Unlocking Earth AI’s planetary geospatial foundation models for global public health

Public health decisions rely on timely, granular data, but conventional surveillance is hindered by reporting lags, data silos, and sparsity. Traditional modeling also requires extensive task-specific data collection. To address this, we introduce a paradigm using planetary geospatial foundation models. Using Google Earth AI’s Population Dynamics Foundation Model (PDFM) as proof-of-concept, we integrate self-supervised representations of 'place' into existing health workflows as plug-and-play inputs, enhancing models without new pipelines. PDFM compresses privacy-preserving search trends, human mobility, built-environment density, and environmental determinants into location embeddings. Without fine-tuning, these embeddings matched or improved on conventional inputs across diverse disease domains and tasks.

PDFM uses self-supervised learning to synthesize signals like aggregated search trends, built environment and mobility data, and environmental determinants into monthly-updated embeddings. Rather than requiring raw data processing, PDFM embeddings plug into ML workflows for geospatial context. Prior work showed these embeddings are task-agnostic, capturing social, behavioral, and environmental health determinants. To meet a higher burden of proof, we validated PDFM across five public health challenges with global partners.

Validation included MMR vaccination extrapolation across the US–Canada Border, achieving a +36% relative gain in explained variance. For cardiovascular disease mortality nowcasting across the Contiguous United States (3,091 counties), PDFM showed comparable accuracy to census-based models. These results demonstrate PDFM's value for diverse epidemiological tasks and resource settings.

تعتمد قرارات الصحة العامة على بيانات دقيقة وفي الوقت المناسب، لكن المراقبة التقليدية تعوقها تأخيرات الإبلاغ، وعزلة البيانات، وندرة البيانات. يتطلب النمذجة التقليدية أيضًا جمع بيانات مكثفة خاصة بالمهمة. لمعالجة هذا، نقدم نموذجًا يستخدم نماذج أساسية جغرافية مكانية كوكبية. باستخدام نموذج ديناميكيات السكان الأساسي (PDFM) من Google Earth AI كإثبات للمفهوم، ندمج تمثيلات 'المكان' ذاتية الإشراف في سير العمل الصحي الحالي كمدخلات جاهزة، مما يعزز النماذج دون خطوط أنابيب جديدة. يضغط PDFM اتجاهات البحث التي تحافظ على الخصوصية، والتنقل البشري، وكثافة البيئة المبنية، والمحددات البيئية في تضمينات الموقع. دون ضبط دقيق، طابقت هذه التضمينات المدخلات التقليدية أو حسنتها عبر مجالات ومهام مرضية متنوعة.

يستخدم PDFM التعلم الذاتي الإشراف لتوليف إشارات مثل اتجاهات البحث المجمعة، وبيانات البيئة المبنية والتنقل، والمحددات البيئية في تضمينات تُحدث شهريًا. بدلاً من طلب معالجة البيانات الخام، تُدمج تضمينات PDFM في سير عمل التعلم الآلي للسياق الجغرافي المكاني. أظهرت الأبحاث السابقة أن هذه التضمينات غير مرتبطة بالمهمة، وتلتقط المحددات الاجتماعية والسلوكية والبيئية للصحة. لتلبية معيار أعلى للإثبات، قمنا بالتحقق من PDFM عبر خمسة تحديات للصحة العامة مع شركاء عالميين.

شمل التحقق استقراء لقاح MMR عبر الحدود الأمريكية الكندية، محققًا مكسبًا نسبيًا +36% في التباين المفسر. بالنسبة للتنبؤ الفوري بوفيات أمراض القلب والأوعية الدموية في الولايات المتحدة المتجاورة (3,091 مقاطعة)، أظهر PDFM دقة مماثلة للنماذج القائمة على التعداد. تظهر هذه النتائج قيمة PDFM لمهام وبائية وبيئات موارد متنوعة.

