Freischalten der planetaren geografischen Grundmodellen von Earth AI für die globale öffentliche Gesundheit

Die Entscheidungen im Bereich der öffentlichen Gesundheit beruhen stark auf zeitnahen und detaillierten Daten. Bei Gesundheitsproblemen wie Herz-Kreislauf-Erkrankungen oder postpartaler Depression zeigen diese Daten uns, wo man Ressourcen und Unterstützung konzentrieren sollte. Bei akuten Krankheitsausbrüchen wie Dengue oder Cholera kann dies dazu beitragen, dringende operative Protokolle und Ressourcenzuteilungen zu bestimmen. Allerdings wird die traditionelle epidemiologische Überwachung oft durch Einschränkungen behindert: mehrjährige Berichterstattungsverzögerungen, getrennte Daten aufgrund rigider geopolitischer Grenzen und die geringe Datenmenge. Selbst ohne diese Einschränkungen erfordern traditionelle Modellierungsansätze umfangreiche spezifische Daten sammlung und individuelle Daten-Engineering-Prozesse, die in schnellen Ausbrüchen oder unter Ressourcenbeschränkungen schwierig zu implementieren sind.

Um diese systemischen Engpässe zu bewältigen, führen wir ein neues Paradigma in der öffentlichen Gesundheit ein, indem wir planetare geografische Grundmodellierungssysteme nutzen. Durch den Einsatz des Google Earth AI’s Population Dynamics Foundation Model (PDFM) als Proof-of-Concept zeigen wir, wie selbstüberwachende, vortrainierte Repräsentationen von „Orten“ direkt in bestehende Gesundheitswissenschaften und epidemiologische Arbeitsprozesse integriert werden können – indem sie als Plug-and-Play-Eingaben dienen. Dadurch werden die statistischen und maschinellen Lernmodellen, die Epidemiologen bereits verwenden, verbessert, anstatt neue Prozesse von Grund auf zu erstellen. Das PDFM komprimiert privatschutzorientierte Suchtrends, menschliche Mobilität, Dichte des Gebäudebaus und Umweltfaktoren in lokale Embeddungen. Ohne spezifische Feinjustierung sind diese vorinstallierten lokalen Embeddungen mit konventionellen Eingaben in vielen verschiedenen Krankheitsbereichen, geografischen Situationen und epidemiologischen Aufgaben kompatibel oder verbessern sie diese.

Was ist PDFM?

Ein Teil von Google Earth AI – unserer Reihe von geopolitischen Modellen, die Satellitenbilder, Wetterdaten, anonyme Suchtrends, menschliche Mobilität und andere Bevölkerungsdynamiken verbinden – verwendet PDFM selbstüberwachendes Lernen, um die folgenden vielfältigen, Datenschutzvermeidenden Signale in kompakte, vielseitige Embeddingen zu transformieren, die als „Fingerabdrücke“ für Orte dienen, die monatlich aktualisiert werden:

• Zusammengefasste Suchtrends: Die Häufigkeit der Suche nach Themen und Ressourcen, die ein Interesse auf Gemeinschaftsebene hervorrufen.
• Erstellte Umgebung und Mobilität: Die lokale Dichte und der Besuch an Orten wie Apotheken, Kliniken und Parks.
• Umweltbestimmende Faktoren: Hochauflösende Metriken und Statistiken bezüglich Wetter und Luftqualität.

Anstatt dass Forscher diese Rohdatenströme selbst sammeln und verarbeiten müssen, können PDFM-Embeddungen einfach in bestehende ML-Werkzeuge eingebunden werden, um eine bereitgestellte geografische Kontextinformation zu liefern.

Frühere Arbeiten zeigten, dass diese Embeddungen unabhängig von der Aufgabe sind. Da diese alltäglichen Signale die zugrunde liegenden sozialen, verhaltensbezogenen und umweltbedingten Faktoren für die Gesundheit erfassen, zeigten die gleichen Embeddungen auch eine starke Leistung bei der Füllung von Lücken in vieler CDC-Gesundheitsmetriken.

