Hvordan AI kan hjælpe os med at forberede os på den anden bølge – Tankeledere

Af Eric Paternoster, CEO of Infosys Public Services

Indtil nu har eksisterende datavidenskabsmodeller ikke gjort det bedste job med at forudsige, hvor let COVID-19 kan sprede sig, omfanget af dets udvikling og udbrud i nye varme punkter. Mange af dem blev udviklet i en hast, med begrænsede oplysninger.

En AI-model, derimod, ville være tilpasningsdygtig, bygget til at skala og automatiseret, og ville sammenføje sociologiske, økonomiske og COVID-relaterede sundhedsdata for at enable økonomierne til at genåbne med succes, hvis en ny bølge skulle opstå.

De data, der bruges i denne model, skal være både nøjagtige og statistisk signifikante. De skal også være pålidelige. Indtil nu har ting som R-værdier, flokimmunitetsniveauer og dødelighedsrater været meget svære at estimere på tværs af geografier, især på steder uden en samlet test- og sporingstrategi. Et andet problem har været, at selv når god testning er blevet udført, har der været vilde forskelle i sensitivitet og specificitetsrater, forårsaget af variationer i immunodiagnostiske testtyper og prøveindsamlingsteknikker.

Ikke kun er dataene mangelfulde, men modellerne selv har været fejlbehæftede. Modellen, der blev brugt af Det Hvide Hus, og som blev udviklet af Institute for Health Metrics and Evaluation, tog ikke hensyn til forskelle i nøgleregionale parametre og antog, at virusset ville påvirke befolkningen på samme måde, som det gjorde i Kina, Spanien og Italien. Selvfølgelig har USA meget forskellige befolkningskarakteristika, karantæneniveauer og testtilgængelighed.

Andre modeller, ofte udviklet af førende universiteter verden over, gjorde det lidt bedre. De inkorporerede estimater af smitte, sammen med faktorer, der øger risikoen for alvorlig sygdom eller død. Men selv disse var baseret på ukorrekte antagelser, hvilket ledte til fejl i den arbejdende model. For eksempel fik modellen, der oprindeligt blev udviklet af Imperial College London, ikke indført den åbenlyse ændring i befolkningsadfærd, der ville opstå i fravær af regeringskrævede interventioner. Den manglede også forståelse for, hvordan virusreproduktionsnummeret (R0) ville ændre sig på grund af denne adfærd.

Det er derfor ikke overraskende, at så meget forvirring er opstået, især i USA og Storbritannien. At lette kontrollerne uden forberedelse til konsekvenserne har været kostbart, selv når sygdommen sandsynligvis vil vende tilbage. Foranstaltninger skal træffes nu for at informere beslutningstagningen på et mere detaljeret niveau. Befolkningerne skal stratificeres for at bestemme, hvem der kommer ud af låsning først. En strategi skal implementeres for at enable kontaktsporing i stor skala og sikre, at sundhedspleje er tilstrækkeligt i fremtiden.

For at hjælpe hermed skal kunstige neurale netværk og dyb læringsteknikker bruges, og eksisterende epidemiologiske modeller skal suppleres og gøres mere dynamiske og responsivt i realtid. Denne AI-model ville bruge semi-overvåget eller uovervåget læring og kunne fungere selv med begrænsede input fra stortestrapporter. Den ville være selvvedligeholdende og kræve en reduceret mængde data for at lære og forudsige, sammenlignet med nuværende modeller. Ved kontinuerligt at justere inputparametrene og kontinuerligt at lære, ville modellen generere forudsigelser, der ikke ville lide under uundgåelige justeringsforsinkninger.

Med dyb læring kan AI opdage komplekse mønstre, selv-lære og selv-helbrede automatisk. Den kan selv-opdage anomalier og ville også være i stand til at bedømme nøjagtigheden af variabler, og producere langt mere pålidelige resultater end eksisterende COVID-datavidenskabsmodeller.

Nøgleparametre i denne AI-model ville trække fra kliniske testrapporter, kontaktsporingdata og store regionale datasæt, og inkludere regionale befolkningskarakteristika, socioøkonomisk status og risikofaktorer som rygning, stofafhængighed og fedme. Antallet af inficerede personer, der karantæner og ikke længere kan sprede infektionen, ville blive inkorporeret i modellen.

Dette ville give task force-ledere de indsigt, der er nødvendig for at stoppe denne farlige sygdom på en proaktiv måde, og enable dem til at træffe rationelle beslutninger i næsten-realtid, og give verdensøkonomierne en robust og velunderrettet exitstrategi.