人工智能如何帮助我们抵抗新型冠状病毒可能的第二次大流行
4122
到目前为止,现有的数据科学模型在预测新型冠状病毒的传播容易程度、发展程度和新热点的暴发方面还没有做得最好。很多都是匆忙开发出来的,信息有限。
然而,人工智能模型将是自适应的、按规模构建的、自动化的,它将社会学、经济学和冠状病毒相关的健康数据整合在一起,使经济能够在另一波浪潮发生时成功地重新开放。
在这个模型中使用的数据应该是准确的和有统计学意义的。它也必须是可靠的。到目前为止,诸如R值、群体免疫水平和死亡率在不同地区都很难估计,特别是在没有一致的测试和接触追踪策略的地方。另一个问题是,即使进行了良好的检测,由于免疫诊断测试类型和样本收集技术的差异,敏感性和特异性比率也存在很大差异。
不仅数据平淡无奇,而且模型本身也存在缺陷。白宫使用的模型是由卫生计量和评估研究所建立的,它没有考虑到关键地区参数的差异。美国的人口特征、检疫级别和检测可用性都有很大不同。
其他模式,通常是由世界各地的顶尖大学开发的,做得更好一些。他们包括了对传染病的估计,以及增加严重疾病或死亡风险的因素。但这些应用中存在基于不准确的假设,导致了工作模型的错误。例如,最初由伦敦帝国理工学院开发的模型未能推断出在没有政府强制干预的情况下,人们的行为会发生明显的变化。
难怪会造成如此多的混乱,尤其是在美国和英国。即使在疾病可能复发的情况下,放松控制却代价高昂。现在必须采取措施,在更细的层次上为决策提供信息。必须对人群进行分层,以确定谁首先从封锁中出来。必须实施一项战略,以便能够大规模地追踪接触者,并确保今后有足够的保健服务。
为此,应使用人工神经网络和深度学习技术,扩充现有流行病学模型,使其更具动态性和实时响应性。这种人工智能模型将使用半监督或无监督的学习,即使在大规模测试报告的有限输入下也能工作。与现有模型相比,它需要大量的数据来进行预测和自我维持。通过不断调整输入参数和不断学习,该模型将生成预测,而不会受到不可避免的调整延迟的影响。
通过深度学习,人工智能可以发现复杂的模式,自我学习,并自动自我修复。它可以自动检测异常,也可以判断变量的准确性,产生比现有冠状病毒的数据科学模型具有更可靠的结果。
这个人工智能模型的关键参数来自临床试验报告、接触追踪数据和大型区域数据集,包括区域人口特征、社会经济状况和吸烟、药物依赖和肥胖等风险因素。被隔离并不能再传播感染的感染者人数将被纳入模型中。
这将为领导人提供必要的洞察力,以积极主动的方式遏制这一危险疾病,使他们能够近乎实时地作出理性的决定,为世界经济体提供一个强有力的应对策略。