Jak AI może pomóc nam przygotować się na drugą falę – Liderzy myśli

Napisane przez Eric Paternoster, CEO of Infosys Public Services

Dotychczas istniejące modele nauki danych nie radziły sobie najlepiej w przewidywaniu łatwości transmisji COVID-19, zakresu jego rozprzestrzeniania się i wybuchów w nowych ogniskach. Wiele z nich zostało opracowanych w pośpiechu, z ograniczoną ilością informacji.

Model AI byłby jednak adaptacyjny, zaprojektowany do skalowania i zautomatyzowany, łącząc dane socjologiczne, ekonomiczne i związane z COVID-19, aby umożliwić gospodarkom ponowne otwarcie się w przypadku wystąpienia kolejnej fali.

Dane wykorzystane w tym modelu powinny być zarówno dokładne, jak i istotne statystycznie. Muszą być również wiarygodne. Dotychczas rzeczy takie jak wartości R, poziomy odporności stadnej i wskaźniki śmiertelności były bardzo trudne do oszacowania na różnych obszarach, zwłaszcza w miejscach bez spójnej strategii testowania i śledzenia kontaktów. Innym problemem było to, że nawet w przypadku przeprowadzenia dobrych testów, występowały duże różnice w czułości i swoistości, spowodowane przez różnice w rodzajach testów immunodiagnostycznych i technikach pobierania próbek.

Nie tylko dane są niezadowalające, ale także same modele były wadliwe. Model wykorzystywany przez Biały Dom, opracowany przez Instytut Oceny Zdrowia i Metryki, nie uwzględniał różnic w kluczowych parametrach regionalnych i zakładał, że wirus będzie wpływał na populację w ten sam sposób, co w Chinach, Hiszpanii i Włoszech. Oczywiście, Stany Zjednoczone mają bardzo różne cechy populacyjne, poziomy kwarantanny i dostępność testów.

Inne modele, często opracowane przez wiodące uniwersytety na całym świecie, radziły sobie nieco lepiej. Uwzględniały one szacunki zakażeń, a także czynniki, które zwiększają ryzyko ciężkiej choroby lub śmierci. Ale nawet one opierały się na nieprecyzyjnych założeniach, prowadząc do błędów w działającym modelu. Na przykład model początkowo opracowany przez Imperial College London nie uwzględniał oczywistej zmiany w zachowaniu populacji, która nadal wystąpiłaby w przypadku braku interwencji rządowych. Nie miał również zrozumienia, w jaki sposób liczba reprodukcji wirusa (R0) zmieniłaby się w wyniku tego zachowania.

Nie dziwi więc, że wynikło tyle zamieszania, zwłaszcza w Stanach Zjednoczonych i Wielkiej Brytanii. Lekkie luzowanie kontroli bez przygotowania się do konsekwencji było kosztowne, nawet w przypadku, gdy choroba najprawdopodobniej powróci. Należy podjąć kroki, aby poinformować decyzje na bardziej szczegółowym poziomie. Populacje muszą być stratyfikowane, aby określić, kto pierwszy wyjdzie z lockdownu. Należy wdrożyć strategię umożliwiającą śledzenie kontaktów na dużą skalę i zapewnić, że opieka zdrowotna będzie wystarczająca w przyszłości.

Aby pomóc w tym, należy wykorzystać sztuczne sieci neuronowe i techniki głębokiego uczenia, uzupełniając istniejące modele epidemiologiczne i czyniąc je bardziej dynamicznymi i responsywnymi w czasie rzeczywistym. Ten model AI wykorzystywałby półnadzorowane lub nienadzorowane uczenie i mógłby działać nawet z ograniczonymi danymi wejściowymi z raportów testowych na dużą skalę. Będzie samowystarczalny i wymagałby mniejszej ilości danych do nauki i predykcji w porównaniu z obecnymi modelami. Poprzez ciągłe dostosowywanie parametrów wejściowych i ciągłe uczenie, model generowałby predykcje, które nie cierpiałyby z powodu nieuniknionych opóźnień w dostosowaniach.

Dzięki głębokiemu uczeniu, AI mógłby odkryć złożone wzorce, samodzielnie uczyć się i samodzielnie naprawiać. Mógłby również wykrywać anomalie i oceniać dokładność zmiennych, generując o wiele bardziej wiarygodne wyniki niż istniejące modele nauki danych dotyczące COVID-19.

Kluczowe parametry w tym modelu AI pochodziłyby z raportów testów klinicznych, danych śledzenia kontaktów i dużych zbiorów danych regionalnych, oraz obejmowałyby cechy populacyjne, status społeczno-ekonomiczny i czynniki ryzyka, takie jak palenie, uzależnienia od narkotyków i otyłość. Liczba zakażonych osób, które zostały poddane kwarantannie i nie mogły już rozprzestrzeniać infekcji, zostałaby uwzględniona w modelu.

To dałoby liderom zespołów zadaniowych wgląd potrzebny do powstrzymania tej niebezpiecznej choroby w sposób proaktywny, umożliwiając im podejmowanie racjonalnych decyzji w czasie zbliżonym do rzeczywistego, zapewniając światowym gospodarkom solidną i dobrze poinformowaną strategię wyjścia.