Cum poate inteligența artificială să ne ajute să ne pregătim pentru a doua valură – Lideri de gândire

De Eric Paternoster, CEO al Infosys Public Services

Până acum, modelele existente de știință a datelor nu au făcut o treabă prea bună la prezicerea ușurinței de transmitere a COVID-19, a extinderii sale și a izbucnirilor în noi zone fierbinți. Multe dintre ele au fost dezvoltate în grabă, cu informații limitate.

Un model de inteligență artificială, însă, ar fi adaptiv, construit pentru a fi scalabil și automatizat, procesând împreună date sociologice, economice și legate de sănătatea COVID pentru a permite economiilor să se redeschidă cu succes în cazul în care apare o a doua valură.

Datele utilizate în acest model ar trebui să fie atât precise, cât și statistic semnificative. De asemenea, ele trebuie să fie fiabile. Până acum, lucruri precum valorile R, nivelurile de imunitate a turmei și ratele de mortalitate au fost foarte greu de estimat în diferite regiuni, mai ales în locurile lipsite de o strategie coerentă de testare și urmărire a contactelor. O altă problemă a fost că, chiar și atunci când s-a efectuat o testare bună, au existat diferențe mari în ceea ce privește sensibilitatea și specificitatea, cauzate de variații în tipurile de teste imunodiagnostice și tehnici de colectare a probelor.

Nu numai că datele sunt slabe, dar și modelele însele au fost defectuoase. Modelul utilizat de Casa Albă, dezvoltat de Institutul pentru Evaluarea Metrică a Sănătății, nu a luat în considerare diferențele în parametrii regionali cheie și a presupus că virusul va afecta populația în același mod în care a făcut-o în China, Spania și Italia. Desigur, Statele Unite au caracteristici de populație foarte diferite, niveluri de carantină și disponibilitate a testării.

Alte modele, adesea dezvoltate de universități de top din întreaga lume, au făcut puțin mai bine. Ele au inclus estimări ale contaminării, împreună cu factori care cresc riscul de boală gravă sau deces. Dar chiar și acestea s-au bazat pe presupuneri inexacte, conducând la erori în modelul de funcționare. De exemplu, modelul inițial dezvoltat de Imperial College London nu a reușit să deducă schimbarea evidentă a comportamentului populației care ar apărea și în absența intervențiilor impuse de guvern. De asemenea, a lipsit o înțelegere a modului în care numărul de reproducere a virusului (R0) s-ar schimba ca urmare a acestui comportament.

Nu este de mirare, deci, că a rezultat atâta confuzie, mai ales în Statele Unite și Regatul Unit. Relaxarea controlului fără pregătire pentru consecințe a fost costisitoare, chiar și atunci când boala este probabil să se întoarcă. Trebuie luate măsuri pentru a informa procesul de luare a deciziilor la un nivel mai granular. Populațiile trebuie stratificate pentru a determina cine iese primul din carantină. Trebuie implementată o strategie pentru a permite urmărirea contactelor la scară largă și pentru a asigura că îngrijirea medicală este suficientă în viitor.

Pentru a ajuta la acest lucru, ar trebui utilizate rețele neuronale artificiale și tehnici de învățare profundă, completând modelele epidemiologice existente și făcându-le mai dinamice și mai receptive în timp real. Acest model de inteligență artificială ar utiliza învățarea semi-supervizată sau nesupervizată și ar putea funcționa chiar și cu intrări limitate din rapoarte de testare la scară largă. Ar fi auto-sustenabil și ar necesita o cantitate redusă de date pentru a învăța și a face previziuni, comparativ cu modelele actuale. Prin ajustarea continuă a parametrilor de intrare și prin învățarea continuă, modelul ar genera previziuni care nu ar suferi de întârzieri inevitabile de ajustare.

Cu învățarea profundă, inteligența artificială poate descoperi tipare complexe, auto-învăța și auto-vindecă în mod automat. Poate detecta automat anomaliile și ar putea, de asemenea, să judece acuratețea variabilelor, producând rezultate mult mai fiabile decât modelele actuale de știință a datelor COVID.

Parametrii cheie în acest model de inteligență artificială ar proveni din rapoarte de teste clinice, date de urmărire a contactelor și seturi de date regionale mari, și ar include caracteristici ale populației regionale, statutul socio-economic și factori de risc, cum ar fi fumatul, dependența de droguri și obezitatea. Numărul de persoane infectate care au fost carantinate și nu au putut mai răspândi infecția ar fi incorporat în model.

Acest lucru ar oferi liderilor forțelor de intervenție informațiile necesare pentru a combate această boală periculoasă în mod proactiv, permițându-le să ia decizii raționale în timp real, oferind economiilor mondiale o strategie de ieșire robustă și bine informată.