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 data science-modeller ikke gjort det beste jobben med å forutsi lettheten av overføring av COVID-19, omfanget av dens utvikling og utbrudd i nye varme områder. Mange ble utviklet i en rush, med begrenset informasjon.

En AI-modell, derimot, ville være tilpasningsdyktig, bygget for å skaleres og automatisert, og sammenstille sociologiske, økonomiske og COVID-relaterte helsedata for å enable økonomier å åpne suksessfullt 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, flokkimmunitetsnivåer og dødelighetsrater vært svært vanskelige å estimere over geografier, spesielt i steder uten en samlet testings- og sporingstrategi. Et annet problem har vært at, selv når god testing har blitt gjennomført, har det vært store forskjeller i sensitivitet og spesifisitet, forårsaket av variasjoner i immunodiagnostiske testtyper og prøveinnsamlingsteknikker.

Ikke bare er dataene mangelfulle, men modellene selv har 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, kvantiteten av 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, som ledet til feil i arbeidsmodellen. For eksempel, modellen som initialt 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 denne atferden.

Ingen under at så mye forvirring har oppstått, spesielt i USA og Storbritannia. Å lette kontrollene uten forberedelse til følgene har vært kostbart, selv når sykdommen sannsynligvis kommer tilbake. Tiltak må tas 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 dyptlæringsteknikker 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 begrenset innputt fra stor skala testrapporter. Den ville være selvvedlikeholdende og kreve en reduert mengde data for å lære og forutsi, sammenlignet med nåværende modeller. Ved kontinuerlig tilpasning av innputtparametre og kontinuerlig læring, ville modellen generere forutsigelser som ikke ville lide under uunngåelige tilpasningsforsinkelser.

Med dyptlæring, kan AI oppdage komplekse mønster, selv-lære og selv-helbrede automatisk. Den kan auto-oppdage anomalier og ville også være i stand til å dømme nøyaktigheten av variabler, og produsere mye mer pålitelige resultater enn eksisterende COVID data science-modeller.

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

Dette ville gi oppgavelederne de innsiktene som trengs for å stoppe denne farlige sykdommen på en proaktiv måte, og enable dem til å ta rasjonelle beslutninger i nærmest sanntid, og gi verdens økonomier en robust og godt informert utgangsstrategi.