“Επανάσταση”: Το νέο εργαλείο τεχνητής νοημοσύνης που “διαβάζει” τις επιδημίες… πριν συμβούν 

Η επόμενη πανδημία, ίσως, μας βρει καλύτερα προετοιμασμένους, χάρη στην τεχνητή νοημοσύνη. Μια ερευνητική ομάδα από τα πανεπιστήμια Johns Hopkins και Duke, στις Ηνωμένες Πολιτείες, ανέπτυξε το PandemicLLM, ένα πρωτοποριακό μοντέλο τεχνητής νοημοσύνης που προβλέπει με ακρίβεια την εξάπλωση νόσων, όπως η COVID-19 και η γρίπη.

Ρούλα Σκουρογιάννη

Με αναλύσεις που καλύπτουν ορίζοντα 1-3 εβδομάδων και τη δυνατότητα αξιοποίησης ετερογενών δεδομένων σε πραγματικό χρόνο, το εργαλείο αυτό υπόσχεται να αλλάξει ριζικά τον τρόπο με τον οποίο οι υγειονομικές αρχές θα παρακολουθούν και θα διαχειρίζονται τις επιδημίες του μέλλοντος.

Το PandemicLLM αλλάζει τα δεδομένα στην πρόβλεψη και διαχείριση λοιμωδών νοσημάτων

Πρόκειται για ένα εργαλείο που θα μπορούσε να προσφέρει στους φορείς δημόσιας υγείας ένα κρίσιμο πλεονέκτημα στην έγκαιρη λήψη αποφάσεων και στην προληπτική αντιμετώπιση νέων επιδημιών.

Η ανάγκη για πιο αξιόπιστα εργαλεία έγινε ιδιαίτερα εμφανής κατά τη διάρκεια της πανδημίας του κορονοϊού, όταν οι κλασικές προβλέψεις αποδείχθηκαν ανεπαρκείς απέναντι σε έναν συνεχώς μεταβαλλόμενο ιό και σε ένα εξίσου ρευστό κοινωνικό περιβάλλον.

«Η πανδημία του COVID-19 ανέδειξε με τον πιο εμφατικό τρόπο τις προκλήσεις που αντιμετωπίζουμε όταν προσπαθούμε να προβλέψουμε την πορεία ενός λοιμώδους νοσήματος», δήλωσε η Δρ. Λώρεν Γκάρτνερ, ειδική στη μοντελοποίηση λοιμωδών νοσημάτων στο Πανεπιστήμιο Johns Hopkins και δημιουργός του ευρέως χρησιμοποιούμενου πίνακα παρακολούθησης του COVID-19. «Όταν οι συνθήκες ήταν σταθερές, τα μοντέλα μπορούσαν να αποδώσουν καλά. Όμως, σε στιγμές που εμφανίζονταν νέες παραλλαγές ή μεταβάλλονταν οι πολιτικές δημόσιας υγείας, οι προβλέψεις μας υστερούσαν. Το πρόβλημα ήταν ότι τα παραδοσιακά μοντέλα δεν μπορούσαν να ενσωματώσουν γρήγορα και αποτελεσματικά τέτοιους κρίσιμους παράγοντες. Το νέο μας εργαλείο επιχειρεί να καλύψει αυτό το κενό».

Η καινοτομία του PandemicLLM έγκειται στο γεγονός ότι αξιοποιεί για πρώτη φορά ένα μεγάλο γλωσσικό μοντέλο (Large Language Model – LLM) με τεχνολογία γενετικής τεχνητής νοημοσύνης για την πρόβλεψη της δυναμικής εξάπλωσης μολυσματικών νόσων. Σε αντίθεση με τα παραδοσιακά μαθηματικά μοντέλα, που βασίζονται κυρίως σε στατιστικές εξισώσεις, το PandemicLLM προσεγγίζει το πρόβλημα με τρόπο που προσομοιάζει τη λογική ανθρώπινη σκέψη. Το μοντέλο μπορεί να ενσωματώσει και να επεξεργάζεται τεράστιες ποσότητες ετερογενών δεδομένων, όπως οι πρόσφατες εξάρσεις κρουσμάτων, η εμφάνιση νέων παραλλαγών του ιού, οι αλλαγές στις πολιτικές προστασίας και τα δεδομένα συμπεριφοράς του πληθυσμού.

Η ερευνητική ομάδα «εκπαίδευσε» το PandemicLLM χρησιμοποιώντας έναν μεγάλο όγκο δεδομένων που μέχρι σήμερα δεν είχαν αξιοποιηθεί σε εργαλεία πρόβλεψης πανδημιών. Το αποτέλεσμα ήταν εντυπωσιακό: το νέο μοντέλο κατάφερε να προβλέψει με αξιοσημείωτη ακρίβεια τα μοτίβα εξάπλωσης του ιού και τις μελλοντικές τάσεις νοσηλειών για χρονικό διάστημα έως και τριών εβδομάδων. Μάλιστα, στις δοκιμές του ξεπέρασε σταθερά την απόδοση παραδοσιακών μεθόδων πρόβλεψης.

