تعتمد قرارات الصحة العامة بشكل كبير على البيانات الدقيقة وفي الوقت المناسب. بالنسبة للحالات الصحية، مثل أمراض القلب والأوعية الدموية أو اكتئاب ما بعد الولادة، تُظهر لنا هذه البيانات أين يجب التركيز على الموارد والدعم. وبالنسبة لتفشي الأمراض الحادة، مثل حمى الضنك أو الكوليرا، يمكن أن تساعد في إعلام بروتوكولات التشغيل العاجلة وتوزيع الموارد. ومع ذلك، فإن المراقبة الوبائية التقليدية كثيراً ما يعيقها قصور في البيانات: تأخر التقارير لعدة سنوات، وتخزين البيانات في جزر معزولة وفق حدود جيوسياسية صارمة، وندرة البيانات. وحتى في غياب هذه القيود، تتطلب أساليب النمذجة التقليدية جمعاً موسعاً للبيانات الخاصة بكل مهمة ومسارات هندسة بيانات مخصصة يصعب نشرها أثناء التفشي السريع أو في البيئات محدودة الموارد.
لمعالجة هذه الاختناقات النظامية، نقدم نقدّم نموذجاً جديداً في الصحة العامة يستفيد من النماذج الأساسية للبيانات الجغرافية المكانية الكوكبية. باستخدام Google Earth AIومنها نموذج أساس ديناميكيات السكان (PDFM) كإثبات للمفهوم، نوضح كيف يمكن دمج التمثيلات المدربة ذاتياً والمدرّبة مسبقاً لـ"المكان" مباشرة في المسارات الحالية لعلوم الصحة والوبائيات كمدخلات جاهزة للاستخدام — مما يعزز نماذج الإحصاء والتعلم الآلي (ML) التي يستخدمها علماء الأوبئة بالفعل، بدلاً من بناء مسارات جديدة من الصفر. يضغط PDFM اتجاهات البحث الحافظة للخصوصية، وحركة التنقل البشري، وكثافة البيئة المبنية، والمحددات البيئية في تضمينات مواقع. ودون الحاجة إلى ضبط دقيق خاص بالمهمة، طابقت هذه التضمينات الجاهزة للمواقع المدخلات التقليدية أو تجاوزتها عبر مجموعة واسعة من المجالات المرضية والبيئات الجغرافية والمهام الوبائية.
ما هو PDFM؟
وكجزء من Google Earth AI — مجموعة نماذجنا الجغرافية المكانية التي تربط صور الأقمار الصناعية والطقس واتجاهات البحث المجهولة الهوية وحركة التنقل البشري وديناميكيات السكان الأخرى — يستخدم PDFM التعلم ذاتي الإشراف لتجميع الإشارات المتنوعة التالية، الحافظة للخصوصية، في تضمينات مدمجة ومتعددة الاستخدامات تعمل كـ"بصمات" للمواقع تُحدَّث بمعدل شهري:
- اتجاهات البحث المجمعة: تكرارات البحث عن الموضوعات والموارد التي حظيت باهتمام على مستوى المجتمع
- البيئة المبنية والتنقل: الكثافة المحلية ونشاط الأماكن مثل الصيدليات والعيادات والحدائق.
- المحددات البيئية: مقاييس وإحصاءات عالية الدقة للطقس وجودة الهواء.
وبدلاً من مطالبة الباحثين بجمع هذه التدفقات البيانات الخام ومعالجتها بأنفسهم، يمكن إدخال تضمينات PDFM بسهولة في مسارات التعلم الآلي الحالية لتوفير سياق جغرافي مكاني جاهز للاستخدام.
أظهر العمل السابق أن هذه التضمينات غير مرتبطة بمهمة محددة. ولأن هذه الإشارات اليومية تلتقط المحددات الاجتماعية والسلوكية والبيئية الأساسية للصحة، أظهرت التضمينات نفسها أداءً قوياً في سد الفجوات في مجموعة واسعة من مقاييس الصحة لمركز CDC.
