Miten tekoäly voi auttaa meitä valmistautumaan toiseen aaltoon – ajattelijat

Kirjoittanut Eric Paternoster, Infosys Public Servicesin toimitusjohtaja

Tähän asti olemassa olevat data-analytiikkamallit eivät ole tehneet parasta työtä COVID-19:n leviämisen helppouden, kehittymisen ja uusien keskusten ennustamisessa. Monet niistä kehitettiin kiireessä, rajoitetuin tiedoin.

Tekoälymalli sen sijaan olisi sopeutumiskykyinen, skaalautuva ja automaattinen, ja se yhdistäisi sosiologisia, taloudellisia ja COVID-19:ään liittyviä terveydenhuollon tietoja, jotta taloudet voivat avautua onnistuneesti, jos toinen aalto tapahtuu.

Tässä mallissa käytettävien tietojen on oltava sekä tarkkoja että tilastollisesti merkittäviä. Niiden on myös oltava luotettavia. Tähän asti on ollut vaikea arvioida asioita, kuten R-arvoja, laumaimmunitasoa ja kuolemanriskiä, erityisesti paikoissa, joissa ei ole ollut johdonmukaista testaamis- ja jäljitysstrategiaa. Toisena ongelmana on ollut, että jopa hyvän testauksen jälkeen on ollut suuria eroja herkkyyden ja spesifisyyden osalta, johtuen immunodiagnostisen testityypin ja näytteenottotekniikan vaihtelusta.

Ei vain tiedot ole olleet heikkoja, vaan myös mallit itse ovat olleet virheellisiä. Valkoisen talon käyttämä malli, jonka kehitti Institute for Health Metrics and Evaluation, ei ottanut huomioon alueellisia eroja avainparametreissa ja oletti, että virus vaikuttaisi väestöön samalla tavalla kuin Kiinassa, Espanjassa ja Italiassa. Yhdysvallat on kuitenkin erilainen maiden joukossa, ja siellä on erilaiset väestöpiirteet, karanteenitason ja testaamisen saatavuus.

Muiden mallien, usein johtavien yliopistojen kehittämien, suorituskyky oli hieman parempi. Ne ottivat huomioon tartunnan arviot sekä tekijät, jotka lisäävät vakavan sairauden tai kuoleman riskiä. Nekin perustuivat kuitenkin virheellisiin oletuksiin, mikä johti virheisiin toimivassa mallissa. Esimerkiksi Imperial College Lontoon alun perin kehittämä malli ei pystynyt johtamaan ilmeistä muutosta väestön käyttäytymisessä, joka edelleen tapahtuisi hallituksen pakotteiden puuttuessa. Se myös ei ymmärtänyt, miten viruksen lisääntymisluvun (R0) muutos johtuisi tästä käyttäytymisestä.

Ei ole siis ihme, että niin paljon sekaannusta on syntynyt, erityisesti Yhdysvalloissa ja Isossa-Britanniassa. Valvontatoimien lopettaminen ilman valmistautumista seurauksiin on ollut kallista, vaikka tauti todennäköisesti palaa. Toimenpiteitä on tehtävä nyt, jotta päätöksenteko voidaan tehdä hienojakoisemmalla tasolla. Väestö on jaettava eri ryhmiin, jotta voidaan määrittää, kuka pääsee ensin karanteenista. On toteutettava strategia, joka mahdollistaa laajamittaisen jäljityksen ja varmistaa, että terveydenhuolto on riittävää tulevaisuudessa.

Tässä auttaa tekoälyverkkoja ja syväoppimismenetelmiä, joita voidaan käyttää olemassa olevien epidemiologisten mallien täydentämiseen ja tekemiseen dynaamisemmista ja vastaanottavammista reaaliajassa. Tämä tekoälymalli käyttäisi osittain valvottua tai valvomattomaa oppimista ja voisi toimia vain rajoitetuin syöttein suurten testiraporttien perusteella. Se olisi itsesäätelevä ja vaatisi vähemmän dataa oppimiseen ja ennustamiseen verrattuna nykyisiin malleihin. Jatkuvasti sopeuttaen syöteparametreja ja jatkuvasti oppien, malli tuottaisi ennusteita, jotka eivät kärsisi väättämättömistä sopeutusviiveistä.

Syväoppimisen avulla tekoäly voi löytää monimutkaisia kuvioita, oppia itse ja parantaa itseään automaattisesti. Se voi myös havaita poikkeavuuksia ja arvioida muuttujien tarkkuutta, tuottaen paljon luotettavampia tuloksia kuin nykyiset COVID-19:n data-analytiikkamallit.

Tässä tekoälymallissa avainparametrit perustuvat kliinisiin testiraportteihin, jäljitysdataan ja laajoihin alueellisiin tietoihin ja sisältävät alueellisia väestöpiirteitä, sosioekonomista asemaa ja riskitekijöitä, kuten tupakointia, huumeiden käyttöä ja lihavuutta. Määrä infektioita, jotka karanteenissa ja eivät enää levittäneet tartuntaa, sisällytetään malliin.

Tämä antaisi tehtävänjohtajille tarvittavat näkymät tähän vaarallisen taudin hillitsemiseen proaktiivisella tavalla, mahdollistaen heidän tehdä rationaalisia päätöksiä lähes reaaliajassa ja tarjoavan maailman talouksille vankkaan ja perustellun exit-strategian.