Les décisions en santé publique reposent sur des données opportunes et granulaires, mais la surveillance conventionnelle est entravée par des retards de rapport, des silos de données et une rareté. La modélisation traditionnelle nécessite également une collecte de données intensive spécifique à la tâche. Pour y remédier, nous introduisons un paradigme utilisant des modèles de fondation géospatiaux planétaires. En utilisant le modèle de fondation de dynamique des populations (PDFM) de Google Earth AI comme preuve de concept, nous intégrons des représentations auto-supervisées du 'lieu' dans les flux de travail de santé existants comme entrées plug-and-play, améliorant les modèles sans nouveaux pipelines. PDFM compresse les tendances de recherche préservant la confidentialité, la mobilité humaine, la densité de l'environnement bâti et les déterminants environnementaux en embeddings de localisation. Sans réglage fin, ces embeddings ont égalé ou amélioré les entrées conventionnelles dans divers domaines de maladies et tâches.
PDFM utilise l'apprentissage auto-supervisé pour synthétiser des signaux comme les tendances de recherche agrégées, les données sur l'environnement bâti et la mobilité, et les déterminants environnementaux en embeddings mis à jour mensuellement. Plutôt que de nécessiter un traitement de données brutes, les embeddings PDFM se branchent sur des flux de travail ML pour un contexte géospatial. Des travaux antérieurs ont montré que ces embeddings sont agnostiques à la tâche, capturant les déterminants sociaux, comportementaux et environnementaux de la santé. Pour répondre à une norme de preuve plus élevée, nous avons validé PDFM à travers cinq défis de santé publique avec des partenaires mondiaux.
La validation comprenait l'extrapolation de la vaccination MMR à travers la frontière américano-canadienne, réalisant un gain relatif de +36% en variance expliquée. Pour la prévision immédiate de la mortalité par maladies cardiovasculaires dans les États-Unis contigus (3 091 comtés), PDFM a montré une précision comparable aux modèles basés sur le recensement. Ces résultats démontrent la valeur de PDFM pour diverses tâches épidémiologiques et contextes de ressources.
Source: Google AI Blog · Résumé par HeadlinesBriefing