Раскрытие потенциала базовых планетарных геопространственных моделей Earth AI для глобального общественного здравоохранения

С помощью модели динамики населения Google Earth AI (PDFM) мы можем устранить пробелы в данных и временные задержки в отчетности существующих эпидемиологических рабочих процессов. В нашей последней работе мы представляем пять примеров из практики, разработанных нашими партнерами, которые демонстрируют, как эта модель иллюстрирует парадигму планетарной геопространственной базовой модели для глобального общественного здравоохранения.

Быстрые ссылки

• Бумага
• Новости из блога Google
• Делиться
  • Скопировать ссылку ×

Принятие решений в области общественного здравоохранения в значительной степени зависит от своевременных и детализированных данных. В случае таких заболеваний, как сердечно-сосудистые заболевания или послеродовая депрессия, эти данные показывают, куда следует направить ресурсы и поддержку. В случае вспышек острых заболеваний, таких как лихорадка денге или холера, они могут помочь в разработке срочных оперативных протоколов и распределении ресурсов. Однако традиционный эпидемиологический надзор часто затруднен ограничениями в данных: многолетние задержки в отчетности, разрозненность данных из-за жестких геополитических границ и их дефицит. Даже без этих ограничений традиционные подходы к моделированию требуют обширного сбора данных, специфичных для конкретной задачи, и специализированных конвейеров обработки данных, которые трудно развернуть во время быстрых вспышек или в условиях ограниченных ресурсов.

Для решения этих системных проблем мы предлагаем новую парадигму в области общественного здравоохранения, использующую планетарные геопространственные базовые модели. Используя модель динамики населения Google Earth AI (PDFM) в качестве концептуального доказательства, мы демонстрируем, как самообучающиеся, предварительно подготовленные представления «места» могут быть интегрированы непосредственно в существующие рабочие процессы в области здравоохранения и эпидемиологии в качестве готовых к использованию входных данных — улучшая статистические модели и модели машинного обучения (ML), которые уже используют эпидемиологи, вместо создания новых конвейеров с нуля. PDFM сжимает сохраняющие конфиденциальность поисковые тренды, мобильность населения, плотность застроенной среды и экологические детерминанты в векторные представления местоположения. Без необходимости тонкой настройки под конкретные задачи, эти готовые векторные представления местоположения соответствуют или превосходят традиционные входные данные в широком диапазоне областей заболеваний, географических условий и эпидемиологических задач.

Что такое PDFM?

PDFM — часть Google Earth AI, нашего набора геопространственных моделей, объединяющих спутниковые снимки, погоду, анонимные поисковые запросы, мобильность населения и другие демографические данные, — использует самообучение для синтеза следующих разнообразных сигналов, обеспечивающих конфиденциальность, в компактные и универсальные встраивания, которые служат «отпечатками пальцев» для местоположений, обновляемыми ежемесячно:

• Сводные поисковые тренды : частота поиска тем и ресурсов, вызвавших интерес на уровне сообщества.
• Городская среда и мобильность : плотность застройки и загруженность таких мест, как аптеки, клиники и парки.
• Факторы окружающей среды : высокоточные показатели и статистика погоды и качества воздуха.

Вместо того чтобы заставлять исследователей самостоятельно собирать и обрабатывать эти необработанные потоки данных, встраивания PDFM можно легко интегрировать в существующие рабочие процессы машинного обучения, чтобы обеспечить готовый к использованию геопространственный контекст.

Предыдущие исследования показали, что эти векторные представления не зависят от конкретной задачи. Поскольку эти повседневные сигналы отражают основные социальные, поведенческие и экологические факторы, определяющие здоровье, те же самые векторные представления продемонстрировали высокую эффективность в заполнении пробелов в широком спектре показателей здоровья, используемых Центрами по контролю и профилактике заболеваний (CDC).

Однако создание новой парадигмы глобального здравоохранения требует более веских доказательств. Чтобы соответствовать этому стандарту, мы поставили перед собой задачу продемонстрировать ценность эмбеддингов PDFM в более широком спектре проблем здравоохранения и в различных условиях по всему миру.

Обзор применения технологии PDFM в Google Earth AI для решения широкого спектра глобальных проблем здравоохранения.

