Гарвард: использование искусственного интеллекта для персонифицированного предсказательного карантина

За последние несколько месяцев в мире произошла серия вспышек Covid-19, которые, как правило, шли по одному и тому же пути: начальная фаза с небольшим количеством инфекций и ограниченным ответом, сопровождаемая взлетом знаменитого эпидемическая кривая сопровождается блокировкой по всей стране сгладить кривую. Затем, когда кривая достигает пика, правительства должны решить то, что президент Трамп назвал «самое большое решениеЕго жизни: когда и как справляться с лишением свободы.

На протяжении всей пандемии большое внимание уделялось обмену (или его отсутствию) важной информацией между странами - в частности из Китая - о распространении болезни. Напротив, относительно мало было сказано о том, как можно было бы лучше управлять Covid-19, используя передовые технологии обработки данных, которые изменили бизнес за последние 20 лет. В этой статье мы обсуждаем один из способов, с помощью которого правительства могли бы использовать эти технологии для борьбы с будущей пандемией - и, возможно, даже на завершающих этапах текущей.

Сила персонифицированного прогноза

Альтернативный подход для лиц, определяющих политику, чтобы рассмотреть возможность добавления в их смесь для борьбы с Covid-19 основан на технология персонализированного прогнозирования, который изменил многие отрасли за последние 20 лет. Используя технологии машинного обучения и искусственного интеллекта (ИИ), компании, работающие с данными (от «больших технологий» до финансовых услуг, путешествий, страхования, розничной торговли и СМИ), делают персональные рекомендации относительно того, что покупать, и практикуют индивидуальное ценообразование, риски и кредит. , и тому подобное, используя накопленные данные о своих клиентах.

В недавней статье HBRНапример, Мин Цзэн, бывший главный директор Alibaba по стратегии, рассказал, как Ant Financial, компания по кредитованию малого бизнеса его компании, может оценивать соискателей в режиме реального времени, анализируя их транзакции и данные связи на платформах электронной коммерции Alibaba. Между тем, такие компании, как Netflix, оценивают прошлый выбор и характеристики потребителей, чтобы делать прогнозы о том, что они будут смотреть дальше.

Тот же подход может сработать для пандемий - и даже для будущего Covid-19. Используя несколько источников данных, модели машинного обучения будут обучены измерять индивидуальные Клинический риск получения тяжелых результатов (при заражении Covid): Какова вероятность того, что им потребуется интенсивная терапия, для которой имеются ограниченные ресурсы? Насколько вероятно, что они умрут? Данные могут включать основные медицинские истории людей (для Covid-19, тяжесть симптомов, кажется, увеличивается с возрастом и с наличие сопутствующих заболеваний такой как диабет or гипертония) а также другие данные, такие как состав домохозяйства. Например, молодого здорового человека (которого в противном случае можно было бы отнести к категории «низкого риска») можно было бы отнести к «высокому риску», если он или она живет со старыми или немощными людьми, которые, вероятно, нуждаются в интенсивной терапии в случае заражения.

Эти прогнозы клинического риска могут быть затем использованы для настройки политики и распределения ресурсов на уровне отдельных лиц / домохозяйств с надлежащим учетом стандартных медицинских обязательств и рисков. Это может, например, позволить нам ориентироваться на социальное дистанцирование и защиту для людей с высокими показателями клинического риска, в то же время позволяя людям с низкими показателями жить более или менее нормально. Конечно, необходимо определить критерии отнесения людей к группам высокого или низкого риска, учитывая также имеющиеся ресурсы, риски медицинской ответственности и другие компромиссы риска, но подходы к данным на основе данных являются стандартными и используются в многочисленных Приложения.

Индивидуальный подход имеет несколько преимуществ. Это может помочь построить коллективный иммунитет с более низкой смертностью - и быстро. Это также позволило бы лучше и более справедливо распределять ресурсы, например, дефицитное медицинское оборудование (такое как тестовые наборы, защитные маски и больничные койки) или другие ресурсы.

Стратегии освобождения от заключения на более поздних стадиях пандемии - следующий ключевой шаг в отношении Covid-19 в большинстве стран - могут принести пользу аналогичным образом. Решение, с кем начать процесс освобождения от конфайнмента, по своей природе является проблемой классификации, аналогичной проблемам классификации, знакомым большинству фирм, управляющих данными. Некоторые правительства уже приближаются к освобождению от заключения, используя возраст как показатель риска, относительно грубую классификацию, которая потенциально не учитывает других лиц с высоким риском (например, приведенный выше пример здоровых молодых людей, живущих с пожилыми людьми).

Выполнение классификации на основе данных и моделей прогнозирования искусственного интеллекта может привести к принятию решений о снятии ограничений, которые будут безопасными на уровне сообщества и гораздо менее дорогостоящими для человека и экономики. Мы знаем, что ключевой особенностью Covid-19 является то, что он имеет исключительно высокую скорость передачи, но также относительно низкие тяжелые симптомы или уровень смертности. Данные показывают, что, возможно, более 90% инфицированных людей либо не имеют симптомов, либо испытывают легкие симптомы при заражении.

Теоретически, с надежным прогнозом того, кто эти 90%, мы можем ограничить всех этих людей. Даже если бы они заразили друг друга, у них не было бы серьезных симптомов, и они не могли бы сокрушить медицинскую систему или умереть. Эти 90% ограниченных по клиническому риску людей также помогли бы быстро нарастить высокий стадный иммунитет, после чего оставшиеся 10% могли бы быть также ограничены.

Прочитайте полную историю здесь…