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 särskilt bra jobb med att förutsäga hur lätt COVID-19 sprids, hur utvecklingen kommer att se ut och utbrott i nya epicentrum. Många av dem utvecklades i all hast, med begränsad information.

En AI-modell, å andra sidan, skulle vara anpassningsbar, byggd för att skala och automatiserad, och skulle krossa samman sociologiska, ekonomiska och COVID-relaterade hälsodata för att möjliggöra att ekonomin kan öppnas igen på ett framgångsrikt sätt 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 geografier, särskilt på platser utan en sammanhängande test- och spårningsstrategi. 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 är datan otillräcklig, utan modellerna själva har varit felaktiga. Modellen som används av Vita Huset, som byggdes av Institute for Health Metrics and Evaluation, misslyckades med att ta hänsyn till skillnader i nyckelregionala parametrar och antog att viruset skulle påverka befolkningen på samma sätt som i Kina, Spanien och Italien. Naturligtvis har USA mycket olika befolkningskaraktärer, karantän och testtillgänglighet.

Andra modeller, ofta utvecklade av ledande universitet runt om i världen, gjorde lite bättre. De inkorporerade uppskattningar av smitta, 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 slutsatsen att den uppenbara förändringen i befolkningsbeteende som skulle uppstå i avsaknad av regeringsmandaterade 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 konsekvenserna har varit kostsamt, även när sjukdomen sannolikt kommer att återvända. Åtgärder måste vidtas nu för att informera beslutsfattandet på en mer detaljerad nivå. Befolkningen måste stratifieras för att avgöra vem som kommer ut från låsningen först. En strategi måste implementeras för att möjliggöra spårning i stor skala och säkerställa att hälsovården är tillräcklig i framtiden.

För att hjälpa till med detta bör artificiella neuronnät och djupinlärningstekniker användas, och befintliga epidemiologiska modeller förbättras och göras mer dynamiska och responsiva i realtid. Denna AI-modell skulle använda semiantiserad eller oövervakad inlärning och kunde fungera även med begränsad indata från storskaliga testrapporter. Den skulle vara självförsörjande och kräva mindre data för att lära och förutsäga, jämfört med nuvarande modeller. Genom att kontinuerligt justera indataparametrar och kontinuerligt lära sig skulle modellen generera förutsägelser som inte skulle lida av oundvikliga justeringsförseningar.

Med djupinlärning kunde AI upptäcka komplexa mönster, självlära och självläka automatiskt. Den kunde också upptäcka avvikelser och skulle också kunna bedöma tillförlitligheten hos variabler, vilket skulle producera mycket mer tillförlitliga resultat än befintliga COVID-datavetenskapsmodeller.

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

Detta skulle ge uppgiftsledare de insikter som behövs för att hejda denna farliga sjukdom på ett proaktivt sätt, och möjliggöra att de kan fatta rationella beslut i nästan realtid, och ge världens ekonomier en robust och välunderrättad utgångsstrategi.