Краткий обзор матрицы валидации

Для достижения этой цели наши глобальные партнеры по исследованиям в области здравоохранения содействовали проведению независимых оценок по пяти различным проблемам общественного здравоохранения, охватывающим разнообразные эпидемиологические задачи, условия использования ресурсов и типы заболеваний:

Выявление трансграничной динамики в сфере иммунизации

Наши оценки показывают, что, хотя эпидемиологические модели ограничены суверенными границами, результаты, которые они отслеживают, такими ограничениями не обладают. Например, в 146 округах США, расположенных в пределах 150 км от канадской границы, модели, учитывающие только внутренние показатели, часто испытывают трудности с прогнозированием уровня вакцинации на местном уровне.

Дополнив данные по округам США данными по зонам сортировки вакцин в Канаде, исследователи из системы здравоохранения Маунт-Синай и Бостонской детской больницы разработали модели, которые учитывают трансграничные поведенческие и мобильные эффекты. Чтобы помочь специалистам в области общественного здравоохранения выявлять сообщества, подверженные риску вспышек кори, исследователи использовали этот дополнительный трансграничный контекст для увеличения доли вариации в охвате вакцинацией MMR, объясняемой моделями, с 16% до 22% (увеличение на 36%) и уточнения оценок охвата как минимум на 3 процентных пункта для 4,7 миллионов жителей приграничных районов, выявив локальные закономерности, которые могут быть упущены моделями, учитывающими только внутренние условия.

Сокращение задержек в предоставлении отчетности в рамках эпидемиологического надзора за хроническими заболеваниями.

Сердечно-сосудистые заболевания (ССЗ) ежегодно уносят более 916 000 жизней в США. Однако неопубликованные официальные данные о смертности на уровне округов из Национальной системы статистики жизненно важных событий (NVSS) обычно отстают на 1–2 года, а ковариаты Американского обследования сообществ (ACS) отражают заболевания, имевшие место до 2–3 лет назад. PDFM доступен в большем количестве мест и имеет гораздо меньшую задержку, что позволяет улучшить наши возможности моделирования заболеваний.

Наши партнеры из Медицинской школы имени Гроссмана при Нью-Йоркском университете проверили, может ли PDFM заменить данные переписи населения при оценке смертности от сердечно-сосудистых заболеваний в текущем году примерно в 3100 округах США. Они не обнаружили статистически значимых различий между PDFM и традиционными данными переписи населения при прогнозировании на текущий момент, при этом PDFM оказался гораздо более актуальным и доступным в гораздо большем количестве мест:

• Сопоставимо с данными переписи населения : модели, использующие PDFM, предсказали смертность от сердечно-сосудистых заболеваний на уровне округов в 2023 году примерно с той же точностью, что и модели, использующие демографические и социально-экономические данные ACS (средняя ошибка 18,7 против 19,1 смертей на округ при краткосрочном прогнозировании), при этом снизив ошибки, связанные с крупными выбросами по округам (RMSE), на 20% (57,7 → 46,0). Различия не были статистически значимыми, что позволяет предположить, что PDFM может служить заменой данным переписи населения.
• Более оперативно и более широко доступны : данные ACS объединяют пятилетние данные опросов и публикуются в течение года после сбора данных. Встраивания PDFM, использованные в этом исследовании, были построены на основе данных за один месяц. PDFM также доступен в 17 странах, в то время как ACS охватывает только США.

Эти результаты показывают, что PDFM может позволить департаментам здравоохранения направлять ресурсы на профилактику, исходя из текущих условий, а не ожидая многолетних циклов обследований.

Уточнение прогнозов по активным очагам вспышек заболеваний.

В борьбе со вспышками трансмиссивных заболеваний, таких как денге, время имеет решающее значение. В сотрудничестве с исследователями в области общественного здравоохранения из Оксфордского университета и Технологического университета Монтеррея мы объединили модель PDFM с моделью TimesFM 2.0 (нашей открытой базовой моделью временных рядов) для прогнозирования числа случаев заболевания денге в примерно 2450 мексиканских муниципалитетах в период с 2020 по 2025 год.

Наибольший прирост производительности модели наблюдался при прогнозировании на месяц вперед, что позволило повысить точность прогнозов в 72% муниципалитетов с активной передачей денге, обеспечив общее снижение погрешности в 3,4 раза больше, чем ухудшение результатов. Такой результат был достигнут именно там, где своевременное принятие решений по борьбе с переносчиками заболеваний и кадровому обеспечению медицинских учреждений имеет первостепенное значение, особенно с учетом доказанной эффективности краткосрочных прогнозов.