Allerdings birgt die Etablierung eines neuen Paradigs für die globale Gesundheit eine größere Beweislast. Um dieses Standard zu erreichen, haben wir versucht, den Wert der PDFM-Embeddungen bei einer breiteren Vielfalt an Gesundheitsherausforderungen sowie in verschiedenen Umgebungen auf der ganzen Welt zu demonstrieren.

Übersicht über die Anwendung von PDFM durch Google Earth AI auf eine Vielzahl globaler Gesundheitsherausforderungen.

Überblick über die Validierungmatrix

Um dies zu erreichen, haben unsere globalen Gesundheitsforschungspartner unabhängige Bewertungen bei fünf unterschiedlichen öffentlichen Gesundheitsherausforderungen ermöglicht – diese umfassen vielfältige epidemiologische Aufgaben, Ressourcenverhältnisse und Krankheitsformen:

Erfassung der grenzüberschreitenden Dynamik bei Impfungen

Unsere Ergebnisse zeigen, dass zwar die epidemiologischen Modelle durch Staatsgrenzen eingeschränkt sind, die von ihnen erfassten Ergebnisse nicht. Beispielsweise in den 146 US-Countys, die innerhalb von 150 km von der kanadischen Grenze liegen, haben Modelle, die ausschließlich im Inland berücksichtigen, oft Schwierigkeiten, die lokale Impfquote vorherzusagen.

Durch die Ergänzung der US-County-Embeddings mit kanadischen Forward-Sortation-Areas-Embeddings entwickelten Forscher am Mount Sinai Health System und Boston Children’s Hospital Modelle, die die grenzüberschreitenden Verhaltens- und Mobilitätsauswirkungen erfassen. Um den öffentlichen Gesundheitsbehörden helfen zu können, Gemeinden zu identifizieren, die an measles-Ausbrüchen erkranken könnten, nutzten die Forscher diesen zusätzlichen grenzüberschreitenden Kontext, um den Anteil der Variationen in der MMR-Vakationsdurchführung, die von den Modellen erklärt werden, von 16% auf 22% zu erhöhen (eine Steigerung von 36%) und die Schätzungen der Durchführung für 4,7 Millionen Grenzbewohner um mindestens 3 Prozentpunkte zu verbessern. Dadurch wurden lokale Muster enthüllt, die von den rein inländischen Modellen vergessen werden könnten.

Verringern der Berichterstattungsverzögerungen bei der Überwachung chronischer Krankheiten

Kardiovaskuläre Erkrankungen (verursachen in den USA jährlich über 916.000 Todesfälle). Allerdings verzögert sich die offizielle Sterberate auf Kreisebene aus dem National Vital Statistics System (NVSS) in der Regel um 1–2 Jahre, und die American Community Survey (ACS) zeigt Bedingungen bis zu 2–3 Jahre in der Vergangenheit. Die PDFM ist an vielen Orten verfügbar und hat eine deutlich geringere Verzögerung, was es ermöglicht, unsere Modellierungskapazitäten für Krankheiten zu verbessern.

Unsere Partner an der NYU Grossman School of Medicine haben untersucht, ob PDFM als Ersatz für diese auf Volkszählungen basierenden Daten bei der Schätzung der CVD-Todesfälle des aktuellen Jahres in etwa 3.100 US-Bundesstaaten verwendbar ist. Sie fanden keine statistisch signifikanten Unterschiede zwischen PDFM und den traditionellen Volkszählungsdaten bezüglich der nowcasting-Modelle, wobei PDFM viel aktueller ist und in viel mehr Orten verfügbar ist:

• Vergleichbar mit Volkszählungsdaten: Modelle, die PDFM verwenden, schätzten die CVD-Todesfälle auf Kreisebene für 2023 genauso genau wie Modelle, die ACS demografische und sozioökonomische Daten verwenden (durchschnittlicher Fehler von 18,7 vs. 19,1 Todesfälle pro County bei Nowcasting), während sie die Fehler großer Outlier-Kreise reduzieren.RMSE) um 20 % (57,7 → 46,0). Die Unterschiede waren nicht statistisch signifikant, was darauf hindeutet, dass PDFM als Ersatz für Einzählungsdaten dienen kann.
• Mehr zeitnah und mehr verfügbar: Die ACS-Kovariaten sammeln fünf Jahre lang Umfragedaten und werden ein Jahr nach der Datenerhebung veröffentlicht. Die in dieser Studie verwendeten PDFM-Embeddings wurden aus einem einzigen Monat an Daten erstellt. PDFM ist außerdem in 17 Ländern verfügbar, während ACS nur den USA abdeckt.

