Keputusan kesehatan masyarakat bergantung pada data yang tepat waktu dan granular, tetapi pengawasan konvensional terhambat oleh keterlambatan pelaporan, silo data, dan kelangkaan data. Pemodelan tradisional juga memerlukan pengumpulan data khusus tugas yang ekstensif. Untuk mengatasi ini, kami memperkenalkan paradigma yang menggunakan model fondasi geospasial planet. Menggunakan Model Fondasi Dinamika Populasi (PDFM) dari Google Earth AI sebagai bukti konsep, kami mengintegrasikan representasi 'tempat' yang diawasi sendiri ke dalam alur kerja kesehatan yang ada sebagai input plug-and-play, meningkatkan model tanpa pipeline baru. PDFM mengompresi tren pencarian yang menjaga privasi, mobilitas manusia, kepadatan lingkungan binaan, dan determinan lingkungan menjadi embedding lokasi. Tanpa fine-tuning, embedding ini menyamai atau meningkatkan input konvensional di berbagai domain penyakit dan tugas.
PDFM menggunakan pembelajaran yang diawasi sendiri untuk mensintesis sinyal seperti tren pencarian agregat, data lingkungan binaan dan mobilitas, serta determinan lingkungan menjadi embedding yang diperbarui bulanan. Alih-alih memerlukan pemrosesan data mentah, embedding PDFM terhubung ke alur kerja ML untuk konteks geospasial. Pekerjaan sebelumnya menunjukkan bahwa embedding ini agnostik tugas, menangkap determinan sosial, perilaku, dan lingkungan kesehatan. Untuk memenuhi standar pembuktian yang lebih tinggi, kami memvalidasi PDFM di lima tantangan kesehatan masyarakat dengan mitra global.
Validasi mencakup ekstrapolasi vaksinasi MMR melintasi perbatasan AS-Kanada, mencapai keuntungan relatif +36% dalam varians yang dijelaskan. Untuk perkiraan langsung mortalitas penyakit kardiovaskular di Amerika Serikat yang berdekatan (3.091 county), PDFM menunjukkan akurasi yang sebanding dengan model berbasis sensus. Hasil ini menunjukkan nilai PDFM untuk berbagai tugas epidemiologi dan pengaturan sumber daya.
Sumber: Google AI Blog · Diringkas oleh HeadlinesBriefing