জনস্বাস্থ্যের সিদ্ধান্ত সময়োপযোগী, সূক্ষ্ম ডেটার উপর নির্ভর করে, কিন্তু প্রচলিত নজরদারি রিপোর্টিং বিলম্ব, ডেটা সাইলো এবং ঘাটতির দ্বারা বাধাগ্রস্ত হয়। ঐতিহ্যগত মডেলিংয়ের জন্য ব্যাপক কাজ-নির্দিষ্ট ডেটা সংগ্রহও প্রয়োজন। এটি মোকাবেলার জন্য, আমরা গ্রহীয় ভূ-স্থানিক ফাউন্ডেশন মডেল ব্যবহার করে একটি দৃষ্টান্ত প্রবর্তন করি। Google Earth AI-এর জনসংখ্যা গতিবিদ্যা ফাউন্ডেশন মডেল (PDFM) প্রমাণ-ধারণা হিসাবে ব্যবহার করে, আমরা 'স্থান'-এর স্ব-তত্ত্বাবধানে উপস্থাপনাগুলিকে প্লাগ-এন্ড-প্লে ইনপুট হিসাবে বিদ্যমান স্বাস্থ্য কর্মপ্রবাহে একীভূত করি, নতুন পাইপলাইন ছাড়াই মডেলগুলিকে উন্নত করি। PDFM গোপনীয়তা-সংরক্ষণ অনুসন্ধান প্রবণতা, মানব গতিশীলতা, নির্মিত-পরিবেশ ঘনত্ব এবং পরিবেশগত নির্ধারকগুলিকে অবস্থান এমবেডিংয়ে সংকুচিত করে। ফাইন-টিউনিং ছাড়াই, এই এমবেডিংগুলি বিভিন্ন রোগ ডোমেন এবং কাজের ক্ষেত্রে প্রচলিত ইনপুটগুলির সাথে মিলেছে বা উন্নত করেছে।

PDFM স্ব-তত্ত্বাবধানে শিক্ষা ব্যবহার করে সমষ্টিগত অনুসন্ধান প্রবণতা, নির্মিত পরিবেশ এবং গতিশীলতা ডেটা এবং পরিবেশগত নির্ধারকগুলির মতো সংকেতগুলিকে মাসিক-আপডেট এমবেডিংয়ে সংশ্লেষিত করে। কাঁচা ডেটা প্রক্রিয়াকরণের প্রয়োজন না করে, PDFM এমবেডিংগুলি ভূ-স্থানিক প্রসঙ্গের জন্য ML কর্মপ্রবাহে প্লাগ হয়। পূর্ববর্তী কাজ দেখিয়েছে যে এই এমবেডিংগুলি কাজ-অজ্ঞেয়বাদী, স্বাস্থ্যের সামাজিক, আচরণগত এবং পরিবেশগত নির্ধারকগুলিকে ধারণ করে। উচ্চতর প্রমাণের বোঝা পূরণ করতে, আমরা বিশ্বব্যাপী অংশীদারদের সাথে পাঁচটি জনস্বাস্থ্য চ্যালেঞ্জ জুড়ে PDFM যাচাই করেছি।

যাচাইয়ের মধ্যে মার্কিন-কানাডা সীমান্ত জুড়ে MMR টিকাদান এক্সট্রাপোলেশন অন্তর্ভুক্ত ছিল, যা ব্যাখ্যা করা ভ্যারিয়েন্সে +36% আপেক্ষিক লাভ অর্জন করেছে। মার্কিন যুক্তরাষ্ট্র (3,091 কাউন্টি) জুড়ে কার্ডিওভাসকুলার রোগের মৃত্যুর নাউকাস্টিংয়ের জন্য, PDFM আদমশুমারি-ভিত্তিক মডেলগুলির সাথে তুলনীয় নির্ভুলতা দেখিয়েছে। এই ফলাফলগুলি বিভিন্ন মহামারীবিদ্যাগত কাজ এবং সম্পদ সেটিংসে PDFM-এর মূল্য প্রদর্শন করে।

