تعتمد قرارات الصحة العامة على بيانات دقيقة وفي الوقت المناسب، لكن المراقبة التقليدية تعوقها تأخيرات الإبلاغ، وعزلة البيانات، وندرة البيانات. يتطلب النمذجة التقليدية أيضًا جمع بيانات مكثفة خاصة بالمهمة. لمعالجة هذا، نقدم نموذجًا يستخدم نماذج أساسية جغرافية مكانية كوكبية. باستخدام نموذج ديناميكيات السكان الأساسي (PDFM) من Google Earth AI كإثبات للمفهوم، ندمج تمثيلات 'المكان' ذاتية الإشراف في سير العمل الصحي الحالي كمدخلات جاهزة، مما يعزز النماذج دون خطوط أنابيب جديدة. يضغط PDFM اتجاهات البحث التي تحافظ على الخصوصية، والتنقل البشري، وكثافة البيئة المبنية، والمحددات البيئية في تضمينات الموقع. دون ضبط دقيق، طابقت هذه التضمينات المدخلات التقليدية أو حسنتها عبر مجالات ومهام مرضية متنوعة.
يستخدم PDFM التعلم الذاتي الإشراف لتوليف إشارات مثل اتجاهات البحث المجمعة، وبيانات البيئة المبنية والتنقل، والمحددات البيئية في تضمينات تُحدث شهريًا. بدلاً من طلب معالجة البيانات الخام، تُدمج تضمينات PDFM في سير عمل التعلم الآلي للسياق الجغرافي المكاني. أظهرت الأبحاث السابقة أن هذه التضمينات غير مرتبطة بالمهمة، وتلتقط المحددات الاجتماعية والسلوكية والبيئية للصحة. لتلبية معيار أعلى للإثبات، قمنا بالتحقق من PDFM عبر خمسة تحديات للصحة العامة مع شركاء عالميين.
شمل التحقق استقراء لقاح MMR عبر الحدود الأمريكية الكندية، محققًا مكسبًا نسبيًا +36% في التباين المفسر. بالنسبة للتنبؤ الفوري بوفيات أمراض القلب والأوعية الدموية في الولايات المتحدة المتجاورة (3,091 مقاطعة)، أظهر PDFM دقة مماثلة للنماذج القائمة على التعداد. تظهر هذه النتائج قيمة PDFM لمهام وبائية وبيئات موارد متنوعة.
المصدر: Google AI Blog · لخّصه HeadlinesBriefing