ومع ذلك، فإن إنشاء نموذج جديد للصحة العالمية يحمل عبء إثبات أعلى. ولتحقيق هذا المعيار، انطلقنا لإظهار قيمة تضمينات PDFM عبر تشكيلة أوسع من التحديات الصحية، وفي بيئات مختلفة عبر العالم.
نظرة عامة على PDFM من Google Earth AI المطبق على مجموعة واسعة من التحديات الصحية العالمية.
مصفوفة التحقق في لمحة
ولتحقيق ذلك، سهّل شركاؤنا في أبحاث الصحة العالمية تقييمات مستقلة عبر خمسة تحديات صحية عامة متميزة — تغطي مهام وبائية متنوعة وبيئات موارد وأنواع أمراض مختلفة:
|
دراسة الحالة والمجال |
المؤسسة الشريكة |
المهمة الوبائية |
النطاق الجغرافي |
الأثر الرئيسي والنتائج الكمية |
|
تطعيم الحصبة والنكاف والحصبة الألمانية (التحصين) |
نظام ماونت سيناي الصحي؛ مستشفى بوسطن للأطفال |
الاستقراء عبر الحدود |
الحدود بين الولايات المتحدة وكندا (146 مقاطعة حدودية) |
زيادة نسبية بنسبة 36% في التباين المُفسَّر (من 0.159 إلى 0.216، ذات دلالة إحصائية) من خلال رصد التنقل عبر الحدود وتسرّب المعلومات. |
|
أمراض القلب والأوعية الدموية (مرض غير معدٍ) |
قسم صحة السكان، كلية الطب بجامعة نيويورك غروسمان |
التنبؤ اللحظي بالوفيات والاستيفاء |
الولايات المتحدة المتجاورة (3,091 مقاطعة) |
دقة مماثلة للنماذج المعتمدة على التعداد السكاني في التنبؤ اللحظي (متوسط الخطأ المطلق 18.7 مقابل 19.1 حالة وفاة لكل مقاطعة؛ جذر متوسط مربعات الخطأ 46.00 مقابل 57.69؛ والفروقات غير ذات دلالة إحصائية)، مما يجعل PDFM بديلاً في الوقت المناسب عندما تكون بيانات التعداد قديمة أو غير متاحة. |
|
تفشي حمى الضنك (مرض منقول بالنواقل) |
جامعة أكسفورد ومعهد تكنولوخيكو دي مونتيري |
التنبؤ الاحتمالي قصير المدى |
المكسيك (~2,450 بلدية) |
مكسب تنبؤي ذو دلالة إحصائية لمدة 1 شهر (Δ Weighted Interval Score = -0.0051، والأقل أفضل) عبر دمج TimesFM، متركّز في بؤر الانتقال النشطة. تحسّنت الدقة في ما يصل إلى 72% من البلديات ذات الانتقال النشط. |
|
اكتئاب ما بعد الولادة (الصحة النفسية) |
معهد التنمية البشرية والإعاقة، جامعة واشنطن |
التنبؤ بالمخاطر الفردية |
الولايات المتحدة (CDC PRAMS) (332,970 مستجيبًا) |
مكسب قابل للنقل في التنبؤ بالمخاطر (AUC +0.0020 على أساس 0.62 في الولايات المرئية؛ +0.0038 في الولايات غير المرئية). رمّز فقر المنطقة (R² = 0.45). يستعيد نحو 15% من الإشارة التنبؤية لسجلات الدخل والتأمين. |
|
ظهور الكوليرا (مرح منقول بالماء) |
المكتب الإقليمي لمنظمة الصحة العالمية لأفريقيا WHO AFRO |
التنبؤ ببداية تفشي المرض |
جمهورية الكونغو الديمقراطية (403 مناطق صحية، 89 أسبوعًا) |
مكاسب نسبية ذات دلالة إحصائية: +9.7% في المساحة تحت منحنى الدقة-الاستدعاء عند 4 أسابيع؛ +18.1% في Precision@5 (نسبة المناطق الخمس الأعلى خطورة وفق النموذج كل أسبوع التي شهدت فعلًا تفشيًا) عند 8 أسابيع، و+19.3% في Precision@5 في المناطق الصحية المستوطنة. |
رصد الديناميكيات العابرة للحدود في التحصين
تُظهر تقييماتنا أنه في حين أن النماذج الوبائية مقيّدة بالحدود السيادية، فإن النتائج التي تتابعها ليست كذلك. على سبيل المثال، في المقاطعات الأمريكية الـ 146 الواقعة ضمن مسافة 150 كم من الحدود الكندية، كثيرًا ما تعجز النماذج المحلية الصرف عن التنبؤ بمعدلات تلقّي اللقاحات محليًا.
