Hvordan AI kan hjelpe oss med å forberede oss på den andre bølgen – Tankeledere

Av Eric Paternoster, CEO of Infosys Public Services

Hittil har eksisterende datavitenskapsmodeller ikke gjort en særlig god job med å forutsi hvor lett COVID-19 kan sprede seg, hvor langt utviklingen kan gå og hvor nye utbrudd kan oppstå. Mange av disse modellene ble utviklet i all hast, med begrensede informasjon.

En AI-modell, derimot, ville være tilpassbar, bygget for å skaleres og automatisert, og skulle kunne koble sammen sosiale, økonomiske og COVID-relaterte helsedata for å enable økonomier å åpne igjen på en suksessfull måte hvis en ny bølge skulle oppstå.

Dataene som brukes i denne modellen må være både nøyaktige og statistisk signifikante. De må også være pålitelige. Hittil har ting som R-verdier, flokkimmunitet og dødelighet vært svært vanskelige å estimere over geografiske områder, spesielt i steder uten en sammenhengende test- og sporingstrategi. Et annet problem har vært at selv når god testing har blitt utført, har det vært store variasjoner i sensitivitet og spesifisitet, forårsaket av variasjoner i immunodiagnostiske testtyper og prøveinnsamlingsteknikker.

Ikke bare er dataene mangelfulle, men modellene selv har også vært feilaktige. Modellen som ble brukt av Det hvite hus, utviklet av Institute for Health Metrics and Evaluation, tok ikke hensyn til forskjeller i nøkkelregionale parametre og antok at viruset ville påvirke befolkningen på samme måte som i Kina, Spania og Italia. Selvfølgelig har USA svært forskjellige befolkningskarakteristika, karantene og testtilgjengelighet.

Andre modeller, ofte utviklet av ledende universiteter rundt om i verden, gjorde det litt bedre. De inkluderte estimater av smitte, sammen med faktorer som øker risikoen for alvorlig sykdom eller død. Men selv disse var basert på uriktige antagelser, noe som ledet til feil i arbeidsmodellen. For eksempel, modellen som opprinnelig ble utviklet av Imperial College London, klarte ikke å slutte seg til den åpenbare endringen i befolkningsatferd som ville oppstå i fravær av regjeringens pålagte inngrep. Den manglet også forståelse for hvordan virusets reprodusjon (R0) tall ville endre seg på grunn av dette atferden.

Ingen under at så mye forvirring har oppstått, spesielt i USA og Storbritannia. Å lette kontrollene uten forberedelser til konsekvensene har vært kostbart, selv når sykdommen sannsynligvis vil returnere. Det må tas tiltak nå for å informere beslutningstaking på et mer detaljert nivå. Befolkningen må stratifiseres for å bestemme hvem som kommer ut av låsning først. En strategi må implementeres for å enable kontaktsporing i stor skala og sikre at helsevesenet er tilstrekkelig i fremtiden.

For å hjelpe med dette, bør kunstige nevralt nettverk og dyplæringsteknikker brukes, og supplere eksisterende epidemiologiske modeller og gjøre dem mer dynamiske og responsive i sanntid. Denne AI-modellen ville bruke semi-overvåket eller uovervåket læring og kunne fungere selv med begrensede inndata fra stor-skala testrapporter. Den ville være selvvedlikeholdende og kreve mindre data for å lære og forutsi, sammenlignet med gjeldende modeller. Ved kontinuerlig justering av inndataparametre og kontinuerlig læring, ville modellen generere forutsigelser som ikke ville lide under uunngåelige justeringsforsinkelser.

Med dyplæring, kunne AI oppdage komplekse mønster, selv-lære og selv-helbrede automatisk. Den kunne også auto-detektere anomalier og ville også være i stand til å vurdere nøyaktigheten av variablene, og produsere mye mer pålitelige resultater enn eksisterende COVID-datavitenskapsmodeller.

Nøkkelparametere i denne AI-modellen ville trekke fra kliniske testrapporter, kontaktsporingdata og store regionale datasamlinger, og inkludere regionale befolkningskarakteristika, sosioøkonomisk status og risikofaktorer som røyking, stoffavhengighet og fedme. Antallet infiserte personer som karantene og ikke lenger kunne spre sykdommen, ville bli inkorporert i modellen.

Dette ville gi oppgavelederne de innsiktene som trengs for å stanse denne farlige sykdommen på en proaktiv måte, og enable dem til å ta rasjonelle beslutninger i nærmest sanntid, og gi verdensøkonomiene en robust og velinformert exit-strategi.