Harvard: Använda AI för personlig förutsägbar karantän

Under de senaste månaderna har världen upplevt en serie utbrott av Covid-19 som i allmänhet har följt samma väg: en inledande fas med få infektioner och begränsat svar, följt av en start av den berömda epidemikurva åtföljt av ett landsomfattande lockdown till platta kurvan. Sedan, när kurvan toppar, måste regeringarna ta itu med vad president Trump har kallat ”det största beslutet”I hans liv: när och hur hanteras avgränsning.

Under hela pandemin har stor vikt lagts på delning (eller brist på den) av kritisk information över länder - särskilt från Kina - om sjukdomens spridning. Däremot har relativt lite sagts om hur Covid-19 kunde ha hanterats bättre genom att utnyttja de avancerade datateknologierna som har förändrat företag under de senaste 20 åren. I den här artikeln diskuterar vi ett sätt som regeringar kan utnyttja dessa tekniker för att hantera en framtida pandemi - och kanske till och med de avslutande faserna för den nuvarande.

Kraften i personlig förutsägelse

En alternativ metod för beslutsfattare att överväga att lägga till i sin mix för att slåss mot Covid-19 bygger på tekniken för personlig förutsägelse, som har förändrat många industrier under de senaste 20 åren. Med hjälp av maskininlärning och artificiell intelligens (AI) ger datadrivna företag (från “Big Tech” till finansiella tjänster, resor, försäkringar, detaljhandel och media) anpassade rekommendationer för vad man ska köpa och övar personlig prissättning, risk, kredit och liknande med hjälp av de uppgifter de har samlat in om sina kunder.

I en ny artikel om HBRtill exempel beskrev Ming Zeng, Alibabas tidigare strategichef, hur Ant Financial, hans företags utlåningsverksamhet för småföretag, kan bedöma lånesökande i realtid genom att analysera deras transaktions- och kommunikationsdata på Alibabas e-handelsplattformar. Samtidigt utvärderar företag som Netflix konsumenternas tidigare val och egenskaper för att göra förutsägelser om vad de kommer att titta på nästa.

Samma tillvägagångssätt kan fungera för pandemier - och till och med framtiden för Covid-19. Med hjälp av flera datakällor skulle maskininlärningsmodeller utbildas för att mäta en individs klinisk risk för att drabbas av allvarliga resultat (om de är infekterade med Covid): vad är sannolikheten för att de kommer att behöva intensivvård, för vilka det finns begränsade resurser? Hur troligt är det att de kommer att dö? Uppgifterna kan inkludera individernas grundläggande medicinska historia (för Covid-19 verkar symtomens svårighetsgrad öka med åldern och med närvaro av co-morbidities såsom diabetes or hypertoni) liksom andra data, som hushållens sammansättning. Till exempel kan en ung, frisk individ (som annars kan klassificeras som ”låg risk”) klassificeras som ”hög risk” om han eller hon bor med gamla eller sjuka personer som troligen skulle behöva intensivvård om de smittas.

Dessa kliniska riskprognoser kan sedan användas för att anpassa policys och resursallokering på individ / hushållsnivå och på lämpligt sätt redovisa standard medicinska skulder och risker. Det kan till exempel göra det möjligt för oss att rikta in social distans och skydd för dem med höga kliniska riskresultat, samtidigt som de med låga poäng kan leva mer eller mindre normalt. Kriterierna för att tilldela individer till grupper med hög eller låg risk skulle naturligtvis behöva fastställas, även med hänsyn till tillgängliga resurser, risker för medicinskt ansvar och andra riskavvägningar, men datavetenskapliga metoder för detta är standard och används i många tillämpningar.

Ett personligt tillvägagångssätt har flera fördelar. Det kan hjälpa till att bygga flockimmunitet med lägre dödlighet - och snabbt. Det skulle också möjliggöra bättre - och rättvisare - resursallokering, till exempel knapp medicinsk utrustning (som testsatser, skyddsmasker och sjukhussängar) eller andra resurser.

Avstängningsstrategier i senare skeden av en pandemi - ett nästa nyckelsteg för Covid-19 i de flesta länder - kan dra nytta av på liknande sätt. Att avgöra vilka personer som ska starta avskiljningsprocessen med är till sin natur ett klassificeringsproblem som liknar de klassificeringsproblem som är kända för de flesta datadrivna företag. Vissa regeringar närmar sig redan avskiljning genom att använda ålder som en fullmakt för risk, en relativt rå klassificering som potentiellt saknar andra högriskindivider (såsom ovanstående exempel på friska ungdomar som lever med äldre).

Genomförande av klassificering baserat på data och AI-förutsägelsemodeller kan leda till avskiljningsbeslut som är säkra på gemenskapsnivå och mycket billigare för individen och ekonomin. Vi vet att en nyckelfunktion i Covid-19 är att den har exceptionellt hög överföringshastighet, men också relativt låg allvarliga symtom eller dödlighet. Data tyder på att möjligen mer än 90% av de smittade är antingen symptomfria eller upplever milda symtom när de smittas.

I teorin, med en pålitlig förutsägelse om vem dessa 90% är, kan vi avgränsa alla dessa individer. Även om de skulle smitta varandra, skulle de inte ha allvarliga symtom och skulle inte överväldiga det medicinska systemet eller dö. Dessa 90% låga kliniska risker som är avgränsade skulle också hjälpa till att snabbt bygga upp hög besättningsimmunitet, vid vilken punkt de återstående 10% också kan avgränsas.

Läs hela historien här ...