Diese Ergebnisse deuten darauf hin, dass PDFM die Gesundheitsbehörden ermöglichen kann, Präventionsressourcen anhand der aktuellen Bedingungen zu nutzen, anstatt auf mehrere Jahrzehnte andauernde Untersuchungszyklen zu warten.

Verfeinerte Prognosen für aktive Ausbruch-Hotspots

Die Zeit ist besonders wichtig, wenn es um Ausbrüche von Vektorbedingten Krankheiten wie Dengue geht. In Zusammenarbeit mit Public-Health-Forschern der University of Oxford und Tecnológico de Monterrey haben wir PDFM mit TimesFM 2.0 (unser offenes Zeitreihen-Foundation-Modell) kombiniert, um die Fallzahlen von Dengue zwischen 2020 und 2025 in etwa 2.450 mexikanischen Gemeinden vorherzusagen.

Die größten Leistungsverbesserungen des Modells traten bei der Vorhersage eines Monats in der Zukunft auf, wodurch die Vorhersagegenauigkeit in bis zu 72 Prozent der aktiven Dengue-Übertragungsgemeinden verbessert wurde, was zu einer insgesamt 3,4-mal größeren Reduzierung der Fehler führte als zuvor. Diese Leistung zeigte sich genau dort, wo zeitnahe Vektorkontrolle und klinische Personalentscheidungen von großer Bedeutung sind, insbesondere unter Berücksichtigung der belegten Nützlichkeit kurzfristiger Vorhersagen.

Testen der geografischen Grenzen bei klinischen Screening-Verfahren

Die Screening für psychische Erkrankungen von Müttern wie die postpartale Depression (PPD) beruht in der Regel auf klinischen Eingangsdaten, die selten die umfassenderen sozialen Bedingungen erfassen, die das Risiko einer Mutter und den Zugang zu Versorgung beeinflussen. Um zu untersuchen, ob geografische Grundmodellierung dazu beitragen kann, diese Lücke zu überbrücken, haben Forscher an der University of Washington PDFM-Embeddungen bei 332.970 Teilnehmern in der CDC PRAMS nationalen Umfrage ausgewertet.

Neben dem PDFM-Abruf der Gemeinschaftsebene der sozioökonomischen Bedingungen (R2=0,45) führte die Hinzufügung der Embeddings zu einer konsistenten, statistisch signifikanten Steigerung bei der Vorhersage, welche Mütter in Gefahr waren (AUC +0,0020 in gesehenen Zuständen; +0,0038 in ungesehenen Zuständen). Wichtig ist, dass dieses Signal in Zuständen erhalten blieb, die das Modell während des Trainings nie gesehen hatte – es dient als ergänzendes lokales Kontext, das etwa 15% des prädiktiven Signals über das Einkommen und die Versicherungsunterlagen der Mutter wiedergebt, wenn diese Details nicht verfügbar sind.

Dieser übertragbare Kontext machte den größten Unterschied darin aus, wie die Screening-Ressourcen in neuen Staaten verwendet werden. In Simulationen, in denen ein Gesundheitssystem die 20 Prozent der am höchsten gefährdeten Mütter betreuen kann, hat das Hinzufügen von PDFM dazu beigetragen, jedes Jahr 5.640 weitere ländliche Mütter mit Postpartale Depression zu erreichen. Alternativ: In Systemen, die darauf abzielen, 80 Prozent aller Fälle zu erkennen, verursacht PDFM jährlich 17.723 falsche Alarmen – was zeigt, wie geografische Embeddungen den Gesundheitssystemen helfen können, entweder den Einsatz auf ländlichen Gebieten zu erweitern oder die Effizienz der Nachverfolgung zu verbessern.