Entscheidungen im öffentlichen Gesundheitswesen hängen von zeitnahen, granularen Daten ab, aber die konventionelle Überwachung wird durch Meldeverzögerungen, Datensilos und Datenknappheit behindert. Traditionelle Modellierung erfordert auch umfangreiche aufgabenspezifische Datenerfassung. Um dies zu adressieren, führen wir ein Paradigma ein, das planetare georäumliche Fundamentmodelle nutzt. Unter Verwendung des Population Dynamics Foundation Model (PDFM) von Google Earth AI als Proof-of-Concept integrieren wir selbstüberwachte Darstellungen von 'Ort' als Plug-and-Play-Eingaben in bestehende Gesundheitsworkflows und verbessern Modelle ohne neue Pipelines. PDFM komprimiert datenschutzschonende Suchtrends, menschliche Mobilität, Dichte der bebauten Umwelt und Umweltdeterminanten in Standort-Embeddings. Ohne Feinabstimmung übertrafen oder erreichten diese Embeddings konventionelle Eingaben in verschiedenen Krankheitsdomänen und Aufgaben.

PDFM verwendet selbstüberwachtes Lernen, um Signale wie aggregierte Suchtrends, Daten zur bebauten Umwelt und Mobilität sowie Umweltdeterminanten in monatlich aktualisierte Embeddings zu synthetisieren. Anstatt eine Verarbeitung roher Daten zu erfordern, lassen sich PDFM-Embeddings in ML-Workflows für georäumlichen Kontext einbinden. Frühere Arbeiten zeigten, dass diese Embeddings aufgabenagnostisch sind und soziale, verhaltensbezogene und umweltbezogene Gesundheitsdeterminanten erfassen. Um einen höheren Beweisstandard zu erfüllen, validierten wir PDFM in fünf Herausforderungen des öffentlichen Gesundheitswesens mit globalen Partnern.

Die Validierung umfasste die Extrapolation der MMR-Impfung über die US-kanadische Grenze, die einen relativen Gewinn von +36% in der erklärten Varianz erzielte. Für die Nowcasting der Sterblichkeit durch Herz-Kreislauf-Erkrankungen in den zusammenhängenden Vereinigten Staaten (3.091 Landkreise) zeigte PDFM eine vergleichbare Genauigkeit wie zensusbasierte Modelle. Diese Ergebnisse demonstrieren den Wert von PDFM für verschiedene epidemiologische Aufgaben und Ressourcenumgebungen.

Las decisiones de salud pública dependen de datos oportunos y granulares, pero la vigilancia convencional se ve obstaculizada por retrasos en los informes, silos de datos y escasez. El modelado tradicional también requiere una recopilación extensa de datos específicos de la tarea. Para abordar esto, introducimos un paradigma que utiliza modelos fundacionales geoespaciales planetarios. Usando el Modelo Fundacional de Dinámica de Población (PDFM) de Google Earth AI como prueba de concepto, integramos representaciones autosupervisadas de 'lugar' en flujos de trabajo de salud existentes como entradas plug-and-play, mejorando modelos sin nuevos pipelines. PDFM comprime tendencias de búsqueda que preservan la privacidad, movilidad humana, densidad del entorno construido y determinantes ambientales en embeddings de ubicación. Sin ajuste fino, estos embeddings igualaron o mejoraron las entradas convencionales en diversos dominios de enfermedades y tareas.

PDFM utiliza aprendizaje autosupervisado para sintetizar señales como tendencias de búsqueda agregadas, datos de entorno construido y movilidad, y determinantes ambientales en embeddings actualizados mensualmente. En lugar de requerir procesamiento de datos brutos, los embeddings de PDFM se conectan a flujos de trabajo de ML para contexto geoespacial. Trabajos anteriores mostraron que estos embeddings son agnósticos a la tarea, capturando determinantes sociales, conductuales y ambientales de la salud. Para cumplir con un mayor estándar de prueba, validamos PDFM en cinco desafíos de salud pública con socios globales.

