Hur AI kan hjälpa oss att förbereda oss för den andra vågen – Tankeledare

Av Eric Paternoster, VD för Infosys Public Services

Hittills har befintliga datavetenskapsmodeller inte gjort det bästa jobbet med att förutsäga hur lätt COVID-19 sprids, dess utveckling och utbrott i nya epicentrum. Många utvecklades i en rush, med begränsad information.

En AI-modell, däremot, skulle vara anpassningsbar, byggd för att skala och automatiserad, som krossar samman sociologiska, ekonomiska och COVID-relaterade hälsodata för att möjliggöra att ekonomin kan öppnas igen framgångsrikt om en ny våg inträffar.

De data som används i denna modell måste vara både precisa och statistiskt signifikanta. De måste också vara tillförlitliga. Hittills har saker som R-värden, flockimmunitetsnivåer och dödstal varit mycket svåra att uppskatta över hela geografier, särskilt på platser utan en sammanhängande test- och smittspårningsstrategi. Ett annat problem har varit att, även när bra tester har genomförts, det har funnits stora skillnader i känslighet och specificitet, orsakade av variationer i immunodiagnostiska testtyper och provinsamlingstekniker.

Inte bara data är undermåliga, utan modellerna i sig har också varit felaktiga. Modellen som användes av Vita huset, som byggdes av Institute for Health Metrics and Evaluation, tog inte hänsyn till skillnader i viktiga regionala parametrar och antog att viruset skulle påverka befolkningen på samma sätt som i Kina, Spanien och Italien. Naturligtvis har USA mycket annorlunda befolkningskaraktärer, karantännivåer och testtillgänglighet.

Andra modeller, ofta utvecklade av ledande universitet runt om i världen, gjorde lite bättre. De inkluderade uppskattningar av smittspridning, tillsammans med faktorer som ökar risken för allvarlig sjukdom eller död. Men även dessa var baserade på felaktiga antaganden, vilket ledde till fel i den fungerande modellen. Till exempel misslyckades den ursprungliga modellen som utvecklades av Imperial College London med att dra den uppenbara slutsatsen om förändringen i befolkningsbeteende som fortfarande skulle uppstå i avsaknad av regeringsauktoriserade ingripanden. Den saknade också förståelse för hur virusreproduktionsnumret (R0) skulle förändras på grund av detta beteende.

Inget under att så mycket förvirring har uppstått, särskilt i USA och Storbritannien. Att lätta på kontrollerna utan att förbereda sig för följderna har varit dyrt, även när sjukdomen sannolikt kommer tillbaka. Åtgärder måste vidtas nu för att informera beslutsfattandet på en mer detaljerad nivå. Befolkningen måste stratifieras för att avgöra vem som kommer ut från låsning först. En strategi måste implementeras för att möjliggöra smittspårning i stor skala och säkerställa att hälsovården är tillräcklig i framtiden.

För att hjälpa till med detta bör artificiella neuronnät och djupinlärningstekniker användas, som kompletterar befintliga epidemiologiska modeller och gör dem mer dynamiska och responsiva i realtid. Denna AI-modell skulle använda semi-övervakad eller oövervakad inlärning och kunde fungera även med begränsad inmatning från storskaliga testrapporter. Den skulle vara självförsörjande och kräva en reducerad mängd data för att lära och förutsäga, jämfört med nuvarande modeller. Genom att kontinuerligt justera inmatningsparametrar och kontinuerligt lära, skulle modellen generera förutsägelser som inte skulle lida av oundvikliga justeringsförseningar.

Med djupinlärning kan AI upptäcka komplexa mönster, självlära och självläka automatiskt. Den kan automatiskt upptäcka avvikelser och skulle också kunna bedöma variabelns noggrannhet, vilket resulterar i mycket mer tillförlitliga resultat än befintliga COVID-datavetenskapsmodeller.

Nyckelparametrar i denna AI-modell skulle hämtas från kliniska testrapporter, smittspårningsdata och stora regionala datamängder och inkludera regionala befolkningskaraktärer, socioekonomisk status och riskfaktorer som rökning, drogberoende och fetma. Antalet infekterade individer som karantän och inte längre kunde sprida infektionen skulle ingå i modellen.

Detta skulle ge arbetsgruppsledarna de insikter som behövs för att bekämpa denna farliga sjukdom på ett proaktivt sätt, vilket möjliggör för dem att fatta rationella beslut i nästan realtid, och ge världens ekonomier en robust och välunderrättad utgångsstrategi.