Harvard: Bruke AI for personlig prediktiv karantene

I løpet av de siste månedene har verden opplevd en serie utbrudd av Covid-19 som generelt har fulgt den samme veien: en innledende fase med få infeksjoner og begrenset respons, fulgt av en start av den berømte epidemikurve ledsaget av et landsdekkende lockdown til flate kurven. Så når kurven topper seg, må regjeringer ta tak i det president Trump har kalt "den største avgjørelsenAv hans liv: når og hvordan man skal håndtere avgrensning.

Gjennom hele pandemien har det blitt lagt stor vekt på deling (eller mangel på den) av kritisk informasjon på tvers av land - spesielt fra Kina - om spredning av sykdommen. Derimot har relativt lite blitt sagt om hvordan Covid-19 kunne vært bedre styrt ved å utnytte de avanserte datateknologiene som har forvandlet virksomheter de siste 20 årene. I denne artikkelen diskuterer vi en måte som regjeringer kan utnytte disse teknologiene for å håndtere en fremtidig pandemi - og kanskje til og med den avsluttende fasen av den nåværende.

Kraften til personlig prediksjon

En alternativ tilnærming for beslutningstakere å vurdere å legge til i sin blanding for å kjempe mot Covid-19 er basert på teknologien til personlig prediksjon, som har forvandlet mange næringer de siste 20 årene. Ved hjelp av maskinlæring og kunstig intelligens (AI) gir datadrevne firmaer (fra "Big Tech" til finansielle tjenester, reise, forsikring, detaljhandel og media) personlige anbefalinger for hva du skal kjøpe, og praktiserer personlig prisfastsettelse, risiko, kreditt og lignende ved å bruke dataene de har samlet om kundene sine.

I en fersk artikkel fra HBRMing Zeng, Alibabas tidligere strategidirektør, beskrev for eksempel hvordan Ant Financial, selskapets utlånsvirksomhet for småbedrifter, kan vurdere lånesøkere i sanntid ved å analysere transaksjons- og kommunikasjonsdata på Alibabas e-handelsplattformer. I mellomtiden vurderer selskaper som Netflix forbrukernes tidligere valg og egenskaper for å komme med spådommer om hva de vil se på videre.

Den samme tilnærmingen kan fungere for pandemier - og til og med fremtiden til Covid-19. Ved å bruke flere datakilder vil maskinlæringsmodeller bli opplært til å måle et individs klinisk risiko for å lide alvorlige utfall (hvis infisert med Covid): hva er sannsynligheten for at de vil trenge intensiv behandling, som det er begrensede ressurser for? Hvor sannsynlig er det at de vil dø? Dataene kan inkludere enkeltpersoners grunnleggende medisinske historie (for Covid-19 ser ut til at alvorlighetsgraden av symptomene øker med alderen og med tilstedeværelse av komorbiditeter slik som diabetes or hypertensjon) så vel som andre data, for eksempel husholdningssammensetning. For eksempel kan et ungt, sunt individ (som ellers kan klassifiseres som "lav risiko") klassifiseres som "høy risiko" hvis han eller hun bor sammen med gamle eller uføre ​​som sannsynligvis vil trenge intensiv behandling hvis de skulle bli smittet.

Disse kliniske risikospådommene kan deretter brukes til å tilpasse policyer og ressursallokering på individ / husholdningsnivå, og på passende måte gjøre rede for standard medisinske forpliktelser og risikoer. Det kan for eksempel gjøre det mulig for oss å målrette sosial distanse og beskyttelse for personer med høy klinisk risikoscore, samtidig som de med lave score kan leve mer eller mindre normalt. Kriteriene for å tilordne individer til grupper med høy eller lav risiko vil selvfølgelig måtte bestemmes, også hensyntatt tilgjengelige ressurser, medisinsk ansvarsrisiko og andre risikoforskyvninger, men datavitenskapens tilnærminger for dette er standard og brukes i mange applikasjoner.

En personlig tilnærming har flere fordeler. Det kan hjelpe med å bygge hjordimmunitet med lavere dødelighet - og raskt. Det vil også tillate bedre - og mer rettferdig - ressursallokering, for eksempel av lite medisinsk utstyr (for eksempel prøvesett, beskyttelsesmasker og sykehussenger) eller andre ressurser.

Avgrensningsstrategier på senere stadier av en pandemi - et neste nøkkeltrinn for Covid-19 i de fleste land - kan ha fordel på en lignende måte. Å bestemme hvilke mennesker som skal starte avgrensingsprosessen med, er av natur et klassifiseringsproblem som ligner på klassifiseringsproblemene som er kjent for de fleste datadrevne firmaer. Noen regjeringer nærmer seg allerede avgrensing ved å bruke alder som en fullmektig for risiko, en relativt rå klassifisering som potensielt savner andre høyrisikoindivider (som eksempelet ovenfor om sunne unge mennesker som bor sammen med eldre).

Å utføre klassifisering basert på data og AI-prediksjonsmodeller kan føre til avgrensningsbeslutninger som er trygge på fellesskapsnivå og langt billigere for individet og økonomien. Vi vet at et sentralt trekk ved Covid-19 er at den har usedvanlig høy overføringshastighet, men også relativt lav alvorlige symptomer eller dødelighet. Data indikerer at muligens mer enn 90% av de smittede er enten asymptomatiske eller opplever milde symptomer når de er smittet.

I teorien, med en pålitelig prediksjon av hvem disse 90% er, kan vi avgrense alle disse individene. Selv om de skulle smitte hverandre, ville de ikke ha alvorlige symptomer og ville ikke overvelde det medisinske systemet eller dø. Disse 90% avgrensede kliniske risiko-menneskene ville også bidra til rask oppbygging av høy besetningsimmunitet, på hvilket tidspunkt de resterende 10% også kunne avgrenses.

Les hele historien her ...