วิธีการที่ AI สามารถช่วยให้เราเตรียมพร้อมสำหรับการระบาดที่สอง – ผู้นำความคิด

โดย Eric Paternoster, CEO ของ Infosys Public Services

จนถึงตอนนี้ โมเดลวิทยาศาสตร์ข้อมูลที่มีอยู่ยังไม่ได้ทำผลงานที่ดีในการคาดการณ์ความง่ายในการแพร่กระจายของ COVID-19, ความกว้างของการพัฒนา และการระบาดในจุดร้อนใหม่ๆ โมเดลเหล่านี้ได้รับการพัฒนาในความเร่งด่วน โดยมีข้อมูลที่จำกัด

อย่างไรก็ตาม โมเดล AI จะมีการปรับเปลี่ยน, สร้างขึ้นเพื่อปรับขนาด และอัตโนมัติ โดยการรวมข้อมูลทางสังคม เศรษฐกิจ และสุขภาพที่เกี่ยวข้องกับ COVID-19 เพื่อให้เศรษฐกิจสามารถเปิดใหม่ได้สำเร็จหากเกิดการระบาดอีกครั้ง

ข้อมูลที่ใช้ในโมเดลนี้ควรเป็นข้อมูลที่ถูกต้องและมีนัยสำคัญทางสถิติ และต้องเชื่อถือได้ จนถึงตอนนี้ สิ่งต่างๆ เช่น R-values, ระดับภูมิคุ้มกันฝูง, และอัตราตายได้รับการประมาณการอย่างยากลำบากข้ามภูมิภาค โดยเฉพาะในพื้นที่ที่ไม่มีการทดสอบและติดตามการติดต่อที่สอดคล้องกัน ปัญหาอื่นๆ คือ แม้ว่าการทดสอบที่ดีจะดำเนินการไป แต่ก็มีความแตกต่างอย่างมากในอัตราความไวและความจำเพาะ ซึ่งเกิดจากความแปรผันของชนิดการทดสอบทางภูมิคุ้มกันและเทคนิคการเก็บตัวอย่าง

ไม่เพียงแต่ข้อมูลที่ไม่ดีเท่านั้น แต่โมเดลเหล่านี้ยังมีข้อบกพร่องด้วย โมเดลที่ใช้โดยทำเนียบขาว ซึ่งพัฒนาโดยสถาบันสำหรับการประเมินสุขภาพและมาตรการ ได้ไม่คำนึงถึงความแตกต่างในพารามิเตอร์ระดับภูมิภาคหลักๆ และสมมติว่าไวรัสจะส่งผลกระทบต่อประชากรในลักษณะเดียวกับที่มันทำในประเทศจีน สเปน และอิตาลี แน่นอนว่าสหรัฐอเมริกามีลักษณะประชากรที่แตกต่างกัน ระดับการกักขัง และการเข้าถึงการทดสอบ

โมเดลอื่นๆ ที่พัฒนาโดยมหาวิทยาลัยชั้นนำทั่วโลกทำได้ดีขึ้นเล็กน้อย โดยรวมการประมาณการของการแพร่กระจายพร้อมกับปัจจัยที่เพิ่มความเสี่ยงของการเจ็บป่วยรุนแรงหรือเสียชีวิต แต่แม้แต่โมเดลเหล่านี้ก็มีพื้นฐานมาจากสมมติฐานที่ไม่ถูกต้อง ซึ่งนำไปสู่ข้อผิดพลาดในโมเดลที่ทำงาน ตัวอย่างเช่น โมเดลที่พัฒนาโดย Imperial College London ในตอนแรกไม่สามารถอนุมานการเปลี่ยนแปลงที่ชัดเจนในพฤติกรรมของประชากรที่จะเกิดขึ้นแม้ในกรณีที่ไม่มีการแทรกแซงโดยรัฐบาล นอกจากนี้ยังขาดความเข้าใจเกี่ยวกับวิธีการที่จำนวนการแพร่กระจายของไวรัส (R0) จะเปลี่ยนแปลงไปเนื่องจากพฤติกรรมนี้

ไม่น่าแปลกใจเลยที่ความสับสนจึงเกิดขึ้น โดยเฉพาะในสหรัฐอเมริกาและอังกฤษ การผ่อนคลายการควบคุมโดยไม่มีการเตรียมพร้อมสำหรับผลกระทบมีค่าใช้จ่ายสูง แม้ว่าโรคมีแนวโน้มที่จะกลับมา การต้องดำเนินการ ngay เพื่อแจ้งการตัดสินใจในระดับที่ละเอียดมากขึ้น ประชากรจะต้องถูกแบ่งออกเพื่อกำหนดว่าใครออกจากการล็อกดาวน์ก่อน อาจต้องมีการดำเนินกลยุทธ์เพื่อให้สามารถติดตามการติดต่อได้ในระดับใหญ่ และรับประกันว่าระบบสุขภาพมีความเพียงพอในอนาคต

เพื่อช่วยเหลือในเรื่องนี้ เทคนิคเครือข่ายประสาทเทียมและเทคนิคการเรียนรู้ลึกควรใช้ โดยเพิ่มประสิทธิภาพโมเดลระบาดวิทยาที่มีอยู่และทำให้พวกมันกลายเป็นแบบไดนามิกและตอบสนองในเวลาจริง โมเดล AI นี้จะใช้การเรียนรู้แบบกึ่ง监督หรือการเรียนรู้โดยไม่มีการกำกับ และสามารถทำงานได้แม้กับข้อมูลที่จำกัดจากรายงานการทดสอบขนาดใหญ่ จะเป็นแบบอัตโนมัติและต้องการข้อมูลที่ลดลงในการเรียนรู้และทำนายเมื่อเทียบกับโมเดลที่มีอยู่ โดยการปรับเปลี่ยนพารามิเตอร์ทางเข้าอย่างต่อเนื่องและเรียนรู้อย่างต่อเนื่อง โมเดลจะสร้างการทำนายที่จะไม่ประสบปัญหาการปรับเปลี่ยนโดยไม่จำเป็น

ด้วยการเรียนรู้ลึก AI สามารถค้นพบรูปแบบที่ซับซ้อนได้ โดยการเรียนรู้และฟื้นตัวโดยอัตโนมัติ สามารถตรวจจับความผิดปกติและสามารถตัดสินความถูกต้องของตัวแปรได้ โดยผลลัพธ์ที่เชื่อถือได้มากกว่าโมเดลวิทยาศาสตร์ข้อมูล COVID-19 ที่มีอยู่

พารามิเตอร์หลักในโมเดล AI นี้จะดึงมาจากรายงานการทดสอบทางคลินิก ข้อมูลการติดตามการติดต่อ และชุดข้อมูลระดับภูมิภาคขนาดใหญ่ รวมถึงลักษณะประชากรระดับภูมิภาค สถานะทางเศรษฐกิจและสังคม และปัจจัยเสี่ยง เช่น การสูบบุหรี่ การติดยา และโรคอ้วน จำนวนผู้ติดเชื้อที่กักขังและไม่สามารถแพร่เชื้อได้อีกต่อไปจะถูกนำเข้าโมเดล

สิ่งนี้จะให้ข้อมูลเชิงลึกที่จำเป็นแก่ผู้นำกองกำลังเพื่อหยุดยั้งโรคที่อันตรายนี้ในลักษณะเชิงรุก โดยช่วยให้พวกเขาตัดสินใจอย่างมีเหตุผลในเวลาจริง และให้เศรษฐกิจโลกมีกลยุทธ์ออกที่มั่นคงและเป็นข้อมูล