ومن خلال استكمال تضمينات المقاطعات الأمريكية بـ تضمينات مناطق الفرز الأمامية الكندية، طوّر باحثون في نظام ماونت سيناي الصحي و مستشفى بوسطن للأطفال نماذج استوعبت التداخلات السلوكية والحركية العابرة للحدود. وللمساعدة على تحديد المجتمعات المعرّضة لخطر تفشي الحصبة، استخدم الباحثون هذا السياق العابر للحدود الإضافي لرفع نسبة التباين في تغطية لقاح MMR التي تفسرها النماذج من 16% إلى 22% (زيادة بنسبة 36%) وتحسين تقديرات التغطية بمقدار 3 نقاط مئوية على الأقل لـ 4.7 مليون من سكان المناطق الحدودية، مكشفين عن أنماط محلية قد تفوتها النماذج المحلية الصرف.
تقليص تأخر الإبلاغ في مراقبة الأمراض المزمنة
مرض القلب والأوعية الدموية (CVD) يودي بحياة أكثر من 916,000 شخص سنويًا في الولايات المتحدة. ومع ذلك، فإن بيانات الوفيات الرسمية غير المصحّاة على مستوى المقاطعات من النظام الوطني لإحصاءات الحيوية (NVSS) يتأخر عادةً بمقدار 1–2 من السنوات، كما أن المسح المجتمعي الأمريكي (ACS) للمتغيرات المشتركة يعكس الظروف حتى 2–3 من السنوات في الماضي. أما PDFM فهو متوفر في أماكن أكثر بكثير وبتأخير أقل بكثير، مما يتيح تحسين قدرتنا على نمذجة الأمراض.
اختبر شركاؤنا في كلية الطب بجامعة نيويورك غروسمان ما إذا كان PDFM يمكن أن يحل محل هذه المدخلات المستندة إلى التعداد عند تقدير وفيات أمراض القلب والأوعية الدموية (CVD) للسنة الحالية عبر نحو 3,100 مقاطعة أمريكية. ووجدوا عدم وجود فروق ذات دلالة إحصائية بين PDFM وبيانات التعداد التقليدية في التنبؤ اللحظي (nowcasting)، مع كون PDFM أكثر حداثة بكثير ومتوفرًا في أماكن أكثر بكثير:
- قابل للمقارنة ببيانات التعداد: تنبأت النماذج المستخدمة لـ PDFM بوفيات CVD على مستوى المقاطعات لعام 2023 بدقة تعادل تقريبًا دقة النماذج المستخدمة لبيانات ACS الديموغرافية والاجتماعية-الاقتصادية (بمتوسط خطأ 18.7 مقابل 19.1 وفاة لكل مقاطعة عند التنبؤ اللحظي) مع خفض الأخطاء الشاذة الكبيرة على مستوى المقاطعات (RMSE) بنسبة 20% (57.7 → 46.0). لم تكن الفروق ذات دلالة إحصائية، مما يشير إلى أن PDFM يمكن أن يكون بديلاً عن مدخلات التعداد.
- أكثر توقيتًا وأكثر توفرًا على نطاق أوسع: تجمع متغيرات ACS المشتركة خمس سنوات من بيانات المسح وتُصدر حتى بعد سنة من جمعها. أما تضمينات PDFM المستخدمة في هذه الدراسة فبنيت من شهر واحد من البيانات. كما أن PDFM متوفر في 17 دولة، بينما يغطي ACS الولايات المتحدة فقط.
