Covid action platform

Maintaining a safe and adequate blood supply during the pandemic outbreak of coronavirus disease (COVID-19)

This document provides interim guidance on the management of the blood supply in response to the pandemic outbreak of coronavirus disease (COVID-19). It emphasizes the importance of being prepared and responding quickly and outlines key actions and measures
that the blood services should take to mitigate the potential risk to the safety and sufficiency of the blood supplies during the pandemic. 

It should be read in conjunction with WHO Guidance for National Blood Services on Protecting the Blood Supply During Infectious Disease Outbreaks,
which provides general guidance on the development of national plans to respond to any emerging infectious threats to the sufficiency or safety of the blood supply.

— Access the blood supply document (20 March 2020)

Use of chest imaging in COVID-19. A rapid advice guide

This rapid advice guide examines the evidence and makes recommendations for the use of chest imaging in acute care of adult patients with suspected, probable or confirmed COVID-19. Imaging modalities considered are radiography, computed tomography and ultrasound. This guide addresses the care pathway from presentation of the patient to a health facility to patient discharge. It considers different levels of disease severity, from asymptomatic individuals to critically ill patients. Accounting for variations in the benefits and harms of chest imaging in different situations, remarks are provided to describe the circumstances under which each recommendation would benefit patients. The guide also includes implementation considerations for different settings, provides suggestions for impact monitoring and evaluation and identifies knowledge gaps meriting further research.

Share

WTO Trade Barometers

The WTO has developed a set of indicators to provide “real-time” information on trends in world trade: the Goods Trade Barometer and the Services Trade Barometer. Both barometers highlight turning points in world trade and are intended to complement conventional trade statistics and forecasts.

Full details

Global business/ civil society response to COVID-19

• International Air Transport Association: Guidance for Vaccine and Pharmaceutical Logistics & Distribution
• Global Express Association: COVID-19 vaccine distribution — Getting ready
• Global Express Association: COVID-19 pandemic — Global logistics & express delivery (lessons learned and recommendations)
• Progressive International: “Waiver from certain provisions of the TRIPS Agreement for the prevention, containment and treatment of COVID-19”
• Civil society letter: Supporting proposal by India and South Africa on waiver from certain provisions of the TRIPS Agreement for the prevention, containment and treatment of COVID-19

Maintaining open trade

It will be up to us to turn this crisis into a historic opportunity that will allow us to definitively transform the economies of our subregion, harmonize and converge our economic and financial systems, and create a regional business fabric capable of competing in the international arena

Leoncio Amada NZE, President for the CEMAC region at the African Energy Chamber1 June 2020

Specialization and production on a large scale generate significant economic benefits. This is what enables consumers to access sophisticated goods at a low cost. If, however, we backtrack, and build value chains that are less fragmented and more resistant to shocks, then production costs will rise and consumers will foot the bill

Isabelle Mйjean, professor at the Йcole polytechnique franзaise26 May 2020

In a world that is interdependent, a strong system of multilaterally agreed rules lies at the foundation of a stable and predictable system. And in a world during and after COVID-19 where economic challenges seem inevitable, such rules will have an even more crucial role to play

RV Anuradha, specialist in international economic law and policy19 May 2020

Trade Facilitation and COVID-19: Report on Survey Results

This report compiles the findings of the joint COVID-19 survey carried out by TFAF, ICC and the Alliance.

Problems viewing this page? If so, please contact webmaster@wto.org giving details of the operating system and web browser you are using.

Получение данных с помощью Azure ML

Для обучения мы будем использовать Azure Machine Learning, в частности имеющиеся в её составе Notebooks. Самый простой способ получить данные в AzureML — создать Dataset. Все доступные в исходном датасете данные по COVID-19 можно найти на странице Semantic Scholar. Мы будем использовать некоммерческую выборку, расположенную здесь в виде упакованного набора JSON-документов.

Для начала определим Azure ML Dataset. Проще всего это сделать через Azure ML Portal, перейти в раздел Datasets и выбрать создание нового датасета from web files. В качестве типа выберем file, поскольку данные в нашем случае слабо структурированы. В случае файлов табличного формата мы могли бы выбрать tabular, и сразу получить табличное представление. В заключение создания датасета мы вводим URL, по которому набор находится в интернете.

