Hoe AI ons kan helpen om ons voor te bereiden op de tweede golf – Thought Leaders

Door Eric Paternoster, CEO van Infosys Public Services

Tot nu toe hebben bestaande data science-modellen het niet zo goed gedaan bij het voorspellen van de gemakkelijkheid van overdracht van COVID-19, de omvang van de ontwikkeling en uitbraken in nieuwe brandhaarden. Veel ervan zijn in haast ontwikkeld, met beperkte informatie.

Een AI-model zou echter adaptief zijn, gebouwd om te schalen en geautomatiseerd, waarbij sociologische, economische en COVID-gerelateerde gezondheidsgegevens worden samengevoegd om economieën in staat te stellen om succesvol te heropenen als er een tweede golf optreedt.

De gegevens die in dit model worden gebruikt, moeten zowel nauwkeurig als statistisch significant zijn. Ze moeten ook betrouwbaar zijn. Tot nu toe zijn dingen als R-waarden, niveaus van kudde-immuniteit en sterftecijfers erg moeilijk te schatten over geografische gebieden, vooral op plaatsen zonder een samenhangende test- en contactopsporingsstrategie. Een ander probleem was dat, zelfs wanneer goede tests zijn uitgevoerd, er wilde verschillen waren in gevoeligheid en specificiteit, veroorzaakt door variatie in immunodiagnostische testtypen en specimencollectietechnieken.

De gegevens zijn niet alleen van slechte kwaliteit, maar de modellen zelf zijn ook gebrekkig. Het model dat door het Witte Huis wordt gebruikt, ontwikkeld door het Institute for Health Metrics and Evaluation, nam geen rekening met verschillen in belangrijke regionale parameters en nam aan dat het virus de bevolking op dezelfde manier zou beïnvloeden als in China, Spanje en Italië. Natuurlijk heeft de VS heel andere bevolkingskenmerken, quarantaineniveaus en testbeschikbaarheid.

Andere modellen, vaak ontwikkeld door toonaangevende universiteiten over de hele wereld, deden het een beetje beter. Ze namen schattingen van besmetting op, samen met factoren die het risico op ernstige ziekte of dood verhogen. Maar zelfs deze waren gebaseerd op onnauwkeurige aannamen, wat leidde tot fouten in het werkmodel. Zo faalde het model dat oorspronkelijk door het Imperial College London was ontwikkeld, om de voor de hand liggende verandering in populatiegedrag te achterhalen die nog steeds zou optreden in de afwezigheid van door de overheid opgelegde interventies. Het ontbrak ook aan inzicht in hoe het virusreproductienummer (R0) zou veranderen als gevolg van dit gedrag.

Geen wonder dat er zo veel verwarring is ontstaan, vooral in de VS en het VK. Het opheffen van controles zonder voorbereiding op de gevolgen is duur geweest, zelfs als de ziekte waarschijnlijk terugkeert. Maatregelen moeten nu worden genomen om besluitvorming op een meer gedetailleerd niveau te informeren. Populaties moeten worden gestratificeerd om te bepalen wie het eerst uit de lockdown komt. Een strategie moet worden geïmplementeerd om contactopsporing op grote schaal mogelijk te maken en ervoor te zorgen dat de zorg in de toekomst toereikend is.

Om hierbij te helpen, moeten kunstmatige neurale netwerken en diepe leertechnieken worden gebruikt, waarbij bestaande epidemiologische modellen worden aangevuld en dynamischer en responsiever in real-time worden gemaakt. Dit AI-model zou semi-begeleide of onbegeleide leerlingen gebruiken en zou zelfs met beperkte invoer van grootschalige testrapporten kunnen werken. Het zou zelfonderhoudend zijn en zou minder gegevens nodig hebben om te leren en te voorspellen dan de huidige modellen. Door continu invoerparameters aan te passen en continu te leren, zou het model voorspellingen genereren die niet zouden lijden onder onvermijdelijke aanpassingsvertragingen.

Met diepe leer kan AI complexe patronen ontdekken, zelf leren en zelf genezen. Het kan automatisch afwijkingen detecteren en zou ook in staat zijn om de nauwkeurigheid van variabelen te beoordelen, waardoor veel betrouwbaardere resultaten worden geproduceerd dan bestaande COVID-data science-modellen.

Sleutelparameters in dit AI-model zouden worden ontleend aan klinische testrapporten, contactopsporingsgegevens en grote regionale datasets, en zouden regionale bevolkingskenmerken, socio-economische status en risicofactoren zoals roken, drugverslaving en obesitas omvatten. Het aantal geïnfecteerde personen dat in quarantaine zat en de infectie niet langer kon verspreiden, zou in het model worden opgenomen.

Dit zou de leiders van de taakgroep de inzichten geven die nodig zijn om deze gevaarlijke ziekte op een proactieve manier te bestrijden, waardoor ze in staat zouden zijn om rationele beslissingen te nemen in bijna-reële tijd, waarbij wereldwijde economieën worden voorzien van een robuuste en goed geïnformeerde exitstrategie.