio, director de tecnología e ingeniero geoespacial jefe de HSR.health, utiliza sus amplias habilidades técnicas y experiencia para construir la infraestructura central de la empresa, así como su plataforma GeoMD patentada y patentada. Además, él y el equipo de ciencia de datos incorporan análisis geoespaciales y técnicas de IA/ML en todos los índices de riesgo para la salud que produce HSR.health. Fuera del trabajo, Paul es DJ autodidacta y le encanta la nieve.

Janosch Woschitz es arquitecto senior de soluciones en AWS, especializado en IA/ML geoespacial. Con más de 15 años de experiencia, apoya a clientes de todo el mundo a aprovechar la IA y el aprendizaje automático para soluciones innovadoras que aprovechan los datos geoespaciales. Su experiencia abarca el aprendizaje automático, la ingeniería de datos y los sistemas distribuidos escalables, complementados con una sólida experiencia en ingeniería de software y experiencia en la industria en dominios complejos como la conducción autónoma.

emmet nelson es ejecutivo de cuentas en AWS y brinda soporte a clientes de investigación sin fines de lucro en los sectores verticales de atención médica y ciencias biológicas, ciencias de la tierra/medio ambiente y educación. Su principal objetivo es habilitar casos de uso en análisis, IA/ML, informática de alto rendimiento (HPC), genómica e imágenes médicas. Emmett se unió a AWS en 2020 y tiene su sede en Austin, TX.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: 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/