أداة ذكاء اصطناعي جديدة تعيد تصور التنبؤ بالأمراض المعدية

يمكن لأداة الذكاء الاصطناعي، التي ابتكرها باحثون في جامعتي جونز هوبكنز ودوك، أن تحدث ثورة في كيفية توقع مسؤولي الصحة العامة وتتبع وإدارة تفشي الأمراض المعدية بما في ذلك الإنفلونزا وكوفيد-19.

قالت لورين جاردنر، مؤلفة الدراسة من جامعة جونز هوبكنز، وهي خبيرة في النمذجة ابتكرت لوحة معلومات كوفيد-19 التي اعتمد عليها الناس في جميع أنحاء العالم أثناء الجائحة: "أوضح كوفيد-19 التحدي المتمثل في التنبؤ بانتشار المرض بسبب التفاعل بين العوامل المعقدة التي كانت تتغير باستمرار".

عندما كانت الظروف مستقرة، كانت النماذج جيدة، ومع ذلك، عندما ظهرت متحورات جديدة أو تغيرت السياسات، كنا سيئين في توقع النتائج لأننا لم نكن نمتلك قدرات النمذجة اللازمة لإدراج أنواع مهمة من المعلومات. الأداة الجديدة تسدّ هذه الفجوة.

تم نشر العمل في مجلة Nature Computational Science.

الذكاء الاصطناعي

خلال جائحة فيروس كورونا، لم تكن التقنية التي تُبنى عليها الأداة الجديدة موجودة.

يستخدم الفريق لأول مرة نمذجة اللغة واسعة النطاق، وهو نوع الذكاء الاصطناعي التوليدي المستخدم بشكل شائع في ChatGPT، للتنبؤ بانتشار الأمراض.

بدلاً من التعامل مع التنبؤ باعتباره مجرد مسألة رياضية، فإن النموذج، الذي أطلق عليه اسم PandemicLLM، يتعامل معه، مع الأخذ في الاعتبار المدخلات مثل ارتفاعات العدوى الأخيرة، والمتغيرات الجديدة، وإلزامات ارتداء الأقنعة.

قام الفريق بتزويد النموذج بتدفقات من المعلومات، بما في ذلك البيانات التي لم تُستخدم من قبل في أدوات التنبؤ بالجائحة، ووجدوا أن PandemicLLM يمكنه التنبؤ بدقة بأنماط المرض واتجاهات الاستشفاء لمدة تتراوح من أسبوع إلى ثلاثة أسابيع، متفوقًا باستمرار على الطرق الأخرى، بما في ذلك الطرق الأعلى أداءً على مركز السيطرة على الأمراض والوقاية منها COVIDHub.

قال جاردنر: "إن التحدي الملح في التنبؤ بالأمراض هو محاولة معرفة الأسباب التي تؤدي إلى ارتفاع معدلات الإصابة بالعدوى والاستشفاء، وبناء هذه التدفقات الجديدة من المعلومات في النمذجة".

ويعتمد النموذج على أربعة أنواع من البيانات:

البيانات المكانية على مستوى الدولة بما في ذلك المعلومات حول التركيبة السكانية ونظام الرعاية الصحية والانتماءات السياسية.

بيانات السلسلة الزمنية الوبائية مثل الحالات المبلغ عنها، والاستشفاءات، ومعدلات التطعيم.

بيانات السياسة الصحية العامة بما في ذلك صرامة وأنواع السياسات الحكومية.

بيانات المراقبة الجينومية بما في ذلك المعلومات حول خصائص المتغيرات المرضية وانتشارها.

بعد استهلاك هذه المعلومات، يمكن للنموذج التنبؤ بكيفية اجتماع العناصر المختلفة للتأثير على سلوك المرض.

لاختبارها، طبّقها الفريق بأثر رجعي على جائحة كوفيد-19، مع دراسة معمقة لكل ولاية أمريكية على مدار 19 شهرًا. وبالمقارنة مع النماذج الأخرى، حققت الأداة الجديدة نجاحًا ملحوظًا خلال فترة تفشّي الوباء.

وقال المؤلف هاو يانج، الأستاذ المساعد في الهندسة المدنية والأنظمة بجامعة جونز هوبكنز والمتخصص في تطوير الذكاء الاصطناعي الموثوق به: "من الناحية التقليدية، نستخدم الماضي للتنبؤ بالمستقبل".

لكن هذا لا يمنح النموذج معلومات كافية لفهم ما يحدث والتنبؤ به، عوضًا عن ذلك، يستخدم هذا الإطار أنواعًا جديدة من المعلومات الآنية.

وباستخدام البيانات اللازمة، يمكن تكييف النموذج لأي مرض معد، بما في ذلك إنفلونزا الطيور، وجدري القرود، وفيروس المخلوي التنفسي.

ويقوم الفريق الآن باستكشاف قدرة برامج الماجستير في القانون على محاكاة الطريقة التي يتخذ بها الأفراد القرارات بشأن صحتهم، على أمل أن يساعد مثل هذا النموذج المسؤولين في تصميم سياسات أكثر أمانًا وفعالية.

قال جاردنر: "نعلم من جائحة كوفيد-19 أننا بحاجة إلى أدوات أفضل لنتمكن من صياغة سياسات أكثر فعالية، ستحدث جائحة أخرى، وستكون هذه الأطر حاسمة لدعم استجابة الصحة العامة".