Раскрытие потенциала планетарных геопространственных базовых моделей Earth AI для глобального общественного здравоохранения

Модель PDFM использует самообучение для синтеза разнообразных сигналов, сохраняющих приватность — таких как агрегированные поисковые тренды, мобильность людей, плотность застройки и экологические факторы — в компактные, многофункциональные эмбеддинги, обновляемые ежемесячно.

Эмбеддинги PDFM можно использовать «из коробки» в существующих эпидемиологических моделях без необходимости специальной дообучки под конкретную задачу.

В пяти независимых исследованиях с партнёрами модель продемонстрировала улучшение прогнозирования для различных заболеваний и географических регионов.

При прогнозировании охвата вакцинацией против кори на границе США и Канады модель обеспечила относительный прирост объяснённой дисперсии на 36% за счёт учёта трансграничных перемещений и информационного переноса.

Для прогнозирования смертности от сердечно-сосудистых заболеваний в США модель показала сопоставимую точность с данными переписи, но с меньшим временным лагом и более широким географическим охватом, служа временной альтернативой устаревшим данным.

Модель помогла улучшить прогнозирование вспышек холеры в Демократической Республике Конго, повысив относительный прирост показателя Precision@5 на 18–19% в эндемичных районах за 4–8 недель до начала вспышки.