Google Research utilise l'IA pour aider les experts en santé publique à suivre les maladies et les risques sanitaires

En bref: Google Research a développé un modèle d'intelligence artificielle qui combine des tendances de recherche, la mobilité humaine et des données environnementales dans des profils de localisation numériques. Des tests montrent que ces profils aident les experts en santé publique à suivre et à prédire les tendances de santé plus rapidement et par-delà les frontières.

Découvrir où se déclarera la prochaine épidémie ressemble souvent à une tentative de lire une carte écrite à l'encre invisible, mais de nouveaux outils d'intelligence artificielle aident les scientifiques à rendre ces schémas cachés évidents.

Ce qui s'est passé, en mots simples

Les ingénieurs logiciels de Google Research Arbaaz Muslim et Gautam Prasad ont présenté le Population Dynamics Foundation Model (PDFM), qui fait partie de Google Earth AI. Cet outil crée des « empreintes digitales » numériques pour différents emplacements en résumant des tendances de recherche anonymes, la mobilité humaine, des facteurs environnementaux et la densité des bâtiments. En partenariat avec divers groupes de recherche, Google a testé comment l'intégration de ces empreintes digitales de localisation dans des modèles de santé existants pouvait améliorer le travail de santé publique. Cinq études de cas différentes ont montré que le modèle a aidé les chercheurs à suivre les taux de vaccination transfrontaliers, à estimer les décès actuels par maladie cardiaque sans attendre les anciennes données de recensement, à prévoir les épidémies de dengue au Mexique, à prédire les risques de dépression post-partum chez les mères et à anticiper les foyers de choléra en République démocratique du Congo.

Points clés

Suivi des besoins de santé transfrontaliers: Des chercheurs du Mount Sinai Health System et du Boston Children's Hospital ont utilisé des données de localisation canadiennes et américaines pour mieux prédire la couverture vaccinale contre la rougeole près de la frontière, faisant passer la variation expliquée de 16 % à 22 %.
Estimations plus rapides des maladies cardiaques: Des partenaires de la NYU Grossman School of Medicine ont constaté que le modèle d'IA pouvait estimer les décès par maladie cardiovasculaire de l'année en cours dans les comtés américains sans les retards de rapport habituels de plusieurs ans des données de recensement traditionnelles.
Alertes précoces pour la dengue: En collaboration avec l'Université d'Oxford et le Tecnológico de Monterrey, des chercheurs ont associé l'outil d'IA à un modèle de séries chronologiques pour prévoir les cas de dengue dans les municipalités mexicaines un mois à l'avance, améliorant la précision dans un maximum de 72 % des zones de transmission active.
Soutien à la santé mentale maternelle: Des chercheurs de l'Université de Washington ont découvert que l'outil d'IA aidait à identifier les risques de dépression post-partum chez les mères et pouvait aider les systèmes de santé à atteindre des milliers de mères rurales supplémentaires ou à réduire les fausses alarmes.
Anticipation des épidémies de choléra: Une version légère du modèle testée avec des partenaires régionaux de l'Organisation mondiale de la santé a aidé à prévoir les foyers de choléra quatre à huit semaines à l'avance en République démocratique du Congo.

Termes expliqués

Modèle Fondateur — Un système d'intelligence artificielle à grande échelle entraîné sur des quantités massives de données diverses qui peut être adapté pour effectuer de nombreuses tâches différentes. Exemple: Pensez-y comme à un couteau suisse géant qui sait déjà faire de nombreux travaux, de sorte que vous n'avez pas à construire un nouvel outil à partir de zéro pour chaque tâche.
Embeddings (Plongements) — Des résumés numériques compacts ou « empreintes digitales » qui représentent des informations complexes du monde real dans un format que les ordinateurs peuvent facilement traiter. Exemple: C'est comme transformer une description détaillée des routes, des magasins et de la météo d'un quartier en un code numérique simple.
Surveillance Épidémiologique — La collecte et l'analyse continues de données de santé pour suivre et surveiller la propagation des maladies au sein des populations. Exemple: C'est similaire à un système de radar météorologique, mais au lieu de suivre des tempêtes de pluie, les agents de santé surveillent les signes de maladies à venir.

Pourquoi c'est important

Le suivi traditionnel de la santé publique souffre souvent de retards de plusieurs ans et d'informations manquantes, ce qui rend difficile l'envoi de fournitures médicales ou de vaccins là où ils sont le plus nécessaires. En comblant ces lacunes de données, les départements de santé peuvent utiliser les conditions actuelles pour orienter les ressources de prévention, repérer les épidémies des semaines à l'avance et diriger les soins vers les communautés vulnérables plus efficacement.

Ce que l'on ne sait pas encore

La recherche s'appuie sur des instantanés de données actuels, et les scientifiques travaillent toujours à rendre les embeddings temporellement dynamiques et mieux adaptés aux régions mal connectées. De plus, ces tests font partie d'évaluations académiques et de partenaires plutôt que d'une norme mondiale établie pour la pratique médicale.

D'après un article de Google Research. Ceci est une explication indépendante, rédigée avec nos propres mots et l'aide d'une IA ; Google Research ne l'a ni relue ni approuvée. Consultez l'original pour tous les détails.