تشير هذه النتائج إلى أن PDFM يمكن أن يمكّن الدوائر الصحية من توجيه موارد الوقاية استنادًا إلى الظروف الحالية بدلاً من انتظار دورات مسح تمتد لعدة سنوات.
صقل التنبؤات بالبؤر النشطة للتفشي
الوقت عامل بالغ الأهمية عند التعامل مع تفشي الأمراض المنقولة بالنواقل مثل حمى الضنك. وبالشراكة مع باحثي الصحة العامة في جامعة أكسفورد و معهد مونتيري التكنولوجي، جمعنا PDFM مع TimesFM 2.0 (نموذجنا الأساسي المفتوح للسلاسل الزمنية) للتنبؤ بأعداد حالات حمى الضنك عبر نحو 2,450 بلدية مكسيكية بين عامي 2020 و2025.
حدثت أكبر مكاسب أداء للنموذج عند التنبؤ بشهر واحد مقدمًا، مما حسّن دقة التنبؤ في ما يصل إلى 72% من البلديات ذات انتقال نشط لحمى الضنك، محققًا تخفيضات إجمالية في الخطأ أكبر بـ 3.4 مرة من التدهورات. وحدث هذا الأداء تحديدًا حيث تكون قرارات مكافحة النواقل والتوظيف السريري في الوقت المناسب أكثر أهمية، لا سيما بالنظر إلى الفائدة المثبتة للتنبؤات قصيرة المدى.
اختبار الحدود الجغرافية في الفحص السريري
يعتمد الفحص للاضطرابات النفسية لدى الأمهات مثل اكتئاب ما بعد الولادة (PPD) عادةً على معلومات القبول السريري، والتي نادرًا ما تلتقط الظروف المجتمعية الأوسع التي تشكل مخاطر الأم وإمكانية وصولها إلى الرعاية. ولاختبار ما إذا كانت نماذج الأساس الجغرافية المكانية يمكن أن تساعد في سد هذه الفجوة، قام باحثون في جامعة واشنطن بتقييم تمثيلات PDFM عبر 332,970 مشاركًا في المسح الوطني CDC PRAMS .
بالإضافة إلى قدرة PDFM على التقاط الظروف الاجتماعية والاقتصادية على مستوى المجتمع (R2=0.45)، فإن إضافة التمثيلات وفّرت تعزيزًا ثابتًا وذات دلالة إحصائية للتنبؤ بالأمهات المعرضات للخطر (AUC +0.0020 في الولايات المشمولة في التدريب؛ +0.0038 في الولايات غير المشمولة). والأهم من ذلك أن هذه الإشارة صمدت في الولايات التي لم يرها النموذج مطلقًا أثناء التدريب — حيث عملت كسياق محلي مكمّل يستعيد حوالي 15% من الإشارة التنبؤية لسجلات دخل الأم وتأمينها الخاصة عندما تكون تلك التفاصيل غير متاحة.
أحدث هذا السياق القابل للنقل أكبر فرق في كيفية توجيه موارد الفحص في الولايات الجديدة. في محاكاة يمكن فيها لنظام صحي متابعة أعلى 20% من الأمهات الأكثر عرضة للخطر، ساعدت إضافة PDFM في الوصول إلى 5,640 أم ريفية إضافية مصابة باكتئاب ما بعد الولادة كل عام. وبدلاً من ذلك، في الأنظمة التي تهدف إلى رصد 80% من جميع الحالات، خفّضت PDFM الإنذارات الكاذبة بمقدار 17,723 سنويًا — مما يوضح كيف يمكن للتمثيلات الجغرافية المكانية أن تساعد الأنظمة الصحية إما في توسيع التوعية في المناطق الريفية أو في تحسين كفاءة المتابعة.
