地球AIの惑星規模地理空間基盤モデルを世界の公衆衛生のために解放する

公衆衛生上の意思決定は、タイムリーで粒度の高いデータに大きく依存しています。心血管疾患や産後うつ病などの健康状態に関しては、そのデータがリソースと支援をどこに集中させるべきかを示してくれます。デング熱やコレラなどの急性感染症の発生については、緊急の運用手順やリソース配分を決定する際の参考になります。しかし、従来の 疫学サーベイランスは、しばしば制約によって妨げられる。 データには、複数年にわたる報告の遅れ、厳格な地理的境界によるデータの分断、データの希薄性といった問題があります。こうした制約がなければ別としても、従来のモデリング手法では、大量のタスク固有のデータ収集と、急速なアウトブレイク時や資源が限られた環境では導入が難しいカスタムのデータエンジニアリングパイプラインが必要となります。

これらの構造的なボトルネックに対処するため、私たちは 紹介 a 新しいパラダイム 惑星規模の地理空間基盤モデルを活用した公衆衛生分野の取り組み。Using Google Earth AI’s 人口動態基盤モデル （PDFM）を概念実証として用い、「場所」の自己教師あり事前学習表現を、ゼロから新しいパイプラインを構築するのではなく、既存の疫学研究者が使用している統計・機械学習（ML）モデルを強化するプラグアンドプレイの入力として、健康科学や疫学のワークフローに直接組み込む方法を示します。PDFMは、プライバシー保護された検索トレンド、人の移動、建物環境の密度、環境の決定要因を位置エンベディングへと圧縮します。タスク固有のファインチューニングを必要とせずに、これらの市販の位置エンベディングは、多様な疾患領域、地理的設定、疫学的タスクにわたって、従来の入力と同等かそれ以上の性能を達成しました。

PDFMとは何ですか?

PDFMはGoogle Earth AI — 衛星画像、気象、匿名化された検索トレンド、人流などの人口動態をつなぐ地理空間モデルスイート — の一部であり、自己教師あり学習を用いて、以下のような多様なプライバシー保護シグナルを、月次で更新される場所の「指紋」として機能するコンパクトで汎用性の高い埋め込み表現に統合します:

• 検索トレンドの集約: コミュニティレベルで注目を集めているトピックやリソースの検索頻度
• 建築環境とモビリティ: 薬局、診療所、公園などの場所の局所的な密度や賑わい。
• 環境決定要因: 高解像度の気象および大気質の指標と統計。

研究者自身がこれらの生データストリームを収集・処理する必要はなく、PDFM embeddingsは既存のMLワークフローに容易に組み込むことができ、すぐに使える地理空間コンテキストを提供します。

先行研究 これらの埋め込みがタスクに依存しないことを示しました。こうした日常的なシグナルは健康の根底にある社会的・行動的・環境的決定要因を捉えているため、同じ埋め込みが CDCの多様な健康指標.

しかし、グローバルヘルスにおける新たなパラダイムを確立するには、より高い証明責任が課される。この基準を満たすため、私たちはPDFM埋め込みの価値を、より多様な健康課題や世界各地の異なる環境において実証することに取り組みました。

Google Earth AIのPDFMを幅広い世界の保健課題に適用した概要。

検証マトリクスの概要

これを実現するため、私たちのグローバルヘルス研究パートナーは、多様な疫学的課題、資源状況、疾病の種類にまたがる5つの異なる公衆衛生上の課題について、独立した評価を実施しました。

予防接種における国境を越えたダイナミクスの捉え方

私たちの評価によると、疫学的モデルは主権国境によって制約されますが、それが追跡する結果は国境によって制約されません。たとえば、カナダ国境から150 km以内に位置する146の米国の郡では、国内のみのモデルでは地域のワクチン接種率を予測するのに苦労することがよくあります。

