Kan AI förutsäga spridningen av en smittsam sjukdom i en stad med endast anonymiserad mobilitetsdata ?

Folkhälsoexperter förlitar sig i allt större utsträckning på datadrivna modeller för att förutse sjukdomsutbrott, men många kräver känslig personlig data eller komplexa simuleringar. En nyligen AI-förmåga innebär att förutsäga spridningen av smittsamma sjukdomar med hjälp av anonymiserade dataset över mänskliga rörelsemönster. AI:n måste ta hänsyn till variationer i beteende, befolkningsdensitet och miljöfaktorer för att producera handlingsbara, mycket exakta förutsägelser.

AI-system kan nu uppskatta sjukdomsspridning från anonymiserad mobilitetsdata genom att behandla resor som vektorer för smittspridning och köra Monte Carlo-simuleringar över kontaktnätverk härledda från platsdata. Modeller som Epifcast, Epigram och djupinlärningsmetoder som kombinerar grafnätverk med mobilitetsinbäddningar rapporterar median absoluta fel på cirka 3–8 % för veckovisa incidensprognoser i städer som Boston och Singapore, vilket överträffar gravitations- och strålningsbaslinjer. Dessa metoder förlitar sig vanligtvis på aggregerade mobiltelefonplatsdata snarare än råa banor, och tillämpar differentierad integritet eller k-anonymitet för att bevara anonymitet samtidigt som grova mobilitetsmönster bevaras.

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