Verlängerung der Lieferzeiten bei potenzieller Cholera-Erkrankung

Eine frühe Warnung für Wasser übertragbare Epidemien wie Cholera ist entscheidend, um die Vorversorgung mit oralen Cholera-Impfstoffen und sauberem Wasser bereitzustellen. Glücklicherweise sind Ausbrüche selten: In einer bestimmten Woche tritt weniger als 1 von 100 der 403 Gesundheitszonen des Landes einen Ausbruch auf. Leider macht diese Seltenheit es auch schwierig, sie vorherzusagen.

Um einen Fallbeispiel, der von dem Regionalen Büro der Weltgesundheitsorganisation für Afrika definiert ist, mit nationalen Überwachungsdaten aus der Berichterstattung des Integrierten Krankheitsüberwachungs- und Reaktionssystems (IDSR) der Demokratischen Republik Kongo zu bearbeiten, haben wir getestet, ob eine leichte, weniger Ressourcen-aufwendige Version von PDFM (angepasst für Regionen mit schwacher Internetverbindung) dabei helfen kann, Hotspots für Cholera vorherzusagen.

Der Vorteil hing davon ab, wie weit wir vorausblickten. Eine oder zwei Wochen in der Zukunft reichten aus, um die aktuellen Fallzahlen zu erkennen – das PDFM verbesserte die Genauigkeit nicht signifikant. Vier bis acht Wochen in der Zukunft, wenn noch Zeit bleibt, um Materialien bereitzustellen, half dabei, die Ergebnisse zu erzielen:

• Kürzere Listen: Die Reaktionsteams arbeiten mit einer kurzen Liste von Hochrisikozonen, sodass wir jeden Woche überprüfen, wie viele der fünf besten Auswahlpunkte des Modells tatsächlich zu einer Ausbreitung führten. Acht Wochen später erhöhte PDFM diese Zahl von 1,78 auf 2,10 korrekte Auswahlpunkte pro Woche – eine Verbesserung von 18%.
• Größere Ergebnisse an Orten, wo Cholera endemisch ist: In den 15 Gebieten, in denen Cholera mindestens die Hälfte der Wochen ausbrach, verbesserte das Precision@5 von achtwöchigen Shortlists von 0,3333 auf 0,3975 – ein relativer Anstieg von 19%.

Diese Erkenntnisse zeigen, dass zwar die kurzfristige Überwachung auf aktuellen klinischen Daten beruhen kann, die Grundmodell-Embeddingen jedoch die zugrunde liegenden Umweltfaktoren, Verbindungen und Bevölkerungsdeterminanten erfassen, die die historischen Daten ergänzen und eine proaktive Planung ein bis zwei Monate im Voraus ermöglichen.

Blick in die Zukunft

Geospatiale Grundmodellierung ermöglicht den Übergang von reaktiven, lokalen Modellen zu proaktiver und zeitkritischer Gesundheitsintelligenz auf planetarer Ebene. Aktuelle Einschränkungen wie statische Snapshots treiben aktive Forschung zu zeitlich dynamischen Embeddungen und geografischem Transferlernen für unterverbindete Regionen voran.

Durch die Integration von planetaren Kontextdaten in bestehende öffentliche Gesundheitsworkflows können wir dazu beitragen, Maßnahmen zu ergreifen, um die Art und Weise zu verbessern, wie Gesundheitsressourcen, Interventionen und Ausbrückebenachrichtigungen den Gemeinschaften zugänglich werden, die sie am dringendsten benötigen. Für weitere Details lesen Sie das Paper.

Die PDFM-Embeddings sind kommerziell verfügbar in Preview als Population Dynamics Insights, ein geospatiales Embeddings-Datenset von Google Maps Platform. Akademiker und Forschungsmitarbeiter im Bereich öffentlicher Gesundheit können auch kostenlosen Zugang für ausgewählte, nicht-operativen Forschungsanwendungen beantragen.