Kan AI de verspreiding van een infectieziekte in een stad voorspellen met alleen geanonimiseerde mobiliteitsgegevens ?

Openbare gezondheidsfunctionarissen vertrouwen steeds vaker op op data gebaseerde modellen om uitbraken van ziekten te voorspellen, maar veel hiervan vereisen gevoelige persoonsgegevens of complexe simulaties. Een recente AI-capaciteit omvat het voorspellen van de verspreiding van infectieziekten met behulp van geanonimiseerde datasets van menselijke bewegingspatronen. De AI moet rekening houden met variaties in gedrag, bevolkingsdichtheid en omgevingsfactoren om bruikbare, zeer nauwkeurige voorspellingen te genereren.

AI-systemen kunnen nu de verspreiding van ziekten schatten op basis van geanonimiseerde mobiliteitsgegevens door reizen te behandelen als vectoren voor transmissie en Monte Carlo-simulaties uit te voeren over contactnetwerken die zijn afgeleid uit locatietraces. Modellen zoals Epifcast, Epigram en deep-learningbenaderingen die grafische neurale netwerken combineren met mobiliteitsextracties rapporteren mediane absolute fouten van ongeveer 3–8 % voor wekelijkse incidentievoorspellingen in steden als Boston en Singapore, en presteren daarmee beter dan zwaartekracht- en stralingsbaselines. Deze methoden maken doorgaans gebruik van geaggregeerde mobiele telefoonlocatiepings in plaats van ruwe trajecten, waarbij differentieel privacy of k-anonimiteit wordt toegepast om anonimiteit te behouden terwijl grove mobiliteitspatronen behouden blijven.

— Verrijkt 13 mei 2026 · Bron: Nature Communications — https://www.nature.com/articles/s41467-023-38814-1