Google Earth AI ชี้เป้าโรคระบาด ช่วยทีมแพทย์วางแผนก่อนพบผู้ป่วย

Google นำ Google Earth AI มาใช้สนับสนุนงานสาธารณสุข โดยผสานข้อมูลสุขภาพในพื้นที่กับภาพถ่ายดาวเทียม ข้อมูลสิ่งแวดล้อม และการเคลื่อนที่ของประชากร เพื่อค้นหาชุมชนเสี่ยงและคาดการณ์การแพร่ระบาด ช่วยให้ทีมแพทย์และเจ้าหน้าที่วางแผนจัดสรรทรัพยากรล่วงหน้า ก่อนโรคแพร่เข้าสู่พื้นที่ที่ยังไม่พบผู้ป่วย

ศราวยา เชตตี วิศวกรซอฟต์แวร์ระดับ Distinguished ของกูเกิล รีเสิร์ช (Google Research) เปิดเผยว่า สุขภาพของชุมชนสัมพันธ์อย่างลึกซึ้งกับภูมิศาสตร์ ซึ่งกำหนดทั้งสภาพภูมิอากาศ โครงสร้างพื้นฐาน วิถีชีวิต และการเดินทางของผู้คน

แต่ทีมสาธารณสุขมักเผชิญจุดอับของข้อมูลเชิงพื้นที่ รวมถึงข้อมูลที่กระจัดกระจายและความล่าช้าในการรายงาน ไม่ว่าจะเป็นการติดตามไวรัสที่แพร่กระจายอย่างรวดเร็ว หรือการคาดการณ์การเสียชีวิตจากโรคหัวใจและหลอดเลือด

การมีเครื่องมือคาดการณ์ขั้นสูงช่วยให้ผู้นำด้านสุขภาพปกป้องชุมชนเสี่ยงได้ดีขึ้น และช่วยเปลี่ยนการรับมือภาวะฉุกเฉินจากการจัดการหลังเกิดเหตุ ไปสู่การป้องกันเชิงรุก

ผสานข้อมูลประชากรกับสภาพแวดล้อม

งานวิจัยใหม่ที่ Google จัดทำร่วมกับพันธมิตรด้านสุขภาพทั่วโลก แสดงให้เห็นการใช้ Google Earth AI เพื่อเติมเต็มช่องว่างของงานสาธารณสุขในพื้นที่และโรคที่หลากหลาย ผ่านการคาดการณ์อัตโนมัติและข้อมูลพลวัตประชากร

แนวทางดังกล่าวผสานสัญญาณจากสิ่งแวดล้อมกับภาพถ่ายดาวเทียม ข้อมูลการเคลื่อนที่ของประชากร และโมเดลพื้นฐาน เช่น AlphaEarth Foundations และ Population Dynamics Foundation Model หรือ PDFM พร้อมทำงานร่วมกับต้นแบบ Geospatial Reasoning agent หรือเอเจนต์สำหรับการให้เหตุผลเชิงภูมิสารสนเทศ

การเชื่อมข้อมูลเหล่านี้ช่วยให้ชุมชนค้นพบความสัมพันธ์ที่ซับซ้อนระหว่างผู้คนกับสภาพแวดล้อม และช่วยให้นักวิจัยกับเจ้าหน้าที่สาธารณสุขนำข้อมูลมาเสริมระบบข้อมูลสุขภาพที่มีอยู่ ลดช่องว่างจากการรายงาน และรับมือปัญหาสุขภาพในเชิงรุก

นำต้นแบบ AI สู่การรับมือภาวะฉุกเฉิน

Google เปิดให้พันธมิตรหลายแห่งเข้าถึงต้นแบบเพื่อการวิจัย 2 ระบบ เพื่อทดสอบความสามารถของ Google Earth AI ในสถานการณ์ฉุกเฉิน ได้แก่ Geospatial Reasoning agent ซึ่งใช้จัดทำแผนที่เชิงพื้นที่ผ่านการสนทนา และ Planetary prediction engine สำหรับคาดการณ์โรคโดยอัตโนมัติ

