Wie KI uns helfen kann, uns auf die zweite Welle vorzubereiten – Thought Leaders

Von Eric Paternoster, CEO von Infosys Public Services

Bisher haben bestehende Data-Science-Modelle nicht den besten Job gemacht, um die Leichtigkeit der Übertragung von COVID-19, das Ausmaß seiner Entwicklung und Ausbrüche in neuen Hotspots vorherzusagen. Viele wurden in Eile entwickelt, mit begrenzten Informationen.

Ein KI-Modell hingegen wäre adaptiv, skalierbar und automatisiert, es würde soziologische, wirtschaftliche und COVID-bezogene Gesundheitsdaten zusammenfassen, um es den Volkswirtschaften zu ermöglichen, erfolgreich wieder zu öffnen, sollte eine weitere Welle auftreten.

Die für dieses Modell verwendeten Daten sollten sowohl genau als auch statistisch signifikant sein. Sie müssen auch zuverlässig sein. Bisher waren Dinge wie R-Werte, Herdenimmunitätsebenen und Todesraten sehr schwierig zu schätzen, insbesondere in Gebieten ohne kohärente Test- und Kontaktverfolgungsstrategie. Ein weiteres Problem war, dass selbst bei guter Testdurchführung erhebliche Unterschiede in den Sensitivitäts- und Spezifitätsraten auftraten, verursacht durch Varianzen in immunodiagnostischen Testtypen und Probenahmetechniken.

Nicht nur die Daten sind mangelhaft, sondern auch die Modelle selbst sind fehlerhaft. Das Modell, das vom Weißen Haus verwendet wurde, das vom Institute for Health Metrics and Evaluation entwickelt wurde, berücksichtigte nicht die Unterschiede in wichtigen regionalen Parametern und nahm an, dass das Virus die Bevölkerung auf die gleiche Weise beeinflussen würde wie in China, Spanien und Italien. Natürlich hat die USA sehr unterschiedliche Bevölkerungsmerkmale, Quarantäneebenen und Testverfügbarkeit.

Andere Modelle, oft von führenden Universitäten auf der ganzen Welt entwickelt, funktionierten ein wenig besser. Sie berücksichtigten Schätzungen der Ansteckung sowie Faktoren, die das Risiko einer schweren Erkrankung oder des Todes erhöhen. Aber auch diese basierten auf ungenauen Annahmen, was zu Fehlern im Arbeitsmodell führte. Zum Beispiel versagte das ursprünglich von der Imperial College London entwickelte Modell, die offensichtliche Änderung im Verhalten der Bevölkerung zu erkennen, die auch im Falle fehlender staatlicher Eingriffe auftreten würde. Es verstand auch nicht, wie sich die Virusreproduktionszahl (R0) aufgrund dieses Verhaltens ändern würde.

Kein Wunder also, dass so viel Verwirrung entstanden ist, insbesondere in den USA und dem Vereinigten Königreich. Die Lockerung der Kontrollen ohne Vorbereitung auf die Folgen war teuer, selbst wenn die Krankheit wahrscheinlich zurückkehren wird. Maßnahmen müssen jetzt ergriffen werden, um die Entscheidungsfindung auf einer feineren Ebene zu unterstützen. Die Bevölkerung muss stratifiziert werden, um zu bestimmen, wer zuerst aus dem Lockdown herauskommt. Eine Strategie muss implementiert werden, um die Kontaktverfolgung im großen Maßstab zu ermöglichen und sicherzustellen, dass die Gesundheitsversorgung in der Zukunft ausreichend ist.

Um hierbei zu helfen, sollten künstliche neuronale Netze und Deep-Learning-Techniken verwendet werden, um bestehende epidemiologische Modelle zu ergänzen und sie dynamischer und reaktionsfähiger in Echtzeit zu machen. Dieses KI-Modell würde semi-überwachtes oder unüberwachtes Lernen verwenden und könnte auch mit begrenztem Input von groß angelegten Testberichten arbeiten. Es wäre selbsttragend und würde weniger Daten benötigen, um zu lernen und vorherzusagen, im Vergleich zu aktuellen Modellen. Durch kontinuierliche Anpassung der Eingabeparameter und kontinuierliches Lernen würde das Modell Vorhersagen generieren, die nicht unter unvermeidlichen Anpassungsverzögerungen leiden würden.

Mit Deep Learning könnte KI komplexe Muster erkennen, selbst lernen und selbst heilen. Es kann Anomalien automatisch erkennen und auch die Genauigkeit von Variablen beurteilen, was viel zuverlässigere Ergebnisse als bestehende COVID-Data-Science-Modelle liefern würde.

Schlüsselparameter in diesem KI-Modell würden aus klinischen Testberichten, Kontaktverfolgungsdaten und großen regionalen Datensätzen stammen und regionale Bevölkerungsmerkmale, sozioökonomischen Status und Risikofaktoren wie Rauchen, Drogenabhängigkeit und Adipositas umfassen. Die Anzahl der infizierten Personen, die sich in Quarantäne befanden und die Infektion nicht länger verbreiten konnten, würde in das Modell einbezogen.

Dies würde den Leitern der Aufgabenkräfte die notwendigen Erkenntnisse liefern, um diese gefährliche Krankheit proaktiv zu bekämpfen, ihnen ermöglichen, rationale Entscheidungen in nahezu Echtzeit zu treffen und den Weltwirtschaften eine robuste und gut informierte Ausstiegstrategie zu bieten.