Проверка географических границ в клиническом скрининге

Скрининг на наличие психических расстройств у матерей, таких как послеродовая депрессия (ПД), обычно основывается на информации, полученной при первичном осмотре, которая редко учитывает более широкие условия в обществе, влияющие на риск развития депрессии у матери и ее доступ к медицинской помощи. Чтобы проверить, могут ли геопространственные базовые модели помочь преодолеть этот пробел, исследователи из Вашингтонского университета оценили встраивания PDFM на основе данных 332 970 участников национального исследования CDC PRAMS.

Помимо того, что PDFM учитывает социально-экономические условия на уровне сообщества (R2=0,45), добавление векторных представлений обеспечило устойчивое, статистически значимое повышение точности прогнозирования того, какие матери находятся в группе риска (AUC +0,0020 в штатах, где данные были видны; +0,0038 в штатах, где данные не были видны). Что особенно важно, этот сигнал сохранялся в штатах, которые модель никогда не видела во время обучения, выступая в качестве дополнительного локального контекста, который восстанавливает около 15% прогностического сигнала, основанного на данных о доходах и страховании матери, когда эти данные недоступны.

Этот переносимый контекст оказал наибольшее влияние на распределение ресурсов скрининга в новых штатах. В симуляциях, где система здравоохранения может отслеживать 20% матерей с самым высоким риском, добавление PDFM помогло охватить на 5640 больше сельских матерей с послеродовой депрессией каждый год. В то же время, в системах, стремящихся выявить 80% всех случаев, PDFM сократил количество ложных срабатываний на 17 723 в год, демонстрируя, как геопространственные встраивания могут помочь системам здравоохранения либо расширить охват сельских районов, либо повысить эффективность последующего наблюдения.

Увеличение сроков прогнозирования возникновения холеры

Раннее предупреждение об эпидемиях, передающихся через воду, таких как холера, имеет решающее значение для заблаговременного размещения пероральных вакцин против холеры и обеспечения чистой водой. К счастью, вспышки редки: в любую неделю в менее чем 1 из 100 из 403 медицинских зон страны начинается вспышка. К сожалению, именно эта редкость затрудняет их прогнозирование.

Для решения задачи, определенной Региональным отделением Всемирной организации здравоохранения для Африки и использующей национальные данные эпидемиологического надзора из системы интегрированного эпидемиологического надзора и реагирования (IDSR) Демократической Республики Конго, мы проверили, может ли облегченная, малоресурсная версия PDFM (адаптированная для регионов с ограниченным доступом к интернету) помочь в прогнозировании очагов холеры.

Преимущество зависело от того, насколько далеко вперед мы заглядывали. За одну-две недели вперед, по последним данным о количестве случаев заболевания, точность прогнозов существенно не повышалась. За четыре-восемь недель вперед, когда еще есть время для закупки материалов, это помогало получить следующие результаты:

• Более точные списки : Группы реагирования работают с коротким списком зон высокого риска, поэтому каждую неделю мы проверяли, сколько из пяти лучших, по мнению модели, зон в итоге привели к вспышке заболевания. За восемь недель модель PDFM увеличила этот показатель с 1,78 до 2,10 правильных прогнозов в неделю, что составляет улучшение на 18%.
• Более значительные успехи там, где холера является эндемическим заболеванием : в 15 зонах, где холера регистрировалась как минимум в половине всех недель, точность Precision@5 для восьминедельных списков улучшилась с 0,3333 до 0,3975, что составляет относительный прирост в 19%.

Эти результаты показывают, что, хотя краткосрочное отслеживание может опираться на свежие клинические данные, базовые модели, основанные на встраивании данных, учитывают основные экологические, коммуникационные и популяционные факторы, дополняющие исторические данные, что позволяет осуществлять упреждающее планирование на один-два месяца вперед.

Взгляд в будущее

Базовые геопространственные модели позволяют перейти от реактивного, локализованного моделирования к проактивному и оперативному анализу данных о состоянии здоровья в планетарном масштабе. Существующие ограничения, такие как статические снимки, стимулируют активные исследования в области динамических во времени встраиваний и географического трансферного обучения для регионов с недостаточной связью между ними.

Интегрируя данные о планетарном контексте в существующие рабочие процессы в сфере общественного здравоохранения, мы можем помочь улучшить доставку медицинских ресурсов, мер вмешательства и оповещений о вспышках заболеваний в сообщества, которые в них больше всего нуждаются. Подробнее читайте в статье.

Встраивания PDFM доступны в предварительной версии в виде набора данных Population Dynamics Insights, представляющего собой геопространственный набор встраиваний от Google Maps Platform. Ученые и исследователи в области общественного здравоохранения также могут запросить бесплатный доступ для отдельных, не связанных с практической деятельностью, исследовательских целей.

Источник: research.google