公衆衛生の決定はタイムリーで詳細なデータに依存していますが、従来の監視は報告の遅延、データのサイロ化、データ不足によって妨げられています。従来のモデリングには、タスク固有の大規模なデータ収集も必要です。これに対処するため、惑星規模の地理空間基盤モデルを使用するパラダイムを導入します。Google Earth AIの人口動態基盤モデル（PDFM）を概念実証として使用し、「場所」の自己教師あり表現をプラグアンドプレイ入力として既存の健康ワークフローに統合し、新しいパイプラインなしでモデルを強化します。PDFMは、プライバシーを保護する検索トレンド、人間のモビリティ、建築環境密度、環境決定要因を位置埋め込みに圧縮します。ファインチューニングなしで、これらの埋め込みは多様な疾患領域とタスクにわたって従来の入力と同等かそれ以上でした。
PDFMは自己教師あり学習を使用して、集約された検索トレンド、建築環境とモビリティデータ、環境決定要因などの信号を毎月更新される埋め込みに合成します。生データ処理を必要とせず、PDFM埋め込みは地理空間コンテキストのためにMLワークフローにプラグインします。以前の研究では、これらの埋め込みはタスクに依存せず、健康の社会的、行動的、環境的决定要因を捉えることが示されました。より高い証明基準を満たすために、グローバルパートナーとともに5つの公衆衛生課題にわたってPDFMを検証しました。
検証には、米国とカナダの国境を越えたMMRワクチン接種の外挿が含まれ、説明された分散で+36%の相対的な向上を達成しました。米国本土（3,091郡）での心血管疾患死亡率のナウキャスティングでは、PDFMは国勢調査ベースのモデルと同等の精度を示しました。これらの結果は、多様な疫学タスクとリソース設定におけるPDFMの価値を示しています。
出典: Google AI Blog · 要約：HeadlinesBriefing