Ένα πρωτοποριακό εργαλείο τεχνητής νοημοσύνης, που αναπτύχθηκε από ερευνητές των πανεπιστημίων Johns Hopkins και Duke στις ΗΠΑ, φιλοδοξεί να μεταμορφώσει τον τρόπο με τον οποίο οι δημόσιοι φορείς υγείας προβλέπουν, παρακολουθούν και διαχειρίζονται τις επιδημίες λοιμωδών νοσημάτων, όπως η γρίπη και ο COVID-19. Η νέα αυτή τεχνολογία, βασισμένη σε Γενετική Τεχνητή Νοημοσύνη (LLM), έρχεται να καλύψει ένα σημαντικό κενό που αναδείχθηκε έντονα κατά την πανδημία του κορονοϊού.
«Η πανδημία του COVID-19 ανέδειξε τη δυσκολία πρόβλεψης της εξάπλωσης ενός νοσήματος λόγω της σύνθετης αλληλεπίδρασης συνεχώς μεταβαλλόμενων παραγόντων», δήλωσε η Λώρεν Γκάρτνερ από το Johns Hopkins, ειδική στη μοντελοποίηση και δημιουργός του παγκοσμίως αναγνωρισμένου πίνακα παρακολούθησης του COVID-19.
Η Γκάρτνερ εξήγησε ότι, ενώ τα παραδοσιακά μοντέλα λειτουργούσαν καλά σε σταθερές συνθήκες, «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».
PandemicLLM: Ένα μοντέλο που “σκέφτεται”
Για πρώτη φορά, η ομάδα χρησιμοποίησε ένα Μεγάλο Γλωσσικό Μοντέλο (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. Ενσωματώνει παραμέτρους όπως πρόσφατες εξάρσεις, νέες παραλλαγές του ιού και τις εκάστοτε πολιτικές προστασίας.
Οι ερευνητές τροφοδότησαν το PandemicLLM με πληθώρα πληροφοριών – συμπεριλαμβανομένων δεδομένων που δεν είχαν χρησιμοποιηθεί ποτέ σε εργαλεία πρόβλεψης πανδημιών. Τα αποτελέσματα ήταν εντυπωσιακά: το μοντέλο μπόρεσε 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.
Τέσσερις πυλώνες δεδομένων για ακριβείς προβλέψεις
Το μοντέλο βασίζεται σε τέσσερις κρίσιμες 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.
Αυτή η πληθώρα δεδομένων επιτρέπει στο PandemicLLM να προβλέπει πώς αλληλεπιδρούν μεταξύ τους διάφοροι παράγοντες και πώς αυτή η αλληλεπίδραση επηρεάζει την εξέλιξη μιας νόσου. Οι ερευνητές εφάρμοσαν αναδρομικά το μοντέλο στην πανδημία της COVID-19, εξετάζοντας την πορεία της σε κάθε πολιτεία των ΗΠΑ για 19 μήνες. Το νέο εργαλείο αποδείχθηκε εξαιρετικά αποτελεσματικό, ειδικά σε περιόδους έντονων και απρόβλεπτων μεταβολών.
«Παραδοσιακά, χρησιμοποιούμε το παρελθόν για να προβλέψουμε το μέλλον», δήλωσε ο Χάο Γιανγκ, επίκουρος καθηγητής Πολιτικής και Συστημικής Μηχανικής στο Johns Hopkins. «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».
Εφαρμογή και σε άλλες ασθένειες
Με τα κατάλληλα δεδομένα, το PandemicLLM μπορεί να προσαρμοστεί για οποιαδήποτε λοιμώδη νόσο, όπως η γρίπη των πτηνών και ο RSV. Η ερευνητική ομάδα εξερευνά τώρα την ικανότητα των LLMs να προσομοιώσουν τον τρόπο που οι άνθρωποι λαμβάνουν αποφάσεις σχετικά με την υγεία τους, με την ελπίδα 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», τόνισε η Γκάρτνερ. «Θα υπάρξει και άλλη πανδημία, και αυτά τα είδη πλαισίων θα είναι κρίσιμα για την υποστήριξη της δημόσιας υγείας».
Η σημαντική αυτή μελέτη δημοσιεύθηκε στο επιστημονικό περιοδικό «Nature Computational Science».