Файловый датасет, который мы определили, содержит в себе запакованные данные. Чтобы подготовить их к использованию, нам потребуется notebook и compute, на котором мы будем выполнять вычисления. Поскольку задача ODQA довольно затратна и требуется много памяти, мы сразу рекомендуем создать в Azure ML вычислительный узел на основе виртуальной машины типа NC12 с 112 Гб оперативной памяти. Процесс создания вычислительного ресурса и ноутбука описан здесь.

Для доступа к датасету нам потребуется следующий код:

Датасет содержит один сжатый файл . Чтобы распаковать его, мы смонтируем датасет как каталог и выполним команду UNIX:

Теперь все данные распакованы в наше текущее хранилище. Весь текст содержится в каталоге в виде файлов, которые содержат абстракт и полный текст статьи в полях и. Чтобы извлечь только текст в отдельный файл, исполним следующий несложный Python-код:

Теперь мы имеем каталог с именем , содержащий все статьи в текстовом виде. Избавимся от оригинального каталога:

Настройка модели ODQA

Прежде всего, давайте настроим предварительно обученную модель ODQA от DeepPavlov. Загрузим конфигурацию с именем :

Загрузка занимает довольно много времени. За это время вы поймете, как вам повезло, что вы используете облачные ресурсы, а не свой собственный компьютер. Загрузка в облако происходит намного быстрее!

Чтобы взаимодействовать с моделью, нам просто нужно построить модель из файла конфигурации и задать вопрос:

В ответ мы получим:

В данном случае мы используем модель, обученную на тексте Wikipedia. Поэтому мы можем задавать достаточно общие вопросы, и можем попробовать спросить о коронавирусе:

• What is coronavirus? — a strain of a particular virus
• What is COVID-19? — nest on roofs or in church towers
• Where did COVID-19 originate? — northern coast of Appat
• When was the last pandemic? — 1968

Конечно, далеко от идеала… Эти ответы взяты из старого текста Википедии, на котором обучалась исходная модель, поэтому она ничего не знает про текущую эпидемию. Теперь наша задача — переучить модель на наших собственных данных.

WHO COVID-19 Essential Supplies Forecasting Tool

The WHO COVID-19 Essential Supplies Forecasting Tool (ESFT) is designed to help governments, partners, and other stakeholders to estimate potential requirements for essential
supplies to respond to the current pandemic of COVID-19. Although it gives users with an estimation of the number of cases, this calculator is not an epidemiological calculator.  

The focus of this tool is to forecast essential supplies: it includes estimation of personal protective equipment, diagnostic equipment, biomedical equipment for case management, essential drugs for supportive care,
and consumable medical supplies.

The COVID-19 ESFT tool is intended to be complimentary to the Health Workforce tools (Adaptt and the Workforce Estimator).  Both tools use the same base clinical attack rate ranges and classify health workforce using ILO ISCO codes,
but their outputs are intentionally different due to their primary focus.

Clinical management COVID-19

This guidance document is intended for clinicians caring for COVID-19 patients during all phases of their disease (i.e. screening to discharge).  This update has been expanded to meet the needs of front-line clinicians and promotes a multi-disciplinary
approach to care for patients with COVID-19, including those with mild, moderate, severe, and critical disease. The following sections are entirely new: COVID-19 care pathway, treatment of acute and chronic infections, management of neurological and
mental manifestations, noncommunicable diseases, rehabilitation, palliative care, ethical principles, and reporting of death; while previous chapters have also been significantly expanded.

Global COVID-19 Clinical Data Platform for clinical characterization and management of hospitalized patients with suspected or confirmed COVID-19

Global understanding of the severity,
clinical features and prognostic factors of COVID-19 in different settings and
populations remains incomplete. WHO therefore invites Member States, health
facilities and other entities to participate in a global effort to collect
anonymized clinical data related to hospitalized suspected or confirmed cases
of COVID-19 and contribute data to the Global COVID-19 Clinical Data Platform.
The platform is a secure, limited-access, password-protected platform hosted on
OpenClinica.

To harmonize data collection across diverse
global settings, WHO has developed standard case report forms (CRFs) which
contains a minimum set of key variables and forms the basis of three types of
CRFs: (1) core rapid CRF for adults and children; (2) CRF for pregnant women;
and (3)  CRF for multisystem inflammatory syndrome (MIS) in children and adolescents
temporally related to COVID-19.