米国の郡の埋め込み表現を カナダのフォワード・ソーテーション・エリア（FSA）の埋め込み表現で補完することにより、 マウントサイナイ・ヘルスシステム（Mount Sinai Health System） と ボストン小児病院（Boston Children's Hospital） の研究者らは、国境を越えた行動および移動のスピルオーバーを捉えるモデルを開発しました。麻疹のアウトブレイクのリスクがあるコミュニティを公衆衛生担当者が特定できるよう支援するため、研究者らはこの追加された国境を越えた文脈を用いて、モデルで説明されるMMRワクチン接種率の変動の割合を16%から22%に増加させ（36%の増加）、470万人の国境住民について接種率の推定を少なくとも3ポイント改善し、国内のみのモデルでは見逃される可能性のある地域のパターンを明らかにしました。

慢性疾患サーベイランスにおける報告の遅れの削減

心血管疾患（CVD）は 米国で年間916,000人以上の命を奪っています。 しかしながら、抑圧処理されていない公式の郡レベルの死亡率データは、 National Vital Statistics System (NVSS)は通常1〜2年の遅れがあり、 American Community Survey (ACS)の共変量は2〜3年前までの状況を反映しています。PDFMはより多くの地域で利用でき、遅延もはるかに少いため、疾患のモデリング能力を向上させることが可能になります。

私たちのパートナーである NYU Grossman School of Medicine は、米国約3,100の郡における当年のCVD（心血管疾患）死亡数を推定する際に、PDFMがこれらの国勢調査ベースの入力の代替となり得るかどうかを検証しました。その結果、PDFMと従来の国勢調査データの間にnowcasting（現時点予測）における統計的に有意な差は見られず、PDFMのほうがはるかに新鮮で、はるかに多くの地域で利用可能であることがわかりました。

• 国勢調査データに匹敵: PDFMを使用したモデルは、ACSの人口統計・社会経済データを使用したモデルとほぼ同等の精度で2023年の郡レベルのCVD死亡数を予測しました（nowcasting時の郡あたりの平均誤差は18.7対19.1死亡）。一方で、大きな郡の外れ値誤差（RMSE）を20%（57.7 → 46.0）削減しました。この差は統計的に有意ではなかったため、PDFMは国勢調査入力の代替として機能し得ることが示唆されました。
• より timely で、より広く利用可能: ACSの共変量は5年分の調査データをプールしたものであり、収集から最大1年後に公表されます。本研究で使用されたPDFMの埋め込みは、わずか1か月分のデータから構築されました。また、PDFMは17か国で利用可能であるのに対し、ACSは米国のみを対象としています。

これらの結果は、PDFMによって保健部門が数年単位の調査サイクルを待つことなく、現在の状況に基づいて予防資源を配分できるようになる可能性を示唆しています。

活動中のアウトブレイク・ホットスポットの予測精度の向上

デング熱のようなベクター媒介性疾患のアウトブレイクへの対応では、時間がとりわけ重要です。 University of Oxford および Tecnológico de Monterreyの公衆衛生研究者との提携により、PDFMを TimesFM 2.0 （当社のオープンな時系列基盤モデル）と組み合わせ、2020年から2025年にかけてメキシコの約2,450の自治体におけるデング熱症例数を予測しました。

モデルの最大の性能向上は1か月先の予測時に見られ、活動中のデング熱伝播自治体の最大72%で予測精度が向上し、悪化を上回る3.4倍の合計誤差削減をもたらしました。この性能は、短期予測の 実証された有用性 を考慮すれば、タイムリーなベクター制御や臨床要員の配置決定が最も重要となるまさにその場面で発揮されました。

臨床スクリーニングにおける地理的境界の検証

産後うつ病(PPD)などの母体のメンタルヘルス疾患のスクリーニングは、通常、臨床のインテイク情報に依存していますが、そこには母親のリスクやケアへのアクセスを左右するより広い地域社会の状況がほとんど反映されていません。地理空間基盤モデルがこのギャップを埋めるのに役立つかどうかを検証するため、同研究所の研究者らは ワシントン大学 332,970人の参加者を対象にPDFM埋め込みを評価した。 CDC PRAMS 全国調査。

