Entscheidungen im öffentlichen Gesundheitswesen hängen von zeitnahen, granularen Daten ab, aber die konventionelle Überwachung wird durch Meldeverzögerungen, Datensilos und Datenknappheit behindert. Traditionelle Modellierung erfordert auch umfangreiche aufgabenspezifische Datenerfassung. Um dies zu adressieren, führen wir ein Paradigma ein, das planetare georäumliche Fundamentmodelle nutzt. Unter Verwendung des Population Dynamics Foundation Model (PDFM) von Google Earth AI als Proof-of-Concept integrieren wir selbstüberwachte Darstellungen von 'Ort' als Plug-and-Play-Eingaben in bestehende Gesundheitsworkflows und verbessern Modelle ohne neue Pipelines. PDFM komprimiert datenschutzschonende Suchtrends, menschliche Mobilität, Dichte der bebauten Umwelt und Umweltdeterminanten in Standort-Embeddings. Ohne Feinabstimmung übertrafen oder erreichten diese Embeddings konventionelle Eingaben in verschiedenen Krankheitsdomänen und Aufgaben.
PDFM verwendet selbstüberwachtes Lernen, um Signale wie aggregierte Suchtrends, Daten zur bebauten Umwelt und Mobilität sowie Umweltdeterminanten in monatlich aktualisierte Embeddings zu synthetisieren. Anstatt eine Verarbeitung roher Daten zu erfordern, lassen sich PDFM-Embeddings in ML-Workflows für georäumlichen Kontext einbinden. Frühere Arbeiten zeigten, dass diese Embeddings aufgabenagnostisch sind und soziale, verhaltensbezogene und umweltbezogene Gesundheitsdeterminanten erfassen. Um einen höheren Beweisstandard zu erfüllen, validierten wir PDFM in fünf Herausforderungen des öffentlichen Gesundheitswesens mit globalen Partnern.
Die Validierung umfasste die Extrapolation der MMR-Impfung über die US-kanadische Grenze, die einen relativen Gewinn von +36% in der erklärten Varianz erzielte. Für die Nowcasting der Sterblichkeit durch Herz-Kreislauf-Erkrankungen in den zusammenhängenden Vereinigten Staaten (3.091 Landkreise) zeigte PDFM eine vergleichbare Genauigkeit wie zensusbasierte Modelle. Diese Ergebnisse demonstrieren den Wert von PDFM für verschiedene epidemiologische Aufgaben und Ressourcenumgebungen.
Quelle: Google AI Blog · Zusammengefasst von HeadlinesBriefing