For more information on the Clinical
Data Platform, and to download the CRFs, please visit: https://www.who.int/teams/health-care-readiness-clinical-unit/covid-19/data-platform/

To contribute anonymized clinical data
to the Global COVID-19 Clinical Data Platform and obtain log-in credentials,
please register here: https://www.who.int/teams/health-care-readiness-clinical-unit/covid-19/data-platform/form

BERT классификация с использованием DeepPavlov

Вернемся к задаче классификации текста с использованием BERT. DeepPavlov содержит несколько предобученных конфигураций для этой задачи, например, классификация настроений в Twitter. В этом файле раздел описывает конвейер, который состоит из следующих шагов:

• используется для преобразования ожидаемого вывода (), который является именем класса, в числовой идентификатор ();
• принимает входной текст и выдает набор данных для последующей сети BERT;
• создает BERT-эмбеддинги для входного текста
• кодирует в one-hot encoding, необходимое для финального слоя классификатора;
• — модель классификации, представляющая собой многослойную CNN с определенными параметрами;
• — финальный слой, преобразующий выходные данные сети в соответствующую метку.

В конфигурации также определяются:

• в разделе — описание формата и пути к входным данным;
• в разделе — параметры обучения;
• а также некоторый другие характеристики.

Определив конфигурацию, мы можем обучить соответствующий конвейер из командной строки следующим образом:

Команда устанавливает все необходимые зависимости (например, , и т.д.), скачивает все необходимые файлы предварительно обученных моделей, а последняя строка непосредственно выполняет обучение.

Как только модель обучилась, мы можем взаимодействовать с ней с помощью командной строки:

Также можно использовать обученную модель с помощью Python SDK:

Использование BERT для Q&A

DeepPavlov имеет две предобученные модели для ответов на вопросы, обученные на Stanford Question AnsweringDataset (SQuAD): R-NET и BERT. В предыдущем примере использовалась модель с R-NET. Теперь мы переключим ее на BERT. Конфигурация является хорошей отправной точкой для построения вопрос-ответной модели на основе BERT:

Если посмотреть на файл конфигурации ODQA, то следующая его часть отвечает за ответы на вопросы:

Изначально используется модель, задаваемая конфигурационным файлом . Чтобы изменить механизм ответа на вопрос в модели ODQA, необходимо просто заменить поле в конфигурации на :

Теперь попробуем взаимодействовать с моделью точно так же, как делали раньше:

Ниже приведены некоторые вопросы и ответы, полученные с помощью обновленной модели:

WTO reports on COVID-19 and world trade

• Trade in Medical Goods in the Context of Tackling COVID-19
  • Annexes (in Excel)
  • Download data (including data based on WCO-WHO revised classification)
  • Data visualization app
• Transparency — why it matters at times of crisis
• Export prohibitions and restrictions
• The treatment of medical products in regional trade agreements
• E-commerce, trade and the COVID-19 pandemic
• Standards, regulations and COVID-19 — what actions taken by WTO members? (updated on 4 Dec. 2020)
• Trade in services in the context of COVID-19
• Helping MSMEs navigate the COVID-19 crisis (updated on 24 Sept. 2020)
• The COVID-19 pandemic and trade-related developments in LDCs
• The economic impact of COVID-19 on women in vulnerable sectors and economies
• Trade costs in the time of global pandemic
• Cross-border mobility, COVID-19 and global trade
• COVID-19 and agriculture: A story of resilience
• How WTO members have used trade measures to expedite access to COVID-19 critical medical goods and services
• The TRIPS Agreement and COVID-19
• Future resilience to diseases of animal origin: the role of trade
• Infographic: Developing & delivering COVID-19 vaccines around the world
• Developing & delivering COVID-19 vaccines around the world: A checklist of issues with trade impact
• Trade in Medical Goods in the Context of Tackling COVID-19
  (updated on 22 Dec. 2020)
• Developing and delivering COVID-19 vaccines around the world: An information note about issues with trade impact

COVID-19: Support measures

The table below lists the support measures taken by WTO members and observers in response to the COVID-19 pandemic. These measures have been submitted by delegations directly to the WTO Trade Monitoring Section in response to the requests by the Director-General in March 2020 and by Deputy Director-General Agah in September 2020. The list only includes measures communicated by members and observers and features measures only in the original language of the submission. The list is an informal situation report and an attempt to provide transparency with respect to support measures taken in the context of the COVID-19 crisis.

