জনস্বাস্থ্যের সিদ্ধান্ত সময়োপযোগী, সূক্ষ্ম ডেটার উপর নির্ভর করে, কিন্তু প্রচলিত নজরদারি রিপোর্টিং বিলম্ব, ডেটা সাইলো এবং ঘাটতির দ্বারা বাধাগ্রস্ত হয়। ঐতিহ্যগত মডেলিংয়ের জন্য ব্যাপক কাজ-নির্দিষ্ট ডেটা সংগ্রহও প্রয়োজন। এটি মোকাবেলার জন্য, আমরা গ্রহীয় ভূ-স্থানিক ফাউন্ডেশন মডেল ব্যবহার করে একটি দৃষ্টান্ত প্রবর্তন করি। Google Earth AI-এর জনসংখ্যা গতিবিদ্যা ফাউন্ডেশন মডেল (PDFM) প্রমাণ-ধারণা হিসাবে ব্যবহার করে, আমরা 'স্থান'-এর স্ব-তত্ত্বাবধানে উপস্থাপনাগুলিকে প্লাগ-এন্ড-প্লে ইনপুট হিসাবে বিদ্যমান স্বাস্থ্য কর্মপ্রবাহে একীভূত করি, নতুন পাইপলাইন ছাড়াই মডেলগুলিকে উন্নত করি। PDFM গোপনীয়তা-সংরক্ষণ অনুসন্ধান প্রবণতা, মানব গতিশীলতা, নির্মিত-পরিবেশ ঘনত্ব এবং পরিবেশগত নির্ধারকগুলিকে অবস্থান এমবেডিংয়ে সংকুচিত করে। ফাইন-টিউনিং ছাড়াই, এই এমবেডিংগুলি বিভিন্ন রোগ ডোমেন এবং কাজের ক্ষেত্রে প্রচলিত ইনপুটগুলির সাথে মিলেছে বা উন্নত করেছে।
PDFM স্ব-তত্ত্বাবধানে শিক্ষা ব্যবহার করে সমষ্টিগত অনুসন্ধান প্রবণতা, নির্মিত পরিবেশ এবং গতিশীলতা ডেটা এবং পরিবেশগত নির্ধারকগুলির মতো সংকেতগুলিকে মাসিক-আপডেট এমবেডিংয়ে সংশ্লেষিত করে। কাঁচা ডেটা প্রক্রিয়াকরণের প্রয়োজন না করে, PDFM এমবেডিংগুলি ভূ-স্থানিক প্রসঙ্গের জন্য ML কর্মপ্রবাহে প্লাগ হয়। পূর্ববর্তী কাজ দেখিয়েছে যে এই এমবেডিংগুলি কাজ-অজ্ঞেয়বাদী, স্বাস্থ্যের সামাজিক, আচরণগত এবং পরিবেশগত নির্ধারকগুলিকে ধারণ করে। উচ্চতর প্রমাণের বোঝা পূরণ করতে, আমরা বিশ্বব্যাপী অংশীদারদের সাথে পাঁচটি জনস্বাস্থ্য চ্যালেঞ্জ জুড়ে PDFM যাচাই করেছি।
যাচাইয়ের মধ্যে মার্কিন-কানাডা সীমান্ত জুড়ে MMR টিকাদান এক্সট্রাপোলেশন অন্তর্ভুক্ত ছিল, যা ব্যাখ্যা করা ভ্যারিয়েন্সে +36% আপেক্ষিক লাভ অর্জন করেছে। মার্কিন যুক্তরাষ্ট্র (3,091 কাউন্টি) জুড়ে কার্ডিওভাসকুলার রোগের মৃত্যুর নাউকাস্টিংয়ের জন্য, PDFM আদমশুমারি-ভিত্তিক মডেলগুলির সাথে তুলনীয় নির্ভুলতা দেখিয়েছে। এই ফলাফলগুলি বিভিন্ন মহামারীবিদ্যাগত কাজ এবং সম্পদ সেটিংসে PDFM-এর মূল্য প্রদর্শন করে।
উৎস: Google AI Blog · সারাংশ: HeadlinesBriefing