ทีมสาธารณสุขสามารถสนทนากับระบบด้วยภาษาทั่วไป เพื่อช่วยลดขั้นตอนประมวลผลข้อมูลด้วยมือที่ซับซ้อน พร้อมรับข้อมูลเชิงลึกได้ทันเวลาและข้อมูลสนับสนุนการตัดสินใจที่ชัดเจน

ระหว่างการระบาดของอีโบลาในสาธารณรัฐประชาธิปไตยคองโก หรือ DRC พันธมิตรจากศูนย์เตรียมความพร้อมและตอบสนองภาวะฉุกเฉิน ณ กรุงดาการ์ ของสำนักงานองค์การอนามัยโลกภูมิภาคแอฟริกา WHO AFRO และหน่วยสร้างแบบจำลองและข่าวกรองโรคระบาด UMIE ของสถาบันวิจัยชีวการแพทย์แห่งชาติของ DRC หรือ INRB ได้นำต้นแบบเหล่านี้ไปใช้งาน

ค้นหา 48 ชุมชนเสี่ยงอีโบลา

ทีม WHO AFRO ใช้ต้นแบบ Geospatial Reasoning agent จัดทำแผนที่แนวเส้นทางเหมืองแร่ในพื้นที่ห่างไกล ซึ่งมีความเสี่ยงต่อการสัมผัสเชื้อและการเคลื่อนที่ของผู้คนสูงภายในเวลาไม่กี่นาที ทีมสามารถระบุชุมชนที่เสี่ยงต่อการสัมผัสเชื้อได้ 48 แห่ง และระบุตำแหน่งประชากรกลุ่มเสี่ยงมากกว่า 45,500 คน จากกระบวนการที่ตามปกติอาจใช้เวลาหลายสัปดาห์ ข้อมูลนี้ช่วยให้เจ้าหน้าที่ในพื้นที่ส่งห้องปฏิบัติการเคลื่อนที่เข้าประจำการ และประสานการเฝ้าระวังตามแนวชายแดนได้ล่วงหน้า

ขณะเดียวกัน Google ทำงานร่วมกับ UMIE สร้างโมเดลคาดการณ์ความเสี่ยงที่อีโบลาจะแพร่เข้าสู่พื้นที่ที่ยังไม่พบการติดเชื้อ โดยผสานข้อมูลการเดินทางของประชากร แนวโน้มผู้ป่วยในอดีต ตลอดจนโมเดลและชุดข้อมูลของ Google Earth AI

ข้อมูลเชิงลึกรายสัปดาห์ช่วยให้ผู้ประสานงานมีเวลาสำคัญสำหรับวางแผนก่อนพบผู้ป่วยในพื้นที่นอกเหนือจากการระบาดที่แพร่กระจายอย่างรวดเร็ว Google ระบุว่า งานวิจัยยังแสดงให้เห็นว่าการใช้ความสามารถของ Google Earth AI ร่วมกับข้อมูลสาธารณสุข สามารถคาดการณ์แนวโน้มสุขภาพของชุมชนในภาพรวมได้แม่นยำกว่าการวิเคราะห์ด้วยมือ

เสริมการคาดการณ์โรคหัวใจและหลอดเลือด

PDFM ผสานแนวโน้มการค้นหาในภาพรวมกับรูปแบบการเคลื่อนที่ของประชากรและสิ่งแวดล้อม เพื่อสร้างภาพของชุมชนที่มีความละเอียดสูงและสะท้อนการเปลี่ยนแปลง โดยพันธมิตรสามารถนำข้อมูลเชิงลึกเหล่านี้ไปเชื่อมกับระบบของตนเองได้โดยตรง

นักวิจัยจาก เอ็นวายยู แลงโกน เฮลท์ (NYU Langone Health) นำสัญญาณข้อมูลประชากรแบบเรียลไทม์มาใช้ร่วมกับโมเดลโรคเรื้อรัง เพื่อคาดการณ์การเสียชีวิตจากโรคหัวใจและหลอดเลือดภายในปีเดียวกัน

