人工智能如何帮助我们为第二波疫情做准备 – 思想领袖

由 Eric Paternoster, Infosys Public Services 首席执行官

到目前为止，现有的数据科学模型并没有很好地预测 COVID-19 的传播容易程度、发展程度和新热点的爆发。许多模型是在匆忙中开发的，信息有限。

然而，人工智能模型是自适应的、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，以便在第二波疫情来临时使经济成功重启。

用于此模型的数据必须准确、统计学上显著且可靠。到目前为止，R 值、群体免疫水平和死亡率等指标在不同地区尤其是没有统一的测试和联系追踪策略的地区很难估计。即使进行了良好的测试，免疫诊断测试类型和标本采集技术的差异也导致了灵敏度和特异性率的巨大差异。

不仅数据不够完善，模型本身也存在缺陷。白宫使用的模型由健康指标和评估研究所开发，未能考虑到不同地区的关键参数差异，并假设病毒会像在中国、西班牙和意大利一样影响人口。当然，美国有着非常不同的人口特征、隔离水平和测试可用性。

其他模型，通常由世界各地的顶级大学开发，做得稍好一些。它们结合了传染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，导致了工作模型中的错误。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然会发生的显著的人口行为变化。它还缺乏对病毒繁殖（R0）数字如何因这种行为而改变的理解。

因此，尤其是在美国和英国，出现了这么多混乱并不奇怪。没有准备就放松控制，即使疾病可能会回归，也是有代价的。必须采取措施来告知更细致的决策。人口必须被分层以确定谁先从封锁中解脱出来。必须实施一种策略来实现大规模的接触追踪，并确保未来的医疗保健是充足的。

为了帮助这一点，应该使用人工神经网络和深度学习技术，增强现有的流行病学模型，使其更加动态和实时响应。这个人工智能模型将使用半监督或无监督学习，并且可以在没有大量测试报告输入的情况下工作。它将是自我维持的，并且需要比当前模型少得多的数据来学习和预测。通过不断调整输入参数和持续学习，模型将生成不会受到不可避免的调整延迟影响的预测。

通过深度学习，人工智能可以自动发现复杂模式、自我学习和自我修复。它可以自动检测异常，并且能够判断变量的准确性，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，包括区域人口特征、社会经济地位和吸烟、药物依赖和肥胖等风险因素。将纳入隔离且不再传播感染的感染个体数量。

这将为任务队列领导者提供所需的见解，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基础上做出理性的决定，并为世界经济提供一个强大且信息充分的退出策略。