Kunstig intelligens til at bekæmpe spredningen af ​​infektionssygdomme

Offentlige opsøgende kampagner kan forhindre spredning af ødelæggende, men dog behandlelige sygdomme såsom tuberkulose (TB), malaria og gonoré. Men for at sikre, at disse kampagner effektivt når ud til udiagnosticerede patienter, som ubevidst kan sprede sygdommen til andre, er en stor udfordring for penge-strapped offentlige sundhedsagenturer. Nu, et team af forskere fra USC Viterbi School of Engineering har skabt en algoritme, der kan hjælpe politikere med at reducere den samlede spredning af sygdomme. Algoritmen er også optimeret til at få mest muligt ud af begrænsede ressourcer, såsom annoncebudgetter.

For at oprette algoritmen, forskerne brugte data, herunder adfærdsmæssige, demografiske og epidemiske sygdomstendenser, at skabe en model for sygdomsspredning, der fanger underliggende befolkningsdynamik og kontaktmønstre mellem mennesker.

Ved hjælp af computersimuleringer, forskerne testede algoritmen på to tilfælde i den virkelige verden:tuberkulose (TB) i Indien og gonoré i USA. I begge tilfælde de fandt ud af, at algoritmen gjorde et bedre stykke arbejde med at reducere sygdomstilfælde end de nuværende sundhedsopsøgende politikker ved at dele information om disse sygdomme med personer, der måske er mest udsatte.

Undersøgelsen blev offentliggjort i AAAI Conference on Artificial Intelligence. Forfatterne er Bryan Wilder, en kandidat til en ph.d. i datalogi, Milind Tambe, Helen N. og Emmett H. Jones professor i ingeniørvidenskab, en professor i datalogi og industri- og systemteknik og medstifter af USC Center for AI in Society og Sze-chuan Suen, en adjunkt i industri- og systemteknik.

"Vores undersøgelse viser, at en sofistikeret algoritme væsentligt kan reducere sygdomsspredning generelt, " siger Wilder, avisens første forfatter. "Vi kan gøre en stor forskel, og endda redde liv, bare ved at være en smule klogere på, hvordan vi bruger ressourcer og deler sundhedsoplysninger med offentligheden."

Afsløring af sygdomsdynamik

Algoritmen så også ud til at gøre mere strategisk brug af ressourcer. Holdet fandt ud af, at det koncentrerede sig stærkt om bestemte grupper og tildelte ikke blot mere budget til grupper med en høj forekomst af sygdommen. Dette synes at indikere, at algoritmen udnytter ikke-indlysende mønstre og udnytter til tider subtile interaktioner mellem variabler, som mennesker måske ikke er i stand til at lokalisere.

Teamets matematiske modeller tager også højde for, at folk bevæger sig, alder, og dø, afspejler mere realistisk befolkningsdynamik end mange eksisterende algoritmer til sygdomsbekæmpelse. For eksempel, mennesker bliver måske ikke helbredt med det samme, så en reduktion af forekomsten i en alder af 30 kan betyde, at der skabes målrettet offentlig sundhedskommunikation for mennesker i en alder af 27.

"Selvom der er mange metoder til at identificere patientpopulationer til sundhedsopsøgende kampagner, ikke mange overvejer samspillet mellem skiftende befolkningsmønstre og sygdomsdynamikker over tid, " siger Suen, som også har en ansættelse som adjunkt i Leonard D. Schaeffer Center for Health Policy and Economics.

"Færre overvejer stadig, hvordan man bruger en algoritmisk tilgang til at optimere disse politikker i betragtning af usikkerheden i vores estimater af disse sygdomsdynamikker. Vi tager begge disse effekter i betragtning i vores tilgang."

Da transmissionsmønstre for infektion varierer med alderen, forskerholdet brugte aldersstratificerede data til at bestemme den optimale målrettede målgruppe for kommunikation med folkesundhed. Men algoritmen kan også segmentere populationer ved hjælp af andre variabler, herunder køn og placering.

I fremtiden, undersøgelsens indsigt kunne også kaste lys over sundhedsresultater for andre infektionssygdomsinterventioner, såsom hiv eller influenza.