Harvard: Używanie sztucznej inteligencji do spersonalizowanej kwarantanny predykcyjnej

W ciągu ostatnich kilku miesięcy na świecie doszło do serii ognisk Covid-19, które zasadniczo podążyły tą samą ścieżką: początkowa faza z kilkoma infekcjami i ograniczoną reakcją, a następnie start słynnego krzywa epidemiczna w połączeniu z ogólnokrajową blokadą do spłaszcz krzywą. Następnie, gdy krzywa osiągnie szczyt, rządy muszą zająć się tym, co prezydent Trump nazwał „największa decyzja”Swojego życia: kiedy i jak poradzić sobie z zamknięciem.

Podczas pandemii duży nacisk położono na dzielenie się (lub jej brak) krytycznymi informacjami w różnych krajach - w szczególności z Chin - o rozprzestrzenianiu się choroby. Z drugiej strony, stosunkowo niewiele powiedziano o tym, jak można lepiej zarządzać Covid-19, wykorzystując zaawansowane technologie danych, które zmieniły biznes w ciągu ostatnich 20 lat. W tym artykule omawiamy jeden ze sposobów, w jaki rządy mogą wykorzystać te technologie do zarządzania przyszłą pandemią - a być może nawet końcową fazę obecnej.

Moc spersonalizowanej prognozy

Oparte jest na alternatywnym podejściu dla decydentów politycznych, aby rozważyć dodanie swojego zestawu do walki z Covid-19 technologia spersonalizowanego prognozowania, który w ciągu ostatnich 20 lat zmienił wiele branż. Korzystając z uczenia maszynowego i technologii sztucznej inteligencji (AI), firmy oparte na danych (od „Big Tech” po usługi finansowe, podróże, ubezpieczenia, handel detaliczny i media) przedstawiają spersonalizowane zalecenia dotyczące zakupów i stosują spersonalizowane ceny, ryzyko, kredyt i tym podobne, korzystając z danych, które zgromadzili o swoich klientach.

W ostatnim artykule HBR, na przykład Ming Zeng, były dyrektor ds. strategii Alibaba, opisał, w jaki sposób Ant Financial, jego firma zajmująca się pożyczkami małych firm, może oceniać osoby ubiegające się o pożyczki w czasie rzeczywistym, analizując ich dane transakcyjne i komunikacyjne na platformach e-commerce Alibaba. Tymczasem firmy takie jak Netflix oceniają wcześniejsze wybory i cechy konsumentów, aby przewidzieć, co będą oglądać w przyszłości.

To samo podejście może działać w przypadku pandemii - a nawet przyszłości Covid-19. Korzystając z wielu źródeł danych, modele uczenia maszynowego zostałyby przeszkolone do mierzenia indywidualnych osób ryzyko kliniczne związane z poważnymi skutkami (w przypadku zakażenia Covid): jakie jest prawdopodobieństwo, że będą potrzebować intensywnej opieki, na którą są ograniczone zasoby? Jak prawdopodobne jest to, że umrą? Dane mogą obejmować podstawowe historie medyczne poszczególnych osób (dla Covid-19 nasilenie objawów wydaje się zwiększać wraz z wiekiem i obecność chorób współistniejących jak na przykład cukrzyca or nadciśnienie) a także inne dane, takie jak skład gospodarstwa domowego. Na przykład, młoda, zdrowa osoba (która w innym przypadku mogłaby zostać sklasyfikowana jako „niskie ryzyko”) mogłaby zostać sklasyfikowana jako „wysokie ryzyko”, jeśli mieszka on ze starymi lub niedołężnymi osobami, które prawdopodobnie potrzebowałyby intensywnej opieki w przypadku zarażenia.

Te prognozy ryzyka klinicznego można następnie wykorzystać do dostosowania zasad i alokacji zasobów na poziomie indywidualnym / gospodarstwa domowego, odpowiednio uwzględniając standardowe zobowiązania medyczne i ryzyko. Mogłoby to na przykład umożliwić nam ukierunkowanie na dystans społeczny i ochronę osób o wysokich wynikach ryzyka klinicznego, jednocześnie pozwalając osobom o niskich wynikach żyć mniej więcej normalnie. Należy oczywiście określić kryteria przypisywania osób do grup wysokiego lub niskiego ryzyka, biorąc również pod uwagę dostępne zasoby, ryzyko odpowiedzialności medycznej i inne kompromisy związane z ryzykiem, ale podejścia do analizy danych w tym zakresie są standardowe i stosowane w wielu Aplikacje.

Spersonalizowane podejście ma wiele zalet. Może pomóc w budowaniu odporność na stada z niższą śmiertelnością - i szybko. Umożliwiłoby to także lepszą i sprawiedliwszą alokację zasobów, na przykład rzadki sprzęt medyczny (taki jak zestawy testowe, maski ochronne i łóżka szpitalne) lub inne zasoby.

Strategie odgromowe na późniejszych etapach pandemii - kolejny kluczowy krok dla Covid-19 w większości krajów - mogą przynieść korzyści w podobny sposób. Podjęcie decyzji, od których osób należy rozpocząć proces usuwania zamknięć, jest z natury problemem klasyfikacyjnym podobnym do problemów klasyfikacyjnych znanych większości firm opartych na danych. Niektóre rządy już zbliżają się do ograniczenia uwięzienia, wykorzystując wiek jako wskaźnik ryzyka, względnie prostą klasyfikację, która może pomijać inne osoby wysokiego ryzyka (takie jak powyższy przykład zdrowych młodych ludzi mieszkających z osobami starszymi).

Wykonywanie klasyfikacji na podstawie danych i modeli prognozowania sztucznej inteligencji może prowadzić do decyzji o ograniczeniu, które są bezpieczne na poziomie społeczności i znacznie mniej kosztowne dla jednostki i gospodarki. Wiemy, że kluczową cechą Covid-19 jest to, że ma wyjątkowo wysoką szybkość transmisji, ale także stosunkowo niskie ciężkie objawy lub śmiertelność. Dane wskazują, że prawdopodobnie ponad 90% zakażonych osób nie ma objawów lub po zakażeniu doświadcza łagodnych objawów.

Teoretycznie, przy wiarygodnym przewidywaniu, kim są te 90%, moglibyśmy ograniczyć wszystkie te osoby. Nawet gdyby nawzajem się zarażali, nie mieliby poważnych objawów i nie przytłoczyli systemu medycznego ani nie umierali. Te 90% osób z ograniczonym ryzykiem klinicznym również pomogłoby w szybkim zwiększeniu odporności stada, w którym to momencie pozostałe 10% mogłoby również zostać ograniczone.

Przeczytaj całą historię tutaj…