Для создания алгоритма исследователи использовали данные, в том числе тенденции поведенческих, демографических и эпидемических заболеваний, чтобы создать модель распространения болезни, отражающую динамику популяции и модели контактов между людьми.Используя компьютерное моделирование, исследователи протестировали алгоритм на двух реальных случаях: туберкулез (ТБ) в Индии и гонорея в Соединенных Штатах. В обоих случаях они обнаружили, что алгоритм лучше справляется с сокращением случаев заболевания, чем текущая политика в области здравоохранения, путем обмена информацией об этих заболеваниях с людьми, которые могут подвергаться наибольшему риску.
Исследование было опубликовано на конференции AAAI по искусственному интеллекту. Авторы — Брайан Уайлдер, кандидат наук в области компьютерных наук, Милинд Тамбэ, профессор инженерных наук Хелен Н. и Эммет Х. Джонс, профессор компьютерных наук, промышленной и системной инженерии и соучредитель Центра изучения технологий США. Искусственный интеллект в обществе и Сэ-чуан Суен, доцент кафедры промышленной и системной инженерии.«Наше исследование показывает, что сложный алгоритм может существенно снизить общее распространение болезни», — говорит Уайлдер, первый автор статьи. «Мы можем добиться больших результатов и даже спасти жизни, просто немного умнее применяя ресурсы и делясь медицинской информацией с общественностью».
Выявление динамики болезниТакже оказалось, что алгоритм более стратегически использует ресурсы. Команда обнаружила, что он в значительной степени сконцентрирован на определенных группах, а не просто выделял больше средств на группы с высокой распространенностью заболевания. Это, по-видимому, указывает на то, что алгоритм использует неочевидные закономерности и пользуется преимуществом иногда тонких взаимодействий между переменными, которые люди не могут определить.
Математические модели команды также учитывают, что люди перемещаются, стареют и умирают, что отражает более реалистичную динамику населения, чем многие существующие алгоритмы борьбы с болезнями. Например, люди не могут быть излечены мгновенно, поэтому снижение распространенности в возрасте 30 лет может означать создание целевых коммуникаций в области общественного здравоохранения для людей в возрасте 27 лет.«Несмотря на то, что существует множество методов определения групп пациентов для проведения информационно-пропагандистских кампаний, не многие учитывают взаимосвязь между изменяющимися моделями популяции и динамикой заболеваний с течением времени», — говорит Суен, который также занимает должность доцента в Центре Леонарда Д. Шеффера по вопросам здравоохранения. Политика и экономика здравоохранения.
«Еще меньше людей думают о том, как использовать алгоритмический подход для оптимизации этой политики, учитывая неопределенность наших оценок динамики этих заболеваний. Мы принимаем во внимание оба этих эффекта в нашем подходе».Поскольку модели передачи инфекции меняются с возрастом, исследовательская группа использовала стратифицированные по возрасту данные для определения оптимальной целевой демографической аудитории для коммуникаций в области общественного здравоохранения.
Но алгоритм может также сегментировать население, используя другие переменные, включая пол и местонахождение.В будущем выводы исследования могут также пролить свет на результаты лечения других инфекционных заболеваний, таких как ВИЧ или грипп.