联系我们

新冠肺炎

人工智能如何帮助我们为第二波做准备– Thought Leaders

mm

更新

 on

通过 埃里克·帕特诺斯特(Eric Paternoster),Infosys公共服务首席执行官

到目前为止,已有 数据科学 模型在预测COVID-19的传播容易程度,其发展程度以及新热点的爆发方面并未发挥最佳作用。许多都是在信息有限的情况下匆忙开发的。

但是,AI模型将是自适应的,可以按比例构建和自动构建,将与社会学,经济和COVID相关的健康数据整理在一起,以使经济在发生另一波浪潮时能够成功地重新开放。

该模型中使用的数据应既准确又具有统计意义。它也必须是可靠的。到目前为止,在各个地区(尤其是在没有统一测试和接触者追踪策略的地方),很难估算出R值,畜群免疫水平和致死率之类的东西。另一个问题是,即使进行了良好的测试,由于免疫诊断测试类型和样本采集技术的差异,敏感性和特异性率仍存在巨大差异。

不仅数据乏味,而且模型本身也存在缺陷。白宫使用的由卫生计量与评估研究所建立的模型未能考虑到关键地区参数的差异,并假设该病毒会像在中国,西班牙和意大利一样影响人口。 。当然,美国的人口特征,检疫水平和检测可用性大不相同。

通常由世界领先的大学开发的其他模型则要好一些。他们结合了传染病的估计以及增加严重疾病或死亡风险的因素。但是,即使这些都是基于不正确的假设,导致工作模型中的错误。例如,伦敦帝国理工学院最初开发的模型无法推断出人口行为的明显变化,而如果没有政府的强制干预,这种变化仍然会发生。对于这种行为,病毒复制(R0)数将如何变化也缺乏了解。

那么也就不足为奇了,尤其是在美国和英国,造成了如此混乱。即使疾病很可能复发,但在没有准备好辐射的情况下轻松进行控制的代价很高。现在必须采取措施,以更详细地告知决策。必须对种群进行分层,以确定谁首先从锁定中出现。必须实施一项策略,以实现大规模的联系人跟踪并确保将来的医疗保健足够。

为此, 人工神经网络 and 深度学习 应该使用这些技术,以增强现有的流行病学模型并使它们更加动态和实时响应。该AI模型将使用半监督或 无监督学习 即使在大型测试报告中输入的内容有限,也可以使用。与当前模型相比,这将是自我维持的,并且需要更少的数据来学习和预测。通过不断调整输入参数并不断学习,该模型将生成不会不可避免的调整延迟的预测。

通过深度学习,AI可以自动发现复杂的模式,自我学习和自我修复。它可以自动检测异常,还可以判断变量的准确性,与现有的COVID数据科学模型相比,产生的结果要可靠得多。

该AI模型的关键参数将来自临床测试报告,接触者追踪数据和大型区域数据集,其中包括区域人口特征,社会经济状况以及诸如吸烟,药物依赖和肥胖等危险因素。隔离并且不再传播感染的受感染人数将纳入模型。

这将为工作组领导者提供所需的见解,以主动地制止这种危险疾病,使他们能够实时地做出合理的决策,从而为世界经济体提供一个健全且见多识广的退出策略。

埃里克·帕特诺斯特(Eric Paternoster)是该公司的首席执行官 信息系统公共服务 Infosys 子公司专注于美国和加拿大的公共部门。在此职位上,他监督公司战略和执行以实现可盈利的增长,并就战略,技术和运营向公共部门组织提供建议。他还担任Infosys公共服务委员会和Infosys BPM的McCamish子公司的职务。

埃里克(Eric)在多家公司的公共部门,医疗保健,咨询和商业技术领域拥有30多年的经验。在担任现职之前,他是高级副总裁兼保险,医疗保健和生命科学业务部门负责人,在那里,他的业务从9000万美元增长到了超过7亿美元,在美洲,欧洲和亚洲拥有60多个客户。 Eric于2002年加入Infosys,担任美国东部和加拿大业务咨询主管。