„Google“ paskelbė penkis realaus pasaulio tyrimus, patvirtinančius geoerdvinio sveikatos modelio PDFM naudą
Trumpai: „Google Research“ pristatė penkių partnerių atliktų vertinimų rezultatus apie savo Population Dynamics Foundation Model (PDFM) — „Google Earth AI“ sistemą, paverčiančią paieškos tendencijas, žmonių judėjimą, statinės aplinkos tankį ir aplinkos duomenis į kas mėnesį atnaujinamus vietos embeddingus. Sveikatos priežiūros institucijos šiuos iš anksto apmokytus embeddingus tiesiog integravo į savo esamus statistinius ir ML modelius be jokio papildomo pritaikymo konkrečiai užduočiai ir patikrino juos penkiose skirtingose epidemiologinėse srityse. Kiekvienas partneris nurodė pastebimą pagerėjimą, palyginti su įprastais duomenų šaltiniais, teigdamas, kad PDFM gali tapti „prijunk ir naudok“ pakaitalu ar papildiniu lėtiems, izoliuotiems sveikatos duomenims.
Šią santrauką automatiškai parengė dirbtinis intelektas pagal „Google Research“ publikaciją. Tai mūsų tekstas, ne originalo kopija — faktai, skaičiai ir citatos priklauso šaltiniui, kurio nuoroda pateikta viršuje ir apačioje.
Kas pasikeitė?
- 1Mount Sinai ir Boston Children's Hospital naudodami tarpvalstybinius JAV-Kanados embeddingus padidino paaiškinamą dispersijos dalį tymų-kiaulytės-raudonukės vakcinacijos aprėptyje nuo 16% iki 22% (santykinis 36% augimas) 146 pasienio apygardose, patikslindami vertinimus 4,7 mln. gyventojų
- 2NYU Grossman School of Medicine nustatė, kad PDFM prilygo surašymu grįstiems duomenims prognozuojant 2023 m. širdies ir kraujagyslių ligų mirtis ~3100 JAV apygardų (18,7 vs 19,1 vidutinė paklaida vienai apygardai), o didelių paklaidų RMSE sumažino 20% (57,7 iki 46,0), nors duomenys buvo kur kas nauj
- 3Oksfordo universitetas ir Tecnológico de Monterrey sujungė PDFM su laiko eilučių modeliu TimesFM 2.0 denge karštligės prognozėms ~2450 Meksikos savivaldybių, pagerindami vieno mėnesio prognozių tikslumą iki 72% aktyvios transmisijos zonų, su paklaidų sumažėjimu 3,4 karto didesniu nei pablogėjimas
- 4University of Washington testavo PDFM su 332 970 CDC PRAMS respondentų pogimdyminės depresijos rizikai vertinti, gaudami AUC pagerėjimą +0,0020 matytose valstijose ir +0,0038 nematytose, atgaunant apie 15% signalo, kurį paprastai suteikia pajamų ir draudimo duomenys; simuliacijose tai leido pasiekti
- 5PSO Afrikos regioninis biuras testavo lengvesnę, mažo ryšio versiją PDFM cholerai stebėti 403 sveikatos zonose DR Kongo, pagerindamas aštuonių savaičių Precision@5 rodiklį 18% bendrai ir 19,3% endeminėse zonose, tačiau neduodamas naudos vienos-dviejų savaičių horizonte
- 6Vietos embeddingai siūlomi per „Google Maps Platform“ duomenų rinkinį, pavadintą Population Dynamics Insights, šiuo metu komercinei peržiūrai, o akademiniai ir visuomenės sveikatos tyrėjai gali gauti nemokamą prieigą atrinktiems neoperaciniams projektams
Kodėl tai svarbu?
Rezultatai rodo, kad iš anksto apmokyti geoerdviniai embeddingai gali pakeisti lėtus, izoliuotus ar pasenusius visuomenės sveikatos duomenis, pvz., surašymus ar vakcinacijos registrus, leisdami sveikatos sistemoms atnaujinti prognozes kas mėnesį, o ne laukti metų oficialios statistikos. Bet kuriai komandai, dirbančiai su vietove grįstomis ar laiko eilučių prognozavimo problemomis, tai konkretus pavyzdys, kaip bendros paskirties foundation modelis gali prilygti ar pranokti specializuotus, rankomis sukurtus modelius be papildomo pritaikymo.
Šaltiniai
- Google ResearchOficialusPirminis šaltinisOriginalus straipsnis →„Unlocking Earth AI’s planetary geospatial foundation models for global public health“2026-10-06 18:05
- Šaltinio publikavimo data
- 2026-10-06 18:05
- Mūsų sistema rado
- 2026-10-06 18:35
- Santrauka sugeneruota
- 2026-10-06 18:37
Straipsnį pagal originalų šaltinį parašė AI. Faktai, skaičiai ir kainos — iš šaltinio; trūkstamos reikšmės pažymėtos „Nėra oficialių duomenų“. Teisinė informacija, autorių teisės ir privatumas