PDFM がコミュニティレベルの社会経済状況を捉える(R2=0.45)ことに加えて、エンベディングを追加することで、リスクにある母親を予測する性能に一貫した統計的に有意な向上がもたらされました(既知の州でAUC +0.0020、未知の州で+0.0038)。重要なのは、このシグナルが訓練中にモデルが一度も見たことのない州でも維持された点です。これは、母親自身の所得や保険の記録が利用できない場合に、その予測シグナルの約15%を回復する補完的なローカルコンテキストとして機能します。

この移転可能なコンテキストが、新しい州でスクリーニングのリソースをどのように配分するかに最も大きな違いをもたらしました。医療システムがリスクの最も高い上位20%の母親をフォローアップできるシミュレーションでは、PDFMを追加することで、毎年5,640人多くの農村部の母親に産後うつ病の支援を届けられるようになりました。あるいは、全症例の80%を発見することを目指すシステムでは、PDFMは年間17,723件の誤報を削減しました。これは、地理空間埋め込みが医療システムにおいて、農村部へのアウトリーチを広げることとフォローアップの効率を改善することのどちらにも役立ちうることを示しています。

将来のコレラ発生を見据えたリードタイムの延長

コレラのような水系感染症の流行についての早期警報は、経口コレラワクチンや清浄な水の供給を事前に配置しておくために極めて重要です。幸い、発生はまれです。どの週においても、同国の403の保健ゾーンのうち100に満たない1ゾーン未満でしか発生が始まりません。不幸なことに、まさにこの稀性こそが、発生を予測することを難しくしています。

次のようなユースケースに対応するために、 世界保健機構アフリカ地域事務局 コンゴ民主共和国の統合疾病監視対応（IDSR）報告による国内監視データを用いて、インターネット接続がまばらな地域向けに適応された軽量・低リソース版のPDFMが、コレラのホットスポットの予測に役立つかどうかを検証しました。

その効果は、どれだけ先を見通すかに依存していました。1〜2週間先では、最近の症例数が most of the story を物語っており、PDFM は精度を大きく高めませんでした。4〜8週間先、つまりまだ物資を動かす時間がある時点では、以下の成果の創出に役立ちました:

• より精鋭された候補リスト: 対応チームは高リスク地域の短いリストに基づいて活動するため、毎週、モデルの上位5件の予測のうち実際に発生件数につながったものがいくつあったかを確認しました。8週間先の予測では、PDFMは週あたりの的中数を1.78から2.10に引き上げ、18%の改善となりました。
• コレラが流行している地域でより大きな効果少なくとも全週の半数でコレラを報告していた15のゾーンでは、8週間のショートリストのPrecision@5が0.3333から0.3975に改善し、相対的な向上は19%でした。

これらの知見は、短期の追跡は最近の臨床データに依拠できる一方で、基盤モデルの埋め込みは環境、接続性、人口という根底にある決定要因を捉えて歴史的データを補完し、1〜2か月先の予防的な計画立案を可能にすることを示している。

今後の展望

地理空間基盤モデルは、反応的で局所的なモデリングから、惑星規模のプロアクティブかつ時間的鋭敏性を持つ健康インテリジェンスへの移行を可能にします。静的なスナップショットといった現在の限界は、時間的に動的な埋め込みや、接続が十分でない地域のための地理的転移学習への活発な研究を後押ししています。

惑星規模の状況データを既存の公衆衛生のワークフローに統合することで、医療資源、介入策、アウトブレイク警報が必要とするコミュニティに最も確実に届くようにする一歩を支援できます。続きは以下をお読みください。 論文 詳細については。

「PDFM埋め込みは」 市販の プレビューで〜として 人口動態の洞察、Google Maps Platformの地理空間埋め込みデータセットです。研究者や公衆衛生研究者もまた、 リクエスト 選定された、運用を伴わない研究用途向けの無償アクセス。