Czy AI może przewidzieć rozprzestrzenianie się choroby zakaźnej w mieście przy użyciu jedynie anonimowych danych o mobilności ?

Specjaliści ds. zdrowia publicznego coraz częściej polegają na modelach opartych na danych, aby przewidywać wybuchy chorób, jednak wiele z nich wymaga wrażliwych danych osobowych lub złożonych symulacji. Niedawna zdolność sztucznej inteligencji obejmuje prognozowanie rozprzestrzeniania się chorób zakaźnych przy użyciu anonimowych zbiorów danych dotyczących wzorców ruchu ludności. Sztuczna inteligencja musi uwzględniać zmiany w zachowaniu, gęstości zaludnienia i czynniki środowiskowe, aby generować użyteczne, wysoce dokładne prognozy.

Systemy AI mogą obecnie szacować rozprzestrzenianie się chorób na podstawie anonimowych danych o mobilności, traktując podróże jako wektory transmisji i przeprowadzając symulacje Monte Carlo na sieciach kontaktów wywnioskowanych z danych o lokalizacji. Modele takie jak Epifcast, Epigram oraz podejścia głębokiego uczenia, które łączą graficzne sieci neuronowe z osadzeniami mobilności, raportują medianę błędów bezwzględnych na poziomie około 3–8 % dla tygodniowych prognoz zapadalności w miastach takich jak Boston i Singapur, przewyższając modele grawitacyjne i radiacyjne. Metody te zazwyczaj opierają się na zagregowanych sygnałach lokalizacji z telefonów komórkowych, a nie na surowych trajektoriach, stosując różnicową prywatność lub k-anonimowość, aby zachować anonimowość przy zachowaniu ogólnych wzorców mobilności.

— Wzbogacono 13 maja 2026 · Źródło: Nature Communications — https://www.nature.com/articles/s41467-023-38814-1