Harvard: Brug af AI til personlig forudsigende karantæne

I de sidste par måneder har verden oplevet en række udbrud af Covid-19, der generelt har fulgt den samme vej: en indledende fase med få infektioner og begrænset respons, efterfulgt af en start af den berømte epidemikurve ledsaget af en landsdækkende nedlukning til flad kurven. Så når kurven topper, skal regeringerne tage fat på, hvad præsident Trump har kaldt ”den største beslutning”Af hans liv: hvornår og hvordan man håndterer afgrænsning.

I hele pandemien er der lagt stor vægt på deling (eller mangel på den) af kritisk information på tværs af lande - især fra Kina - om sygdommens spredning. Derimod er der relativt lidt blevet sagt om, hvordan Covid-19 kunne have været bedre styret ved at udnytte de avancerede datateknologier, der har transformeret virksomheder i løbet af de sidste 20 år. I denne artikel diskuterer vi en måde, hvorpå regeringer kunne udnytte disse teknologier til at styre en fremtidig pandemi - og måske endda den afsluttende fase af den nuværende.

Kraften i personlig forudsigelse

En alternativ tilgang for beslutningstagerne til at overveje at tilføje i deres mix for at kæmpe mod Covid-19 er baseret på teknologien til personlig forudsigelse, som har transformeret mange industrier i løbet af de sidste 20 år. Ved hjælp af maskinindlæring og kunstig intelligens (AI) -teknologi giver datadrevne virksomheder (fra "Big Tech" til finansielle tjenester, rejser, forsikring, detailhandel og medier) personlige anbefalinger til hvad de skal købe og praktiserer personlig prisfastsættelse, risiko, kredit og lignende ved hjælp af de data, de har indsamlet om deres kunder.

I en nylig artikel om HBRfor eksempel beskrev Ming Zeng, Alibabas tidligere strategibetjent, hvordan Ant Financial, hans virksomheds udlånsvirksomhed til små virksomheder, kan vurdere låneansøgere i realtid ved at analysere deres transaktions- og kommunikationsdata på Alibabas e-handelsplatforme. I mellemtiden vurderer virksomheder som Netflix forbrugernes tidligere valg og egenskaber for at forudsige, hvad de vil se næste.

Den samme tilgang kunne fungere for pandemier - og endda fremtiden for Covid-19. Ved hjælp af flere datakilder kan maskinlæringsmodeller trænes til at måle en persons klinisk risiko for at lide alvorlige resultater (hvis inficeret med Covid): hvad er sandsynligheden for, at de har brug for intensiv pleje, som der er begrænsede ressourcer til? Hvor sandsynligt er det, at de dør? Dataene kunne omfatte individer 'grundlæggende medicinske historie (for Covid-19 ser symptomernes sværhedsgrad ud til at stige med alderen og med tilstedeværelse af co-morbiditeter såsom diabetes or forhøjet blodtryk) såvel som andre data, såsom husholdningssammensætning. For eksempel kan et ungt, sundt individ (som ellers kan klassificeres som ”lav risiko”) klassificeres som ”høj risiko”, hvis han eller hun bor hos gamle eller svagelige mennesker, der sandsynligvis skulle have brug for intensiv pleje, hvis de smittes.

Disse kliniske risikoforudsigelser kunne derefter bruges til at tilpasse politikker og ressourcetildeling på individ / husholdningsniveau og passende redegøre for standard medicinske forpligtelser og risici. Det kunne f.eks. Gøre det muligt for os at målrette social afstand og beskyttelse for dem med høj klinisk risikoscore, samtidig med at de med lave score kan leve mere eller mindre normalt. Kriterierne for tildeling af enkeltpersoner til grupper med høj eller lav risiko ville naturligvis være nødt til at blive fastlagt, også med hensyn til tilgængelige ressourcer, medicinsk ansvarsrisiko og andre risikoforhold, men de data videnskabelige tilgange til dette er standard og anvendes i talrige applikationer.

En personlig tilgang har flere fordele. Det kan hjælpe med at bygge besætning immunitet med lavere dødelighed - og hurtigt. Det vil også give mulighed for bedre - og mere retfærdig - allokering af ressourcer, for eksempel til mangel på medicinsk udstyr (såsom testkits, beskyttelsesmasker og hospitalsenge) eller andre ressourcer.

Nedlukningsstrategier på senere stadier af en pandemi - et næste nøgletrin for Covid-19 i de fleste lande - kan drage fordel af en lignende måde. At beslutte, hvilke mennesker der skal starte afskærmningsprocessen med, er af natur et klassificeringsproblem svarende til de klassificeringsproblemer, som de fleste datadrevne virksomheder kender. Nogle regeringer nærmer sig allerede afskærmning ved at bruge alder som en fuldmægtig for risiko, en relativt rå klassifikation, der potentielt savner andre højrisikopersoner (såsom ovenstående eksempel på raske unge mennesker, der lever sammen med ældre).

Udførelse af klassificering baseret på data og AI-forudsigelsesmodeller kan føre til afskærmningsbeslutninger, der er sikre på fællesskabsplan og langt billigere for individet og økonomien. Vi ved, at et centralt træk ved Covid-19 er, at den har usædvanlig høj transmissionshastighed, men også relativt lav alvorlige symptomer eller dødelighed. Data indikerer, at muligvis mere end 90% af de inficerede er enten asymptomatiske eller oplever milde symptomer, når de er inficeret.

I teorien med en pålidelig forudsigelse af, hvem disse 90% er, kunne vi afgrænse alle disse individer. Selv hvis de skulle inficere hinanden, ville de ikke have alvorlige symptomer og ville ikke overvælde det medicinske system eller dø. Disse 90% begrænsede kliniske risikotilpassede mennesker ville også hjælpe med til hurtig opbygning af høj besætningsimmunitet, på hvilket tidspunkt de resterende 10% også kunne fjernes.

Læs hele historien her ...