सार्वजनिक स्वास्थ्य निर्णय समय पर, सूक्ष्म डेटा पर निर्भर करते हैं, लेकिन पारंपरिक निगरानी रिपोर्टिंग देरी, डेटा साइलो और कमी से बाधित होती है। पारंपरिक मॉडलिंग के लिए भी व्यापक कार्य-विशिष्ट डेटा संग्रह की आवश्यकता होती है। इसे संबोधित करने के लिए, हम ग्रहीय भू-स्थानिक फाउंडेशन मॉडल का उपयोग करने वाला एक प्रतिमान पेश करते हैं। Google Earth AI के जनसंख्या गतिशीलता फाउंडेशन मॉडल (PDFM) को अवधारणा प्रमाण के रूप में उपयोग करते हुए, हम 'स्थान' के स्व-पर्यवेक्षित प्रतिनिधित्व को प्लग-एंड-प्ले इनपुट के रूप में मौजूदा स्वास्थ्य कार्यप्रवाह में एकीकृत करते हैं, बिना नए पाइपलाइनों के मॉडल को बढ़ाते हैं। PDFM गोपनीयता-संरक्षण खोज रुझान, मानव गतिशीलता, निर्मित-पर्यावरण घनत्व और पर्यावरणीय निर्धारकों को स्थान एम्बेडिंग में संपीड़ित करता है। बिना फाइन-ट्यूनिंग के, ये एम्बेडिंग विविध रोग डोमेन और कार्यों में पारंपरिक इनपुट से मेल खाते हैं या बेहतर प्रदर्शन करते हैं।
PDFM स्व-पर्यवेक्षित शिक्षण का उपयोग करके समग्र खोज रुझान, निर्मित पर्यावरण और गतिशीलता डेटा, और पर्यावरणीय निर्धारकों जैसे संकेतों को मासिक-अद्यतन एम्बेडिंग में संश्लेषित करता है। कच्चे डेटा प्रसंस्करण की आवश्यकता के बजाय, PDFM एम्बेडिंग भू-स्थानिक संदर्भ के लिए ML कार्यप्रवाह में प्लग होते हैं। पिछले कार्य ने दिखाया कि ये एम्बेडिंग कार्य-अज्ञेय हैं, सामाजिक, व्यवहारिक और पर्यावरणीय स्वास्थ्य निर्धारकों को पकड़ते हैं। उच्च प्रमाण बोझ को पूरा करने के लिए, हमने वैश्विक भागीदारों के साथ पांच सार्वजनिक स्वास्थ्य चुनौतियों में PDFM को मान्य किया।
सत्यापन में अमेरिका-कनाडा सीमा पर MMR टीकाकरण एक्सट्रपोलेशन शामिल था, जिसमें +36% सापेक्ष लाभ प्राप्त हुआ। सन्निहित संयुक्त राज्य (3,091 काउंटी) में हृदय रोग मृत्यु दर नाउकास्टिंग के लिए, PDFM ने जनगणना-आधारित मॉडल के बराबर सटीकता दिखाई। ये परिणाम विविध महामारी विज्ञान कार्यों और संसाधन सेटिंग्स में PDFM के मूल्य को प्रदर्शित करते हैं।
स्रोत: Google AI Blog · HeadlinesBriefing द्वारा सारांशित