As decisões de saúde pública dependem de dados oportunos e granulares, mas a vigilância convencional é dificultada por atrasos na notificação, silos de dados e escassez. A modelagem tradicional também requer coleta extensiva de dados específicos da tarefa. Para resolver isso, introduzimos um paradigma usando modelos de fundação geoespaciais planetários. Usando o Modelo de Fundação de Dinâmica Populacional (PDFM) do Google Earth AI como prova de conceito, integramos representações autossupervisionadas de 'lugar' em fluxos de trabalho de saúde existentes como entradas plug-and-play, melhorando modelos sem novos pipelines. O PDFM comprime tendências de pesquisa que preservam a privacidade, mobilidade humana, densidade do ambiente construído e determinantes ambientais em embeddings de localização. Sem ajuste fino, esses embeddings igualaram ou melhoraram as entradas convencionais em diversos domínios de doenças e tarefas.
O PDFM usa aprendizado autossupervisionado para sintetizar sinais como tendências de pesquisa agregadas, dados de ambiente construído e mobilidade, e determinantes ambientais em embeddings atualizados mensalmente. Em vez de exigir processamento de dados brutos, os embeddings do PDFM se conectam a fluxos de trabalho de ML para contexto geoespacial. Trabalhos anteriores mostraram que esses embeddings são agnósticos à tarefa, capturando determinantes sociais, comportamentais e ambientais da saúde. Para atender a um padrão mais alto de prova, validamos o PDFM em cinco desafios de saúde pública com parceiros globais.
A validação incluiu extrapolação de vacinação MMR através da fronteira EUA-Canadá, alcançando um ganho relativo de +36% na variância explicada. Para a previsão imediata de mortalidade por doenças cardiovasculares nos Estados Unidos contíguos (3.091 condados), o PDFM mostrou precisão comparável aos modelos baseados em censo. Esses resultados demonstram o valor do PDFM para diversas tarefas epidemiológicas e configurações de recursos.
Fonte: Google AI Blog · Resumido por HeadlinesBriefing