Las decisiones de salud pública dependen de datos oportunos y granulares, pero la vigilancia convencional se ve obstaculizada por retrasos en los informes, silos de datos y escasez. El modelado tradicional también requiere una recopilación extensa de datos específicos de la tarea. Para abordar esto, introducimos un paradigma que utiliza modelos fundacionales geoespaciales planetarios. Usando el Modelo Fundacional de Dinámica de Población (PDFM) de Google Earth AI como prueba de concepto, integramos representaciones autosupervisadas de 'lugar' en flujos de trabajo de salud existentes como entradas plug-and-play, mejorando modelos sin nuevos pipelines. PDFM comprime tendencias de búsqueda que preservan la privacidad, movilidad humana, densidad del entorno construido y determinantes ambientales en embeddings de ubicación. Sin ajuste fino, estos embeddings igualaron o mejoraron las entradas convencionales en diversos dominios de enfermedades y tareas.
PDFM utiliza aprendizaje autosupervisado para sintetizar señales como tendencias de búsqueda agregadas, datos de entorno construido y movilidad, y determinantes ambientales en embeddings actualizados mensualmente. En lugar de requerir procesamiento de datos brutos, los embeddings de PDFM se conectan a flujos de trabajo de ML para contexto geoespacial. Trabajos anteriores mostraron que estos embeddings son agnósticos a la tarea, capturando determinantes sociales, conductuales y ambientales de la salud. Para cumplir con un mayor estándar de prueba, validamos PDFM en cinco desafíos de salud pública con socios globales.
La validación incluyó extrapolación de vacunación MMR a través de la frontera entre EE. UU. y Canadá, logrando una ganancia relativa de +36% en varianza explicada. Para el nowcasting de mortalidad por enfermedades cardiovasculares en los Estados Unidos contiguos (3,091 condados), PDFM mostró precisión comparable a los modelos basados en censos. Estos resultados demuestran el valor de PDFM para diversas tareas epidemiológicas y entornos de recursos.
Fuente: Google AI Blog · Resumido por HeadlinesBriefing