Jak uczenie maszynowe przewiduje epidemie chorób wczesnie

Od reaktywnego liczenia do wczesnej prognozy

Klasyczne nadzory public healthowe liczą to, co już się wydarzyło: potwierdzone przypadki, przyjęcia do szpitali, certyfikaty dotyczące zgonów. Dopóki te liczby się poruszają, epidemia jest już w toku. Systemy uczenia maszynowego zamiast tego szukają słabych sygnałów, które poprzedzają oficjalne zestawienie – zapytania w wyszukiwarkach o objawy, wpisy na portalach społecznościowych o chorobie, sprzedaż leków bez recepty w aptekach oraz dane z natychmiastowego monitoringu przyjęć do szpitali.

System prognozowania grypy CDC łączy dokładnie te strumienie danych. Korzystając z korelacji trendów wyszukiwania i danych dotyczących sprzedaży leków z historycznymi wzorami wybuchów, może sygnalizować prawdopodobny wzrost o 6-8 tygodni przed szczytem, w przeciwieństwie do wielotygodniowego opóźnienia systemów raportowania przypadków. Ten czas reakcji pozwala działom zdrowia publicznego na wcześniejsze rozmieszczenie zapasów szczepionek i personelu zamiast reagować po przepełnieniu oddziałów ratunkowych.

Algorytmy w pracy

Nic egzotycznego nie jest wymagane w większości tego procesu. Cztery rodziny algorytmów pokrywają większość wdrożonych public health ML: modele regresji przewidują ciągłą liczbę – współczynnik zachorzeń, oczekiwaną długość hospitalizacji. Algorytmy klasyfikacji (regresja logistyczna, maszyny wektorowe wspierające) sortują pacjentów do grup ryzyka – wysokie, średnie, niskie ryzyko dla cukrzycy lub powikłań nowotworowych. Algorytmy grupowania, takie jak K-means, grupują pacjentów lub obszary geograficzne na podstawie wspólnych cech bez żadnych predefiniowanych etykiet, co jest przydatne w wykrywaniu miejsca gorączkowego bez wyraźnego oznaczenia. Modele szeregów czasowych prognozują w oparciu o historyczne sekwencje, które stanowią podstawę prognozowania epidemii.

Każdy model jest tak dobry, jak jego cechy – model CDC dotyczący grypy działa, ponieważ ktoś zdecydował się nakarmić go zapytaniami z wyszukiwarki i sprzedażą leków w aptekach, a nie dlatego, że podlegająca regresji jest nowatorska. Selekcja cech, a nie złożoność algorytmu, zwykle stanowi decydujący czynnik w tym, czy model public health rzeczywiście działa.

Przykłady wdrożone z podanymi liczbami

Trzy wdrożenia ilustrują wzorzec wzrostów, które są przyznawane tym systemom. System CDC dotyczący grypy, opisany powyżej, jest uznawany za redukcję hospitalizacji o 15% podczas szczytu sezonu grypowego, dzięki czemu urzędnikom zapewniono tygodnie wyprzedzającego czasu na działania mające na celu podjęcie szczepień.

Lokalne departamenty zdrowia stosują podobną logikę w przypadku zatruć opioidami: zamiast czekać na zgłoszone lokalizacje zatruć – które opóźniają rozprzestrzenianie się epidemii – modele wytrenowane na danych dotyczących recept, rejestrach incydentów związanych z zatruciami oraz zmiennych demograficznych identyfikują powstające punkty gorączkowe w miarę ich powstawania. Opublikowany wynik: wzrost o 20% dostępu do leczenia uzależnień w obszarach dotychczas celem interwencji.

HUD uruchomił równoległy model dla ryzyka bezdomności, oceniając osoby pod kątem bezrobocia, historii eksmisji i trendów dotyczących dochodów, aby oznaczyć ryzyko przed utratą przez kogoś mieszkania, a nie po. Pilotowe programy wykorzystujące ten sposób raportowały redukcję bezdomności o 10% w dotychczasowym obszarze działania.

Co model musi zrobić, aby przejść z fazy pilotażowej do produkcyjnej

Standardowy przepływ pracy to: zdefiniowanie konkretnego, wąskiego problemu – nie "poprawić zdrowia publicznego", ale "przewidzieć przyjęcia do szpitala z powodu grypy za dwa tygodnie" – spisanie dostępnych źródeł danych, ich oczyszczenie i wstępne przetwarzanie, trenowanie i walidacja na zestawie testowym oddzielonym od danych treningowych, a następnie integracja wyników w rzeczywisty przepływ pracy zamiast panelu kontrolnego, którego nikt nie sprawdza. Pomijanie ostatniego kroku to najczęstszy sposób, w jaki technicznie solidny model generuje zero realnego wpływu.

Jakość danych jest powtarzającym się punktem awarii – niekompletne lub niespójne rekordy pogarszają predykcje szybciej niż niedoskonały algorytm. Bias, czyli tendencyjne błędy, to drugi powtarzający się problem: model wytrenowany na historycznie nierównym dostępie do opieki zdrowotnej będzie reprodukował tę nierówność w swoich wynikach, o ile nikt nie sprawdzi tego wyraźnie. Ważna jest również interpretowalność – lekarz lub urzędnik ds. polityki publicznej, który nie widzi, dlaczego model oznaczył dany przypadek, nie podejmie działań na podstawie tego oznaczenia, niezależnie od jego dokładności.

Jak to się rozwinie

Uczenie federacyjne pozwala modelowi trenować na danych z wielu szpitali bez konieczności przesyłania jakichkolwiek surowych kartotek pacjentów poza siedzibę, co eliminuje wiele obaw związanych z prywatnością utrudniających zawieranie porozumień o udostępnianiu danych. Generowanie syntetycznych danych tworzy realistyczne, ale sztuczne karty pacjentów do trenowania, gdy rzeczywiste dane są zbyt rzadkie lub zbyt wrażliwe, aby je bezpośrednio wykorzystać. Obliczenia brzegowe przenoszą wytrenowany model bezpośrednio na urządzenie – czujnik noszony przez pacjenta oceniający jego ryzyko lokalnie, zamiast najpierw wysyłać dane do serwera, co ma znaczenie dla każdego przypadku wymagającego natychmiastowej reakcji.

Żadne z tych rozwiązań nie są jeszcze standardem; większość systemów produkcyjnych w dziedzinie zdrowia publicznego nadal działa na czterech rodzinach algorytmów, stosowanych do danych zebrano centralnie. Przesunięcie infrastruktury w kierunku podejść federacyjnych i brzegowych jest już zauważalne, ale nie stanowi jeszcze podstawowego poziomu.

System prognozowania zachorowań na grypę CDC oparty na uczeniu maszynowym może sygnalizować prawdopodobny wybuch 6-8 tygodni przed jego szczytem, wykorzystując dane z wyszukiwarek internetowych, sprzedaży leków i danych dotyczących hospitalizacji.

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz the simulation i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.