AI 如何帮助我们为第二波疫情做准备 – 思想领袖

作者 埃里克·帕特诺斯特, 英孚宝公共服务公司 CEO

到目前为止，现有的数据科学模型在预测 COVID-19 的传播易度、发展程度和新热点爆发方面并没有做得很好。许多模型是在匆忙中开发的，信息有限。

然而，人工智能模型则是自适应的、可扩展的和自动化的，能够整合社会学、经济学和 COVID 相关的健康数据，以便在另一波疫情发生时使经济能够成功重启。

用于此模型的数据必须是准确和统计学上显著的。它还必须是可靠的。到目前为止，R 值、群体免疫水平和死亡率在不同地理区域尤其是没有连贯的测试和联系追踪策略的地区很难估计。另一个问题是，即使进行了良好的测试，也存在感染性和特异性率的巨大差异，这是由免疫诊断测试类型和标本采集技术的差异引起的。

不仅数据不够完善，模型本身也存在缺陷。白宫使用的由健康指标和评估研究所开发的模型没有考虑到关键区域参数的差异，并假设病毒将以与中国、西班牙和意大利相同的方式影响人口。当然，美国有非常不同的人口特征、隔离水平和测试可用性。

其他模型，通常由世界各地的领先大学开发，做得稍好一些。它们结合了传染性估计和增加严重疾病或死亡风险的因素。但是，即使这些模型也是基于不准确的假设，导致工作模型出现错误。例如，伦敦帝国学院最初开发的模型未能推断出在没有政府强制干预的情况下仍将出现的显著的人口行为变化。它还缺乏对病毒繁殖（R0）数量如何由于这种行为而改变的理解。

难怪会产生这么多混乱，尤其是在美国和英国。没有准备好应对后果就放松控制是有代价的，即使疾病可能会再次出现。必须采取措施以更细致的方式为决策提供信息。人口必须被分层以确定谁首先从封锁中解脱出来。必须实施一种策略来使大规模的接触追踪成为可能，并确保未来的医疗保健是充足的。

为了帮助实现这一目标，应该使用人工神经网络和深度学习技术来增强现有的流行病学模型，使其更加动态和实时响应。该人工智能模型将使用半监督或无监督学习，并且可以在仅有来自大规模测试报告的有限输入的情况下工作。它将是自我维持的，并且需要较少的数据来学习和预测，与当前模型相比。通过不断调整输入参数和持续学习，该模型将生成不会受到不可避免的调整延迟影响的预测。

使用深度学习，人工智能可以发现复杂的模式，自我学习和自我修复。它可以自动检测异常，并能够判断变量的准确性，从而产生比现有的 COVID 数据科学模型更可靠的结果。

此人工智能模型中的关键参数将来自临床测试报告、接触追踪数据和大型区域数据集，并包括区域人口特征、社会经济地位和风险因素，如吸烟、药物依赖和肥胖。将把被隔离的感染个体纳入模型中，他们不能再传播感染。

这将为任务小组领导者提供必要的洞察力，以积极的方式遏制这种危险的疾病，使他们能够在几乎实时的条件下做出理性的决定，并为世界经济提供一个强大而充分的退出策略。如果能够确定那些被隔离的人和不能再传播感染的人，将把这些信息纳入模型中。这将为任务小组领导者提供必要的洞察力，以积极的方式遏制这种危险的疾病，使他们能够在几乎实时的条件下做出理性的决定，并为世界经济提供一个强大而充分的退出策略。