إطالة أوقات الاستباق في الظهور المسبق للكوليرا
يُعد الإنذار المبكر للأوبئة المنقولة بالماء مثل الكوليرا أمرًا بالغ الأهمية للتموضع المسبق للقاحات الكوليرا الفموية ومياه الشرب النظيفة. ولحسن الحظ، فإن التفشي نادر الحدوث: في أي أسبوع معين، تبدأ حالة تفشٍ في أقل من 1 من كل 100 من مناطق الصحة الـ403 في البلاد. وللأسف، فإن هذا النُدرة نفسها تجعل التنبؤ بها أمرًا صعبًا.
لمعالجة حالة استخدام حددتها المكتب الإقليمي لمنظمة الصحة العالمية لشمال شرق أفريقيا باستخدام بيانات المراقبة الوطنية من نظام التقارير الخاص بمراقبة الأمراض والاستجابة لها (IDSR) في جمهورية الكونغو الديمقراطية، اختبرنا ما إذا كان بإمكان نسخة خفيفة ومنخفضة الموارد من PDFM (مُكيَّفة للمناطق ذات الاتصال بالإنترنت المحدود) أن تساعد في التنبؤ ببؤر الكوليرا الساخنة.
اعتمدت الفائدة على مدى مدى الاستباق الذي نظرنا إليه. بعد أسبوع أو أسبوعين، كانت أعداد الحالات الحديثة تحكي معظم القصة ولم تُحسّن PDFM الدقة بشكل كبير. أما بعد أربعة إلى ثمانية أسابيع، عندما يظل هناك وقت لنقل الإمدادات، فقد ساعدت في تحقيق:
- قوائم مختصرة أدق: تعمل فرق الاستجابة من قائمة مختصرة بالمناطق عالية الخطورة، لذا تحققنا كل أسبوع من عدد الاختيارات الخمسة الأولى للنموذج التي شهدت فعليًا تفشيًا. بعد ثمانية أسابيع، رفعت PDFM هذا الرقم من 1.78 إلى 2.10 اختيارًا صحيحًا في الأسبوع، بتحسّن قدره 18%.
- مكاسب أكبر حيث تكون الكوليرا متوطنة: في المناطق الـ15 التي أبلغت عن كوليرا في نصف الأسابيع على الأقل، تحسّنت Precision@5 لقوائم الأسابيع الثمانية من 0.3333 إلى 0.3975، بمكسب نسبي قدره 19%.
تُظهر هذه النتائج أنه في حين يمكن للرصد قصير المدى الاعتماد على البيانات السريرية الحديثة، فإن تمثيلات نماذج الأساس تلتقط المحددات البيئية ومحددات الاتصال والسكان الكامنة التي تكمل البيانات التاريخية، مما يتيح التخطيط الاستباقي قبل شهر إلى شهرين.
النظرة إلى المستقبل
تُمكّن نماذج الأساس الجغرافية المكانية من الانتقال من النمذجة التفاعلية والمحلية إلى الاستخبارات الصحية الاستباقية والحساسة للوقت على نطاق كوكبي. والقيود الحالية، مثل اللقطات الثابتة، تدفع أبحاثًا نشطة نحو تمثيلات ديناميكية زمنيًا والتعلم الانتقالي الجغرافي للمناطق ضعيفة الاتصال.
ومن خلال دمج البيانات السياقية الكوكبية في سير العمل الحالي للصحة العامة، يمكننا المساعدة في اتخاذ خطوات لتحسين كيفية وصول موارد الرعاية الصحية والتدخلات وتنبيهات التفشي إلى المجتمعات الأكثر احتياجًا إليها. اقرأ الورقة البحثية لمزيد من التفاصيل.
تمثيلات PDFM متاحة تجاريًا في المعاينة باسم Population Dynamics Insights، وهي مجموعة بيانات تمثيلات جغرافية مكانية من Google Maps Platform. ويمكن للأكاديميين والباحثين في الصحة العامة أيضًا طلب وصول مجاني لحالات استخدام بحثية مختارة غير تشغيلية.