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

By Eric Paternoster, VD för Infosys Public Services

Hittills har befintliga datavetenskapliga modeller inte gjort det bästa jobbet med att förutsäga hur lätt det är att överföra covid-19, omfattningen av dess utveckling och utbrott i nya hot spots. Många utvecklades i en brådska, med begränsad information.

En AI-modell skulle dock vara anpassningsbar, byggd för att skala och automatiseras, och sammanföra sociologiska, ekonomiska och covid-relaterade hälsodata för att göra det möjligt för ekonomier att återöppnas framgångsrikt om en ny våg skulle inträffa.

Data som används i denna modell bör vara både korrekta och statistiskt signifikanta. Det måste också vara pålitligt. Hittills har saker som R-värden, flockimmunitetsnivåer och dödlighetsfrekvenser varit mycket svåra att uppskatta över geografier, särskilt på platser utan en sammanhängande test- och kontaktspårningsstrategi. Ett annat problem har varit att även när bra tester har utförts har det förekommit vilda skillnader i känslighet och specificitetshastigheter, orsakade av variationer i immundiagnostiska testtyper och provtagningstekniker.

Datan är inte bara bristfällig, utan själva modellerna har varit felaktiga. Modellen som användes av Vita huset, byggd 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 det gjorde i Kina, Spanien och Italien . Naturligtvis har USA mycket olika befolkningsegenskaper, nivåer av karantän och testtillgänglighet.

Andra modeller, ofta utvecklade av ledande universitet runt om i världen, gick lite bättre. De inkluderade 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 arbetsmodellen. Till exempel misslyckades den modell som ursprungligen utvecklades av Imperial College London att sluta sig till den uppenbara förändringen i befolkningens beteende som fortfarande skulle uppstå i frånvaro av regeringsmandat ingripande. Det saknade också förståelse för hur virusreproduktionsnumret (R0) skulle förändras på grund av detta beteende.

Inte konstigt då att så mycket förvirring har resulterat, särskilt i USA och Storbritannien. Att lätta på kontrollerna utan förberedelser för nedfallet har varit kostsamt, även när sjukdomen sannolikt kommer tillbaka. Åtgärder måste vidtas nu för att informera beslutsfattandet på en mer detaljerad nivå. Populationer måste stratifieras för att avgöra vem som kommer ut från lockdown först. En strategi måste implementeras för att möjliggöra kontaktspårning i stor skala och säkerställa att sjukvården räcker till i framtiden.

För att hjälpa till med detta bör artificiella neurala nätverk och tekniker för djupinlärning användas, förstärka befintliga epidemiologiska modeller och göra dem mer dynamiska och lyhörda i realtid. Denna AI-modell skulle använda semi-övervakad eller oövervakad inlärning och skulle kunna fungera även med begränsad input från storskaliga testrapporter. Det skulle vara självförsörjande och kräva en minskad mängd data för att lära sig och förutsäga, jämfört med nuvarande modeller. Genom att kontinuerligt justera inmatningsparametrar och kontinuerligt lära sig, skulle modellen generera förutsägelser som inte skulle drabbas av oundvikliga anpassningsförseningar.

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

Nyckelparametrar i denna AI-modell skulle hämtas från kliniska testrapporter, kontaktspårningsdata och stora regionala datauppsättningar, och inkluderar regionala befolkningsegenskaper, socioekonomisk status och riskfaktorer som rökning, drogberoende och fetma. Antalet infekterade individer som satt i karantän och inte längre kunde sprida infektionen skulle införlivas i modellen.

Detta skulle ge arbetsgruppsledare de insikter som behövs för att stoppa denna farliga sjukdom på ett proaktivt sätt, vilket gör det möjligt för dem att fatta rationella beslut i nästa realtid, vilket ger världsekonomierna en robust och välinformerad exitstrategi.