Kan AI forudsige spredningen af en smitsom sygdom i en by udelukkende ved hjælp af anonymiserede mobilitetsdata ?

Folkens sundhedsmyndigheder stoler i stigende grad på data-drevne modeller til at forudse sygdomsudbrud, men mange kræver følsomme personoplysninger eller komplekse simuleringer. En nylig AI-evne indebærer at forudsige spredning af smitsomme sygdomme ved hjælp af anonymiserede datasæt over menneskers bevægelsesmønstre. AI’en skal tage højde for variationer i adfærd, befolkningstæthed og miljømæssige faktorer for at producere handlingsrettede, yderst præcise forudsigelser.

AI-systemer kan nu estimere sygdomsspredning ud fra anonymiserede mobilitetsdata ved at behandle rejser som vektorer for smitte og køre Monte Carlo-simuleringer over kontaktnetværk udledt af lokationsspor. Modeller som Epifcast, Epigram og deep-learning-tilgange, der kombinerer graf-neuralnetværk med mobilitetsindlejringer, rapporterer median absolutte fejl på omkring 3–8 % for ugentlige forekomstforudsigelser i byer som Boston og Singapore, hvilket overgår tyngdekrafts- og strålingsbaselines. Disse metoder er typisk baseret på aggregerede mobiltelefon-lokationssignaler snarere end rå baner, idet de anvender differential privacy eller k-anonymitet for at bevare anonymitet samtidig med at grove mobilitetsmønstre bevares.

— Beriget 13. maj 2026 · Kilde: Nature Communications — https://www.nature.com/articles/s41467-023-38814-1