Jak sztuczna inteligencja może nam pomóc przygotować się na drugą falę – liderzy myśli

By Erica Paternostera, dyrektor generalny Infosys Public Services

Jak dotąd istniejące modele analityki danych nie sprawdziły się najlepiej w przewidywaniu łatwości przenoszenia się wirusa Covid-19, zasięgu jego rozwoju oraz ognisk w nowych gorących punktach. Wiele z nich powstało w pośpiechu i przy ograniczonych informacjach.

Model sztucznej inteligencji byłby jednak adaptacyjny, zbudowany na dużą skalę i zautomatyzowany, łącząc dane socjologiczne, ekonomiczne i zdrowotne związane z COVID, aby umożliwić pomyślne ponowne otwarcie gospodarek w przypadku pojawienia się kolejnej fali.

Dane użyte w tym modelu powinny być zarówno dokładne, jak i istotne statystycznie. Musi być także niezawodny. Jak dotąd bardzo trudno było oszacować wartości R, poziom odporności stadnej i wskaźniki śmiertelności w różnych regionach geograficznych, zwłaszcza w miejscach, w których nie istnieje spójna strategia testowania i śledzenia kontaktów. Innym problemem było to, że nawet jeśli przeprowadzono dobre testy, występowały ogromne różnice we wskaźnikach czułości i swoistości, spowodowane różnicami w typach testów immunodiagnostycznych i technikach pobierania próbek.

Nie tylko dane są niejasne, ale same modele są wadliwe. Model stosowany przez Biały Dom, zbudowany przez Instytut Pomiarów i Ewaluacji Zdrowia, nie uwzględniał różnic w kluczowych parametrach regionalnych i zakładał, że wirus wpłynie na populację w taki sam sposób, jak w Chinach, Hiszpanii i Włoszech . Oczywiście Stany Zjednoczone mają bardzo różną charakterystykę populacji, poziom kwarantanny i dostępność testów.

Inne modele, często opracowywane przez wiodące uniwersytety na całym świecie, radziły sobie nieco lepiej. Uwzględnili szacunkowe dane dotyczące zarażenia oraz czynniki zwiększające ryzyko poważnej choroby lub śmierci. Ale nawet one opierały się na niedokładnych założeniach, co prowadziło do błędów w działającym modelu. Na przykład model pierwotnie opracowany przez Imperial College w Londynie nie uwzględniał oczywistej zmiany w zachowaniach ludności, która nadal miałaby miejsce w przypadku braku interwencji zleconych przez rząd. Nie wiedziano także, jak zmieni się liczba reprodukcji wirusa (R0) w wyniku takiego zachowania.

Nic więc dziwnego, że spowodowało to tak wiele zamieszania, szczególnie w USA i Wielkiej Brytanii. Złagodzenie kontroli bez przygotowania na skutki było kosztowne, nawet jeśli choroba prawdopodobnie powróci. Należy podjąć środki już teraz, aby informować o procesie decyzyjnym na bardziej szczegółowym poziomie. Należy dokonać stratyfikacji populacji, aby określić, kto pierwszy wyjdzie z izolacji. Należy wdrożyć strategię umożliwiającą śledzenie kontaktów na dużą skalę i zapewniającą wystarczającą opiekę zdrowotną w przyszłości.

Aby w tym pomóc, należy zastosować sztuczne sieci neuronowe i techniki głębokiego uczenia się, rozszerzając istniejące modele epidemiologiczne i zwiększając ich dynamikę i responsywność w czasie rzeczywistym. Ten model sztucznej inteligencji wykorzystywałby uczenie się częściowo nadzorowane lub bez nadzoru i mógłby działać nawet przy ograniczonym wkładzie z raportów z testów na dużą skalę. Byłby samowystarczalny i wymagałby mniejszej ilości danych do uczenia się i przewidywania w porównaniu z obecnymi modelami. Dzięki ciągłemu dostosowywaniu parametrów wejściowych i ciągłemu uczeniu się model generowałby prognozy, które nie byłyby narażone na nieuniknione opóźnienia w dostosowaniu.

Dzięki głębokiemu uczeniu się sztuczna inteligencja może odkrywać złożone wzorce, samouczyć się i automatycznie leczyć. Może automatycznie wykrywać anomalie, a także oceniać dokładność zmiennych, dając znacznie bardziej wiarygodne wyniki niż istniejące modele nauki o danych dotyczących COVID.

Kluczowe parametry w tym modelu sztucznej inteligencji opierałyby się na raportach z testów klinicznych, danych dotyczących śledzenia kontaktów i dużych regionalnych zbiorach danych i obejmowałyby charakterystykę populacji regionalnej, status społeczno-ekonomiczny i czynniki ryzyka, takie jak palenie, uzależnienie od narkotyków i otyłość. Do modelu zostanie włączona liczba zakażonych osób, które poddały się kwarantannie i nie mogły już rozprzestrzeniać infekcji.

Zapewniłoby to liderom grup zadaniowych wiedzę potrzebną do powstrzymania tej niebezpiecznej choroby w sposób proaktywny, umożliwiając im podejmowanie racjonalnych decyzji w czasie zbliżonym do rzeczywistego, zapewniając gospodarkom światowym solidną i dobrze poinformowaną strategię wyjścia.