Google ระบุว่า ผลการคาดการณ์มีประสิทธิภาพใกล้เคียงกับแนวทางดั้งเดิม และในบางกรณีทำได้ดีขึ้น ยิ่งจัดทำข้อมูลเชิงลึกได้เร็ว ก็ยิ่งนำไปใช้จัดสรรทรัพยากรสำคัญให้ชุมชนเปราะบางได้เร็วขึ้น

ใช้พฤติกรรมข้ามพรมแดนประเมินวัคซีน

สำหรับโรคหัด คางทูม และหัดเยอรมัน นักวิจัยจาก ระบบสุขภาพเมาท์ไซนาย (Mount Sinai Health System) และ โรงพยาบาลเด็กบอสตัน (Boston Children’s Hospital) นำรูปแบบพฤติกรรมของผู้คนทั้งสองฝั่งชายแดนสหรัฐฯ–แคนาดามาประกอบการวิเคราะห์ ซึ่งแนวทางนี้ช่วยให้เห็นอัตราการได้รับวัคซีนในเขตเคาน์ตีของสหรัฐฯ ได้แม่นยำขึ้น และค้นพบข้อมูลเชิงลึกที่โมเดลสาธารณสุขแบบดั้งเดิมอาจมองข้าม

คาดการณ์ไข้เลือดออกตามฤดูกาล

โรคประจำถิ่นหลายชนิดมีความผันผวนตามฤดูกาล ซึ่งสัมพันธ์กับการเปลี่ยนแปลงของสิ่งแวดล้อมและสภาพอากาศ นักวิจัยจาก มหาวิทยาลัยออกซ์ฟอร์ด (University of Oxford) และ สถาบันเทคโนโลยีมอนเตร์เรย์ (Tecnológico de Monterrey) ผสาน PDFM กับโมเดลภูมิอากาศเฉพาะพื้นที่ เพื่อคาดการณ์การระบาดของโรคไข้เลือดออกทั่วเม็กซิโกได้แม่นยำขึ้น การคาดการณ์ดังกล่าวอาจช่วยเพิ่มเวลาสำหรับดำเนินมาตรการล่วงหน้า เช่น การกำจัดลูกน้ำยุง

ส่วนการประเมินอหิวาตกโรคใน DRC ร่วมกับ WHO AFRO พบว่า การนำข้อมูลระบาดวิทยามาใช้ร่วมกับ PDFM ช่วยเพิ่มความสามารถในการระบุเขตบริการสุขภาพที่มีแนวโน้มเกิดการระบาดได้ล่วงหน้าสูงสุด 8 สัปดาห์ ซึ่งอาจช่วยให้ทีมแนวหน้าดำเนินมาตรการเชิงรุก

เปิดเข้าถึงข้อมูลผ่าน Google Maps Platform

Google เปิดให้ใช้งาน PDFM embeddings ในเชิงพาณิชย์ระยะ Preview ภายใต้ชื่อ Population Dynamics Insights ซึ่งเป็นชุดข้อมูล embeddings เชิงภูมิสารสนเทศจาก Google Maps Platform โดยนักวิจัยสามารถขอเข้าถึงโดยไม่มีค่าใช้จ่ายสำหรับการใช้งานบางประเภท

องค์กรที่มีคุณสมบัติตามเกณฑ์สามารถสมัครรับเครดิต Google Earth ผ่านโครงการ Public Programs ของ Google Maps Platform นอกจากนี้ Google.org ยังมอบเงินสนับสนุนแก่ INRB เพื่อช่วยปรับปรุงการตรวจวินิจฉัยและการเฝ้าระวังโรคในพื้นที่ให้ทันสมัยขึ้น

Google ระบุว่า การผสานความสามารถในการวิเคราะห์ข้อมูลระดับโลกกับความเชี่ยวชาญในพื้นที่ เป็นส่วนหนึ่งของการทำงานร่วมกับผู้นำด้านสุขภาพทั่วโลก เพื่อสร้างเครื่องมือเชิงรุกที่ขับเคลื่อนด้วยข้อมูล และช่วยปกป้องชุมชนได้ดียิ่งขึ้น