La validación incluyó extrapolación de vacunación MMR a través de la frontera entre EE. UU. y Canadá, logrando una ganancia relativa de +36% en varianza explicada. Para el nowcasting de mortalidad por enfermedades cardiovasculares en los Estados Unidos contiguos (3,091 condados), PDFM mostró precisión comparable a los modelos basados en censos. Estos resultados demuestran el valor de PDFM para diversas tareas epidemiológicas y entornos de recursos.

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.

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।

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.

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。

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.

Решения в области общественного здравоохранения зависят от своевременных и детализированных данных, но обычный надзор затруднен задержками отчетности, разрозненностью данных и их нехваткой. Традиционное моделирование также требует обширного сбора данных, специфичных для задачи. Чтобы решить эту проблему, мы вводим парадигму, использующую планетарные геопространственные фундаментальные модели. Используя Фундаментальную модель динамики населения (PDFM) от Google Earth AI в качестве доказательства концепции, мы интегрируем самоконтролируемые представления «места» в существующие рабочие процессы здравоохранения как готовые входные данные, улучшая модели без новых конвейеров. PDFM сжимает конфиденциальные поисковые тренды, мобильность людей, плотность застроенной среды и экологические детерминанты в вложения местоположений. Без тонкой настройки эти вложения соответствовали или превосходили обычные входные данные в различных областях заболеваний и задачах.

PDFM использует самоконтролируемое обучение для синтеза сигналов, таких как агрегированные поисковые тренды, данные о застроенной среде и мобильности, а также экологические детерминанты, в ежемесячно обновляемые вложения. Вместо обработки сырых данных, вложения PDFM подключаются к рабочим процессам машинного обучения для геопространственного контекста. Предыдущие работы показали, что эти вложения не зависят от задачи, отражая социальные, поведенческие и экологические детерминанты здоровья. Чтобы соответствовать более высоким стандартам доказательности, мы проверили PDFM на пяти проблемах общественного здравоохранения с глобальными партнерами.

Проверка включала экстраполяцию вакцинации MMR через границу США и Канады, достигнув относительного прироста +36% в объясненной дисперсии. Для прогнозирования смертности от сердечно-сосудистых заболеваний на сопредельных территориях США (3 091 округ) PDFM показал точность, сопоставимую с моделями на основе переписи. Эти результаты демонстрируют ценность PDFM для разнообразных эпидемиологических задач и ресурсных условий.

公共卫生决策依赖于及时、细粒度的数据，但传统监测受到报告滞后、数据孤岛和稀疏性的阻碍。传统建模还需要大量的任务特定数据收集。为了解决这个问题，我们引入了一种使用行星地理空间基础模型的范式。以Google Earth AI的人口动态基础模型（PDFM）作为概念验证，我们将'地点'的自监督表示作为即插即用输入集成到现有的健康工作流程中，增强模型而无需新管道。PDFM将保护隐私的搜索趋势、人类流动性、建筑环境密度和环境决定因素压缩为位置嵌入。无需微调，这些嵌入在各种疾病领域和任务中匹配或优于传统输入。

PDFM使用自监督学习将聚合搜索趋势、建筑环境和流动性数据以及环境决定因素等信号综合为每月更新的嵌入。无需原始数据处理，PDFM嵌入可插入ML工作流程以获取地理空间上下文。先前的工作表明这些嵌入是任务无关的，捕捉社会、行为和环境卫生决定因素。为了满足更高的证明标准，我们与全球合作伙伴在五个公共卫生挑战中验证了PDFM。

验证包括美加边境的MMR疫苗接种外推，实现了+36%的解释方差相对增益。对于美国本土（3,091个县）的心血管疾病死亡率临近预报，PDFM显示出与基于人口普查的模型相当的准确性。这些结果证明了PDFM在不同流行病学任务和资源环境中的价值。