Инструкции

1. Войдите в аккаунт Google Рекламы.
2. В меню слева откройте раздел Кампании.
3. Нажмите кнопку со значком плюса и выберите Новая кампания.
4. Выберите нужную цель: Продажи, Потенциальные клиенты или Трафик сайта

   Для этого подтипа кампаний автоматически выбрано Увеличение числа конверсий.

   .

5. Выберите тип кампании Видео.
6. Нажмите Продолжить.
7. Введите название кампании.
8. В разделе «Стратегия назначения ставок» установите стратегию Максимум конверсий или Целевая цена за конверсию. Если вы выбрали Целевая цена за конверсию, укажите сумму, которую вы готовы платить за конверсию.
9. В разделе «Бюджет и даты» укажите тип бюджета, даты начала и окончания кампании и метод показа.
   • При настройке бюджета выберите Дневной (средняя сумма, которую вы готовы платить каждый день) или Для всей кампании (общая сумма, которую вы планируете потратить на всю кампанию) и введите нужную сумму.
   • При настройке метода показа выберите Стандартный (равномерное расходование средств) или Ускоренный (быстрое расходование средств). При выборе варианта Ускоренный бюджет может быть исчерпан преждевременно.
10. В разделе «Сети» выберите, где вы хотите показывать объявления кампании TrueView for Action. Вы можете выбрать один или несколько вариантов, если они поддерживаются кампанией:
    • Видео YouTube. Ваши объявления могут показываться в видеороликах YouTube, на страницах каналов и на стартовой странице YouTube. Вы можете выбрать формат In‑Stream.
    • Партнерские видеоресурсы в КМС. Ваши объявления могут показываться на сайтах и в приложениях партнерских видеоресурсов Google.
11. Выберите языки и местоположения, которые будут использоваться для таргетинга кампании.
12. Настройте исключенный контент, чтобы определить где будет показываться реклама.
13. В разделе Дополнительные настройки вы можете выбрать устройства, ограничить частоту показов и выбрать расписание показа для кампании.
14. Укажите название группы объявлений.
15. Укажите демографические данные и аудитории.
16. Выберите ключевые слова, темы и места размещения ваших объявлений.
17. Укажите размер ставки (если доступно).
18. В разделе «Создание видеообъявления» найдите загруженное видео или укажите его URL на YouTube. В качестве формата будет автоматически выбран вариант «Объявление In-Stream».
19. Укажите конечный URL – адрес целевой страницы, на которую будут переходить пользователи, нажав на ваше объявление.
20. Укажите отображаемый URL – полный или сокращенный вариант конечного URL.
21. Введите текст призыва к действию, который должен призывать пользователей перейти на ваш сайт, указанный в поле «Конечный URL».
22. Добавьте заголовок. Он будет показываться как основная строка текста, продвигающая ваш товар или услугу.
23. При необходимости выберите Параметры URL объявления (дополнительно), чтобы добавить шаблон отслеживания, суффикс конечного URL или специальные параметры для конечного URL.
24. Выберите изображение, которое автоматически создается на основе видео c вашего канала YouTube (рекомендуется) или которое вы вручную добавили в качестве сопутствующего баннера. Сопутствующие баннеры отображаются только на компьютерах.
25. Введите название объявления.
26. Нажмите Сохранить и продолжить.

Заключение

В этом посте мы описали, как использовать Azure Machine Learning вместе с NLP библиотекой DeepPavlov для создания вопросно-ответной системы. DeepPavlov можно использовать аналогичным образом для выполнения других задач на описанном датасете, например, для извлечения именованных сущностей, разбвки статьи на тематические блоки или для умной индексации статей. Мы рекомендуем ознакомиться с соревнованием COVID на Kaggle и посмотреть, сможете ли вы придумать оригинальную идею, которую можно реализовать с помощью DeepPavlov и Azure Machine Learning. И не забывайте, что у DeepPavlov есть форум – задавайте свои вопросы относительно библиотеки и моделей.

Azure ML и библиотека DeepPavlov помогли выполнить описанный эксперимент всего за несколько часов. Взяв этот пример за основу, вы сможете достигнуть существенно лучших результатов. Попробуйте и поделитесь своими идеями с сообществом. Data Science может делать удивительные вещи, тем более, когда над задачей работает не один человек, а целое сообщество!