Как ИИ может помочь нам подготовиться ко второму штурму – лидеры мнений

От Эрика Патерностера, генерального директора Infosys Public Services

До сих пор существующие модели данных не смогли хорошо предсказать легкость передачи COVID-19, степень его развития и вспышки в новых горячих точках. Многие из них были разработаны в спешке, с ограниченной информацией.

Модель ИИ, однако, будет адаптивной, построенной для масштабирования и автоматизации, объединяющей социологические, экономические и связанные с COVID данные о здоровье, чтобы позволить экономикам успешно возобновиться в случае повторного возникновения.

Данные, используемые в этой модели, должны быть точными и статистически значимыми. Они также должны быть надежными. До сих пор такие вещи, как значения R, уровни коллективного иммунитета и показатели смертности, были очень трудными для оценки по географии, особенно в местах без четкой стратегии тестирования и отслеживания контактов. Другой проблемой было то, что даже при хорошем тестировании были большие различия в показателях чувствительности и специфичности, вызванные разнообразием типов иммунодиагностических тестов и методов сбора образцов.

Не только данные несовершенны, но и сами модели были ошибочными. Модель, используемая Белым домом, разработанная Институтом оценки здоровья и метрик, не учитывала различия в ключевых региональных параметрах и предполагала, что вирус будет влиять на население так же, как в Китае, Испании и Италии. Конечно, у США есть очень разные характеристики населения, уровни карантина и доступность тестирования.

Другие модели, часто разработанные ведущими университетами мира, работали немного лучше. Они включали оценки заражения, а также факторы, увеличивающие риск серьезного заболевания или смерти. Но даже эти модели были основаны на неточных предположениях, что привело к ошибкам в рабочей модели. Например, модель, первоначально разработанная Имперским колледжем Лондона, не смогла сделать вывод об очевидных изменениях в поведении населения, которые все равно возникнут в отсутствие государственных вмешательств. Она также не понимала, как число воспроизводства вируса (R0) изменится из-за этого поведения.

Неудивительно, что это привело к такому большому количеству путаницы, особенно в США и Великобритании. Смягчение контроля без подготовки к последствиям было дорого, даже когда болезнь, скорее всего, вернется. Необходимо принять меры, чтобы информировать процесс принятия решений на более детальном уровне. Население должно быть стратифицировано, чтобы определить, кто первым выйдет из карантина. Необходимо реализовать стратегию, чтобы ermögчить отслеживание контактов в крупном масштабе и обеспечить достаточную медицинскую помощь в будущем.

Чтобы помочь в этом, должны быть использованы искусственные нейронные сети и методы глубокого обучения, дополняющие существующие эпидемиологические модели и делающие их более динамичными и реагирующими в реальном времени. Эта модель ИИ будет использовать полуавтоматическое или неавтоматическое обучение и сможет работать даже с ограниченным вводом от отчетов о тестировании в крупном масштабе. Она будет самодостаточной и потребует меньшего количества данных для обучения и прогнозирования по сравнению с текущими моделями. Постоянно корректируя входные параметры и постоянно учась, модель будет генерировать прогнозы, которые не будут страдать от неизбежных задержек корректировки.

С помощью глубокого обучения ИИ может обнаружить сложные закономерности, самообучаться и самоисцеляться автоматически. Он также сможет обнаруживать аномалии и оценивать точность переменных, производя намного более надежные результаты, чем существующие модели данных COVID.

Ключевые параметры в этой модели ИИ будут включать клинические отчеты о тестировании, данные об отслеживании контактов и большие региональные наборы данных, а также региональные характеристики населения, социально-экономический статус и факторы риска, такие как курение, наркозависимость и ожирение. Количество инфицированных людей, которые находятся в карантине и больше не могут распространять инфекцию, будет включено в модель.

Это даст лидерам рабочих групп информацию, необходимую для предотвращения этого опасного заболевания в активном порядке, позволяя им принимать рациональные решения в реальном времени, предоставляя мировой экономике прочную и хорошо обоснованную стратегию выхода.