A Google geotérképes AI-modellje a közegészségügyet segítené

A helyek „ujjlenyomatát” készíti el a PDFM

A Google Research október 6-án bemutatott tanulmánya szerint a közegészségügyi döntésekhez időben és területileg részletes adatokra van szükség. A hagyományos járványügyi megfigyelést azonban többéves jelentési késések, a geopolitikai határok mentén elkülönülő adatbázisok és az adatok ritkasága is nehezíti.

A Google Earth AI részeként fejlesztett Population Dynamics Foundation Model, röviden PDFM, önfelügyelt tanulással dolgozza fel a helyekhez kapcsolódó, adatvédelmet figyelembe vevő jeleket. Ezek közé tartoznak az összesített keresési trendek, a beépített környezet és a mobilitás jellemzői, valamint a nagy felbontású időjárási és levegőminőségi adatok.

A modell ezeket tömör helyvektorokká alakítja, amelyeket a Google a helyek havi rendszerességgel frissített „ujjlenyomataiként” ír le. A kutatók szerint az előre betanított vektorok célfeladatra történő külön finomhangolás nélkül is beilleszthetők a járványügyi és gépi tanulási munkafolyamatokba.

Öt egészségügyi területen vizsgálták

Az értékeléseket kutatási partnerek végezték öt különböző közegészségügyi feladaton. A Mount Sinai Health System és a Boston Children’s Hospital az Egyesült Államok és Kanada határának 146 megyéjében vizsgálta az MMR-oltási lefedettséget. A kanadai mobilitási és információs hatások bevonásával a modellek által magyarázott variancia 16 százalékról 22 százalékra nőtt, ami 36 százalékos relatív javulás. A kutatók 4,7 millió határ mentén élő lakosnál legalább 3 százalékpontos pontossággal finomították a lefedettségi becsléseket.

Az NYU Grossman School of Medicine a szív- és érrendszeri betegségek halálozását becsülte 3091 amerikai megyében. A PDFM-et használó modellek átlagos hibája 18,7 haláleset volt megyénként, szemben a népszámlálási adatokra épülő modellek 19,1-es értékével. A nagy kiugró hibákat mérő RMSE 57,69-ről 46,00-ra csökkent, a különbségek azonban statisztikailag nem voltak szignifikánsak.

A mexikói dengue-előrejelzésben, nagyjából 2450 önkormányzat adatai alapján, a TimesFM integrációja egy hónapos előrejelzésnél statisztikailag szignifikáns javulást hozott. Az aktív terjedési gócpontok önkormányzatainak legfeljebb 72 százalékában javult a pontosság. A szülés utáni depresszió kockázatának becslésénél 332 970 válaszadó adatait használták, és az eredmény az ismert államokban 0,0020, az addig nem látott államokban 0,0038 AUC-javulást mutatott.

A WHO AFRO-val közösen végzett koleravizsgálat a Kongói Demokratikus Köztársaság 403 egészségügyi zónáját és 89 hetét fedte le. A modell az esetek megjelenését négy héttel korábban 9,7 százalékkal, a nyolchetes előrejelzésnél pedig a legmagasabb kockázatú öt zóna kiválasztásának pontosságát 18,1 százalékkal javította.

A frissebb adatok gyorsabb döntéseket támogathatnak

A Google Research szerint a PDFM egyik fontos előnye, hogy a meglévő modellekhez kész adatforrásként használható, így a kutatóknak nem kell minden egészségügyi feladathoz külön adatgyűjtési és adatfeldolgozási rendszert felépíteniük. Ez különösen olyan helyzetekben lehet fontos, amikor gyorsan kell reagálni egy járvány kitörésére, vagy korlátozottak az erőforrások.

A szív- és érrendszeri betegségek példája az adatok frissességének jelentőségét mutatja. Az amerikai hivatalos megyei halálozási adatok jellemzően 1 vagy 2 éves késéssel jelennek meg, az American Community Survey változói pedig akár 2 vagy 3 évvel korábbi állapotokat tükrözhetnek. A vizsgálatban használt PDFM-vektorok ezzel szemben egyetlen hónap adataira épültek, és a Google szerint 17 országban érhetők el, miközben az ACS csak az Egyesült Államokat fedi le.

Az eredmények alapján a modell olyan helyzetekben is kiegészítheti a hagyományos népegészségügyi adatokat, ahol azok késnek vagy nem hozzáférhetők. A Google kutatása ugyanakkor az egyes egészségügyi területeken végzett partneri értékelések eredményeit mutatja be, ezért az alkalmazhatóságot feladatonként és földrajzi környezetenként vizsgálták.