Ένα εργαλείο τεχνητής νοημοσύνης που ανέπτυξαν ερευνητές των πανεπιστημίων Johns Hopkins και Duke στις ΗΠΑ, θα μπορούσε να φέρει επανάσταση στον τρόπο με τον οποίο οι δημόσιοι φορείς υγείας προβλέπουν, παρακολουθούν και διαχειρίζονται τις επιδημίες λοιμωδών νοσημάτων, όπως η γρίπη και ο COVID-19.
«Η πανδημία του COVID-19 ανέδειξε τη δυσκολία πρόβλεψης της εξάπλωσης ενός νοσήματος λόγω της σύνθετης αλληλεπίδρασης συνεχώς μεταβαλλόμενων παραγόντων», δήλωσε η συγγραφέας της μελέτης Λώρεν Γκάρτνερ από το Johns Hopkins, ειδική στη μοντελοποίηση, η οποία δημιούργησε τον πίνακα παρακολούθησης του COVID-19 που χρησιμοποιήθηκε ευρέως σε όλο τον κόσμο κατά τη διάρκεια της πανδημίας.
«Όταν οι συνθήκες ήταν σταθερές, τα μοντέλα λειτουργούσαν καλά. Ωστόσο, όταν εμφανίζονταν νέες παραλλαγές ή άλλαζαν οι πολιτικές, ήμασταν ανεπαρκείς στην πρόβλεψη των αποτελεσμάτων, επειδή δεν είχαμε τις δυνατότητες να ενσωματώσουμε κρίσιμους τύπους πληροφορίας στο μοντέλο. Το νέο εργαλείο καλύπτει αυτό το κενό» εξήγησε.
Κατά τη διάρκεια της πανδημίας του κορονοϊού, η τεχνολογία του νέου εργαλείου δεν υπήρχε. Η ομάδα χρησιμοποίησε για πρώτη φορά μεγάλο γλωσσικό μοντέλο (Large Language Model – LLM), δηλαδή γενετική τεχνητή νοημοσύνη για να προβλέψει την εξάπλωση νόσων. Αντί να προσεγγίζει την πρόβλεψη ως ένα απλό μαθηματικό πρόβλημα, το μοντέλο —με την ονομασία PandemicLLM— επεξεργάζεται το πρόβλημα με τρόπο που προσομοιάζει τη λογική σκέψη, ενσωματώνοντας παραμέτρους όπως πρόσφατες εξάρσεις, νέες παραλλαγές του ιού και πολιτικές προστασίας.
Η ομάδα εισήγαγε στο μοντέλο πληθώρα πληροφοριών —συμπεριλαμβανομένων δεδομένων που δεν είχαν χρησιμοποιηθεί ποτέ σε εργαλεία πρόβλεψης πανδημιών— και διαπίστωσε ότι το PandemicLLM μπορούσε να προβλέψει με ακρίβεια μοτίβα εξάπλωσης και τάσεις νοσηλειών με χρονικό ορίζοντα 1 έως 3 εβδομάδων, υπερέχοντας σταθερά έναντι άλλων μεθόδων.
«Μία από τις κύριες προκλήσεις στην πρόβλεψη λοιμωδών νοσημάτων είναι η κατανόηση των παραγόντων που προκαλούν τις εξάρσεις και η ενσωμάτωση αυτών των νέων ροών δεδομένων στα μοντέλα», ανέφερε η Γκάρτνερ.
Το μοντέλο βασίζεται σε τέσσερις κατηγορίες δεδομένων:
• Χωρικά δεδομένα ανά πολιτεία, όπως δημογραφικά στοιχεία, πληροφορίες για το σύστημα υγείας και πολιτικές προτιμήσεις.
• Επιδημιολογικά δεδομένα, όπως αναφερθείσες περιπτώσεις, νοσηλείες και ποσοστά εμβολιασμού.
• Δεδομένα πολιτικής δημόσιας υγείας, όπως το είδος και η αυστηρότητα των μέτρων.
• Γονιδιωματικά δεδομένα επιτήρησης, με πληροφορίες για τα χαρακτηριστικά και τη συχνότητα εμφάνισης των παραλλαγών.
Το μοντέλο έχει τη δυνατότητα να προβλέπει πώς αλληλεπιδρούν μεταξύ τους διάφοροι παράγοντες και πώς αυτή η αλληλεπίδραση επηρεάζει την εξέλιξη μιας νόσου. Για να αξιολογήσουν την απόδοσή του, οι ερευνητές το εφάρμοσαν αναδρομικά στην πανδημία της COVID-19, εξετάζοντας την πορεία της σε κάθε πολιτεία των ΗΠΑ για διάστημα 19 μηνών. Σε σύγκριση με άλλα μοντέλα, το νέο εργαλείο αποδείχθηκε εξαιρετικά αποτελεσματικό, ιδιαίτερα σε περιόδους όπου η επιδημιολογική εικόνα παρουσίαζε έντονες και απρόβλεπτες μεταβολές.
«Παραδοσιακά, χρησιμοποιούμε το παρελθόν για να προβλέψουμε το μέλλον», δήλωσε ο συγγραφέας Χάο Γιανγκ, επίκουρος καθηγητής Πολιτικής και Συστημικής Μηχανικής στο Johns Hopkins, ειδικός στην ανάπτυξη αξιόπιστης τεχνητής νοημοσύνης.
«Όμως αυτό δεν δίνει στο μοντέλο αρκετές πληροφορίες για να κατανοήσει και να προβλέψει. Αντίθετα, αυτό το πλαίσιο χρησιμοποιεί νέους τύπους δεδομένων σε πραγματικό χρόνο» πρόσθεσε.
Με τα κατάλληλα δεδομένα, το μοντέλο μπορεί να προσαρμοστεί για οποιαδήποτε λοιμώδη νόσο, όπως η γρίπη των πτηνών και ο RSV.
Η ερευνητική ομάδα διερευνά τώρα την ικανότητα των LLMs να προσομοιώσουν τον τρόπο που οι άνθρωποι λαμβάνουν αποφάσεις σχετικά με την υγεία τους, ελπίζοντας ότι ένα τέτοιο μοντέλο θα μπορούσε να βοηθήσει τους αρμόδιους να σχεδιάσουν πιο ασφαλείς και αποτελεσματικές πολιτικές.
«Από την εμπειρία μας με τον COVID-19 ξέρουμε ότι χρειαζόμαστε καλύτερα εργαλεία ώστε να μπορούμε να σχεδιάζουμε πιο αποτελεσματικές πολιτικές», είπε η ερευνήτρια. «Θα υπάρξει και άλλη πανδημία, και αυτά τα είδη πλαισίων θα είναι κρίσιμα για την υποστήριξη της δημόσιας υγείας» κατέληξε.
Η μελέτη δημοσιεύθηκε στο επιστημονικό περιοδικό «Nature Computational Science».
ΠΗΓΗ: Medicalxpress
