Může umělá inteligence předpovědět šíření infekční nemoci napříč městem pouze pomocí anonymizovaných dat o pohybu ?

Veřejní zdravotničtí pracovníci stále více spoléhají na datově řízené modely pro předvídání epidemií nemocí, mnohé však vyžadují citlivá osobní data nebo složité simulace. Nedávná schopnost umělé inteligence zahrnuje předpovídání šíření infekčních nemocí pomocí anonymizovaných souborů dat o pohybu lidí. Umělá inteligence musí zohlednit variace v chování, hustotě obyvatelstva a environmentálních faktorech, aby poskytla využitelné, vysoce přesné předpovědi.

Systémy umělé inteligence nyní mohou odhadovat šíření nemocí z anonymizovaných dat o mobilitě tím, že zacházejí cesty jako vektory přenosu a spouštějí Monte Carlo simulace nad sítěmi kontaktů odvozenými z tras polohy. Modely jako Epifcast, Epigram a hluboké učení kombinující grafové neuronové sítě s vnořeními mobility hlásí medián absolutních chyb kolem 3–8 % pro týdenní předpovědi incidence v městských oblastech jako Boston a Singapur, čímž překonávají základní modely založené na gravitaci a radiaci. Tyto metody obvykle spoléhají na agregovaná data o poloze z mobilních telefonů spíše než na surové trajektorie, přičemž aplikují diferenciální soukromí nebo k-anonymitu, aby zachovaly anonymitu při zachování hrubých vzorců mobility.

— Aktualizováno 13. května 2026 · Zdroj: Nature Communications — https://www.nature.com/articles/s41467-023-38814-1