Η σχετική μελέτη δημοσιεύθηκε πρόσφατα στο έγκριτο επιστημονικό περιοδικό Nature Computational Science.

Όπως εξηγεί η Δρ. Γκάρτνερ, μία από τις μεγαλύτερες προκλήσεις στη μοντελοποίηση των λοιμωδών νοσημάτων είναι η κατανόηση και ενσωμάτωση των πολλών και συχνά αλληλοεξαρτώμενων παραγόντων που επηρεάζουν την πορεία μιας επιδημίας. Το PandemicLLM βασίζεται σε τέσσερις κύριες κατηγορίες δεδομένων:

• Χωρικά δεδομένα ανά πολιτεία: δημογραφικά χαρακτηριστικά, στοιχεία για τις υποδομές υγείας και τις πολιτικές προτιμήσεις του πληθυσμού.
• Επιδημιολογικά δεδομένα: αριθμός αναφερόμενων κρουσμάτων, νοσηλειών και ποσοστά εμβολιαστικής κάλυψης.
• Δεδομένα πολιτικής δημόσιας υγείας: τύποι και αυστηρότητα των μέτρων που εφαρμόζονται κατά περίπτωση.
• Γονιδιωματικά δεδομένα επιτήρησης: πληροφορίες για τα χαρακτηριστικά και τη συχνότητα εμφάνισης νέων παραλλαγών του ιού.

Η δύναμη του PandemicLLM δεν έγκειται μόνο στην απομονωμένη ανάλυση κάθε κατηγορίας δεδομένων, αλλά στη δυνατότητα να κατανοεί και να προβλέπει πώς αλληλεπιδρούν οι διαφορετικοί παράγοντες και πώς επηρεάζουν συλλογικά την εξέλιξη της νόσου. Για να αξιολογήσουν την απόδοσή του, οι ερευνητές εφάρμοσαν αναδρομικά το μοντέλο στην περίπτωση της COVID-19, μελετώντας την εξέλιξη της πανδημίας σε κάθε πολιτεία των ΗΠΑ για περίοδο 19 μηνών. Το PandemicLLM απέδειξε την υπεροχή του, ιδίως σε περιόδους έντονων και απρόβλεπτων μεταβολών του επιδημιολογικού τοπίου — ακριβώς εκεί όπου τα κλασικά μοντέλα παρουσίαζαν τη μεγαλύτερη αδυναμία.

«Παραδοσιακά, στηριζόμαστε στο παρελθόν για να προβλέψουμε το μέλλον», σημείωσε ο δρ. Χάο Γιανγκ, επίκουρος καθηγητής Πολιτικής και Συστημικής Μηχανικής στο Johns Hopkins και ειδικός στην ανάπτυξη αξιόπιστης τεχνητής νοημοσύνης. «Όμως, όταν οι συνθήκες μεταβάλλονται ραγδαία —όπως συμβαίνει συχνά στις επιδημίες— τα ιστορικά δεδομένα δεν είναι επαρκή. Το νέο μας μοντέλο αξιοποιεί δεδομένα σε πραγματικό χρόνο, προσφέροντας πολύτιμη προγνωστική ισχύ».

Ένα ακόμη πλεονέκτημα του PandemicLLM είναι η προσαρμοστικότητά του. Με τα κατάλληλα δεδομένα, το μοντέλο μπορεί να εφαρμοστεί σε οποιοδήποτε λοιμώδες νόσημα, από τη γρίπη των πτηνών μέχρι τον RSV.

Το ερευνητικό ενδιαφέρον στρέφεται πλέον και σε ένα ακόμη φιλόδοξο πεδίο: την προσομοίωση του τρόπου με τον οποίο οι άνθρωποι λαμβάνουν αποφάσεις σχετικά με την υγεία τους, ώστε το μοντέλο να προσφέρει επιπλέον υποστήριξη στη διαμόρφωση πιο αποτελεσματικών πολιτικών δημόσιας υγείας.

«Η εμπειρία της πανδημίας του COVID-19 μας έδειξε με τον πιο ξεκάθαρο τρόπο ότι χρειαζόμαστε καλύτερα και πιο ευέλικτα εργαλεία, προκειμένου να μπορούμε να σχεδιάζουμε πιο στοχευμένες και αποτελεσματικές πολιτικές», τόνισε η δρ. Γκάρτνερ. «Είναι βέβαιο ότι στο μέλλον θα κληθούμε να αντιμετωπίσουμε και νέες πανδημίες. Εργαλεία όπως το PandemicLLM θα είναι απολύτως κρίσιμα για την ενίσχυση της ετοιμότητας των δημόσιων συστημάτων υγείας».