Przełomowe narzędzie AI do przewidywania pandemii: lepsze niż modele CDC
PandemicLLM: Nowa era predykcji chorób zakaźnych z pomocą sztucznej inteligencji
Nowe narzędzie oparte na sztucznej inteligencji, opracowane przez naukowców z Uniwersytetów Johns Hopkins i Duke przy wsparciu federalnym, przewyższa dotychczasowe metody prognozowania rozprzestrzeniania się chorób zakaźnych, takich jak grypa czy COVID-19.
Przełom w prognozowaniu epidemii
Podczas pandemii COVID-19 narzędzia prognozujące często zawodziły w obliczu dynamicznie zmieniających się warunków – nowych wariantów wirusa, zmian polityki zdrowotnej czy wahań w przestrzeganiu obostrzeń. Dr Lauren Gardner z Uniwersytetu Johnsa Hopkinsa, znana z opracowania światowej sławy dashboardu COVID-19, podkreśliła:
„Gdy warunki były stabilne, modele działały dobrze. Jednak gdy pojawiały się nowe warianty lub zmieniała się polityka, modele nie były w stanie nadążyć. Nowe narzędzie wypełnia tę lukę.”
PandemicLLM – sztuczna inteligencja nowej generacji
Opublikowany właśnie w Nature Computational Science model PandemicLLM wykorzystuje duże modele językowe (LLM), takie jak te używane w ChatGPT, by nie tylko przetwarzać dane liczbowo, lecz także „rozumieć” ich kontekst. Obejmuje to:
- nagłe wzrosty zakażeń,
- pojawienie się nowych wariantów,
- wprowadzanie lub znoszenie obowiązku noszenia maseczek.
PandemicLLM został zasilony strumieniem danych, w tym takich, które nigdy wcześniej nie były wykorzystywane w prognozowaniu epidemii. Dzięki temu osiąga wysoką trafność przewidywań na 1–3 tygodnie naprzód i przewyższa nawet najlepsze dotychczasowe modele, np. te używane przez amerykańskie CDC w ramach CovidHub.
Cztery filary danych
Model korzysta z czterech kategorii danych:
- Dane przestrzenne na poziomie stanowym – obejmujące demografię, infrastrukturę ochrony zdrowia, afiliacje polityczne.
- Szeregi czasowe epidemiologiczne – liczba przypadków, hospitalizacji, wskaźniki szczepień.
- Dane o politykach zdrowotnych – rodzaj i surowość interwencji rządowych.
- Nadzór genomowy – informacje o cechach wariantów i ich rozpowszechnieniu.
Po ich przetworzeniu model tworzy predykcje dotyczące zachowania epidemii, integrując różnorodne czynniki.
Testowanie i potencjalne zastosowania
Zespół przetestował PandemicLLM, stosując go wstecznie na danych z COVID-19 z 19 miesięcy dla poszczególnych stanów USA. Narzędzie było szczególnie skuteczne w okresach niestabilności epidemii, czyli wtedy, gdy inne modele zawodziły.
Jak wyjaśnia prof. Hao „Frank” Yang z Johns Hopkins, specjalista od niezawodnych systemów AI:
„Tradycyjnie wykorzystujemy dane z przeszłości do przewidywania przyszłości. Jednak nowy model opiera się na bieżących informacjach – co pozwala lepiej zrozumieć i przewidzieć rozwój sytuacji.”
PandemicLLM może zostać dostosowany do prognozowania innych chorób zakaźnych, takich jak ptasia grypa, małpia ospa czy RSV.
Kolejny krok: przewidywanie zachowań ludzi
Zespół badaczy bada obecnie możliwości LLM w zakresie odwzorowywania decyzji zdrowotnych podejmowanych przez ludzi. Może to umożliwić tworzenie polityk zdrowotnych, które będą lepiej dostosowane do rzeczywistych reakcji społeczeństwa.
Dr Gardner podsumowuje:
„Nadchodzi kolejna pandemia. Potrzebujemy lepszych narzędzi, aby wdrażać skuteczniejsze strategie zdrowotne. Tego rodzaju modele będą kluczowe.”
Autorzy publikacji
W badaniu udział wzięli: doktorant Hongru Du, studentka Yang Zhao, Jianan Zhao (Uniwersytet Montrealu), doktorant Shaochong Xu, prof. Xihong Lin (Harvard) oraz prof. Yiran Chen (Duke University).
