The Pulse
Google mette a disposizione i dati di Earth AI per la ricerca sulla salute pubblica
Google Research ha presentato cinque studi sulla salute pubblica che utilizzano il suo Population Dynamics Foundation Model, capace di trasformare dati aggregati sulle ricerche, sulla mobilità e sull’ambiente in dati geografici. Le embeddin
AI.info Team · Scritto con l’IA ·
Il 6 ottobre, Google Research ha illustrato cinque studi sulla salute pubblica basati sul suo Population Dynamics Foundation Model, o PDFM, e ha dichiarato che i ricercatori possono richiedere l’accesso gratuito alle sue embedding delle località per alcuni progetti non operativi. L’annuncio mette alla prova i dati del modello nelle stime delle vaccinazioni, delle malattie cardiovascolari, della dengue, della depressione post partum e del colera. I pesi alla base del modello non sono però scaricabili liberamente: secondo Google, il dataset è disponibile per uso commerciale in Preview, mentre accademici e ricercatori nel campo della salute pubblica devono richiedere l’accesso.
Profili mensili delle località, non un nuovo sistema di sorveglianza
PDFM trasforma tendenze di ricerca aggregate, schemi di mobilità umana, caratteristiche dell’ambiente costruito e misurazioni ambientali, come quelle del meteo e della qualità dell’aria, in rappresentazioni compatte dei luoghi. Secondo Google, queste embedding vengono aggiornate ogni mese e possono essere aggiunte ai sistemi statistici o di apprendimento automatico già usati dagli epidemiologi, senza fine-tuning specifico per ciascun compito.
L’approccio punta a colmare lacune note nei dati sanitari: le cifre ufficiali possono arrivare con anni di ritardo, i dataset spesso si fermano ai confini nazionali e alcune regioni non dispongono di dati dettagliati. «Nel loro insieme, questi risultati mostrano le capacità dei modelli fondazionali geospaziali per la sorveglianza della salute pubblica», scrivono Arbaaz Muslim et al., autori dello studio.
I dati transfrontalieri migliorano una stima delle vaccinazioni
In uno studio, i ricercatori hanno combinato le embedding delle contee statunitensi con i dati delle vicine aree postali canadesi per stimare la copertura vaccinale contro morbillo, parotite e rosolia in 146 contee statunitensi vicine al confine. Secondo lo studio, la quota di variabilità spiegata dai modelli è salita dal 15,9% al 21,6%, con un miglioramento relativo di circa il 36%. Google afferma che il contesto aggiuntivo ha modificato di almeno tre punti percentuali le stime della copertura per 4,7 milioni di residenti nelle contee di confine.
Uno studio distinto, condotto con la NYU Grossman School of Medicine, ha esaminato i decessi per malattie cardiovascolari in circa 3.100 contee statunitensi. Nelle stime della situazione attuale, i modelli che usavano PDFM hanno registrato un errore assoluto medio di 18,7 decessi per contea, contro 19,1 per i modelli basati sui dati dell’American Community Survey. Google afferma che la differenza non era statisticamente significativa: il confronto suggerisce che le embedding potrebbero offrire un’alternativa aggiornata più spesso quando i dati censuari non sono più attuali, non che li superino in modo conclusivo.
Per la dengue, i miglioramenti si concentrano nei focolai attivi
Per la dengue, i ricercatori hanno abbinato PDFM al modello di previsione TimesFM 2.0 di Google e hanno valutato il numero di casi in circa 2.450 comuni messicani dal 2020 al 2025. Il beneficio maggiore riportato riguarda le previsioni a un mese: l’accuratezza è migliorata in una quota che ha raggiunto il 72% dei comuni con trasmissione attiva. I risultati indicano un possibile aiuto per decidere, per esempio, dove indirizzare gli interventi di controllo dei vettori o il personale clinico, anche se il miglioramento riportato si concentra nei luoghi in cui la trasmissione è già in corso.
In uno studio sul colera condotto con l’Ufficio regionale per l’Africa dell’Organizzazione mondiale della sanità, il gruppo ha verificato le previsioni in 403 zone sanitarie della Repubblica Democratica del Congo. Nelle previsioni a otto settimane, il numero di focolai compresi tra le cinque zone che il modello indicava come più a rischio è salito da 1,78 a 2,10 a settimana, un miglioramento del 18%. Secondo lo studio, PDFM non ha migliorato in modo significativo l’accuratezza delle previsioni a una o due settimane, quando il numero di casi recenti forniva già gran parte delle informazioni utili.
L’offerta di accesso di Google ha dei limiti
Le cinque valutazioni comprendono anche la previsione del rischio di depressione post partum sulla base delle risposte a un sondaggio fornite da 332.970 partecipanti. L’aggiunta delle embedding delle località ha prodotto un piccolo miglioramento nei punteggi predittivi, anche negli Stati non inclusi nell’addestramento del modello. Gli autori sottolineano che i segnali relativi ai luoghi non sostituiscono le informazioni socioeconomiche personali né colmano le lacune demografiche nello screening.
Questa distinzione è importante per il rilascio dei dati. L’accesso gratuito alla ricerca offerto da Google richiede una domanda ed è limitato ad alcuni usi non operativi; i clienti commerciali possono accedere alle embedding tramite l’offerta Preview di Google Maps Platform. Gli studi sostengono l’utilità di verificare i dati sulle località insieme alle informazioni sanitarie convenzionali, ma non dimostrano che gli stessi miglioramenti si manterranno nelle attività cliniche ordinarie o nelle operazioni di risposta alle epidemie.