Harvard: utilizzo dell'IA per la quarantena predittiva personalizzata

Negli ultimi mesi il mondo ha vissuto una serie di focolai di Covid-19 che hanno generalmente seguito lo stesso percorso: una fase iniziale con poche infezioni e risposta limitata, seguita da un decollo del famoso curva epidemica accompagnato da un blocco a livello nazionale a appiattire la curva. Quindi, una volta che la curva raggiunge il picco, i governi devono affrontare ciò che il presidente Trump ha definito "la più grande decisione"Della sua vita: quando e come gestire il de-confinamento.

Nel corso della pandemia, è stata posta grande enfasi sulla condivisione (o mancanza di essa) di informazioni critiche tra i paesi - in particolare dalla Cina - sulla diffusione della malattia. Al contrario, è stato detto relativamente poco su come Covid-19 avrebbe potuto essere gestito meglio sfruttando le tecnologie di dati avanzate che hanno trasformato le aziende negli ultimi 20 anni. In questo articolo discutiamo un modo in cui i governi potrebbero sfruttare queste tecnologie nella gestione di una futura pandemia e forse anche le fasi finali di quella attuale.

Il potere della previsione personalizzata

Si basa su un approccio alternativo che i responsabili politici devono considerare di aggiungere nel loro mix per combattere Covid-19 la tecnologia della previsione personalizzata, che ha trasformato molte industrie negli ultimi 20 anni. Utilizzando la tecnologia di machine learning e intelligenza artificiale (AI), le aziende basate sui dati (dalla "Big Tech" ai servizi finanziari, viaggi, assicurazioni, vendita al dettaglio e media) formulano consigli personalizzati su cosa acquistare e praticano prezzi, rischi e crediti personalizzati e simili utilizzando i dati che hanno accumulato sui loro clienti.

In un recente articolo HBR, ad esempio, Ming Zeng, ex Chief Strategy Officer di Alibaba, ha descritto come Ant Financial, l'operazione di prestito di piccole imprese della sua azienda, possa valutare i richiedenti di prestito in tempo reale analizzando i loro dati di transazione e comunicazione sulle piattaforme di e-commerce di Alibaba. Nel frattempo, aziende come Netflix valutano le scelte e le caratteristiche passate dei consumatori per fare previsioni su ciò che guarderanno dopo.

Lo stesso approccio potrebbe funzionare per le pandemie e persino per il futuro di Covid-19. Utilizzando più fonti di dati, i modelli di apprendimento automatico verrebbero formati per misurare quelli di un individuo rischio clinico di soffrire di esiti gravi (se infetti da Covid): qual è la probabilità che avranno bisogno di cure intensive, per le quali ci sono risorse limitate? Quanto è probabile che muoiano? I dati potrebbero includere le storie mediche di base degli individui (per Covid-19, la gravità dei sintomi sembra aumentare con l'età e con il presenza di comorbilità ad esempio diabete or ipertensione) così come altri dati, come la composizione della famiglia. Ad esempio, un individuo giovane e in buona salute (che altrimenti potrebbe essere classificato come "a basso rischio") potrebbe essere classificato come "ad alto rischio" se vive con persone anziane o inferme che probabilmente avrebbero bisogno di cure intensive in caso di infezione.

Queste previsioni cliniche sul rischio potrebbero quindi essere utilizzate per personalizzare le politiche e l'allocazione delle risorse a livello individuale / familiare, tenendo adeguatamente conto delle passività e dei rischi medici standard. Potrebbe, ad esempio, consentirci di prendere di mira il distanziamento sociale e la protezione per coloro che hanno punteggi di rischio clinico elevati, consentendo a quelli con punteggi bassi di vivere più o meno normalmente. I criteri per assegnare le persone a gruppi ad alto o basso rischio dovrebbero, ovviamente, essere determinati, considerando anche le risorse disponibili, i rischi di responsabilità medica e altri compromessi di rischio, ma gli approcci di data science per questo sono standard e utilizzati in numerosi applicazioni.

Un approccio personalizzato ha molteplici vantaggi. Potrebbe aiutare a costruire immunità della mandria con mortalità inferiore - e veloce. Consentirebbe anche un'allocazione delle risorse migliore - e più equa - ad esempio di scarse attrezzature mediche (come kit di test, maschere protettive e letti ospedalieri) o altre risorse.

Le strategie di de-confinamento nelle fasi successive di una pandemia - un passaggio chiave successivo per Covid-19 nella maggior parte dei paesi - possono trarre vantaggio in modo simile. Decidere con quali persone avviare il processo di de-confinamento è, per sua natura, un problema di classificazione simile ai problemi di classificazione familiari alla maggior parte delle aziende basate sui dati. Alcuni governi si stanno già avvicinando al de-confinamento usando l'età come indicatore del rischio, una classificazione relativamente rozza che potenzialmente manca di altri individui ad alto rischio (come l'esempio sopra di giovani sani che vivono con gli anziani).

L'esecuzione di una classificazione basata su dati e modelli di previsione dell'IA potrebbe portare a decisioni di de-confinamento sicure a livello di comunità e molto meno costose per l'individuo e l'economia. Sappiamo che una caratteristica chiave del Covid-19 è che ha un tasso di trasmissione eccezionalmente alto, ma anche sintomi gravi o tasso di mortalità relativamente bassi. I dati indicano che forse più del 90% delle persone infette è asintomatico o presenta sintomi lievi quando infettato.

In teoria, con una previsione attendibile di chi siano questi 90%, potremmo delimitare tutti questi individui. Anche se si dovessero infettare a vicenda, non avrebbero sintomi gravi e non sopraffarrebbero il sistema medico o moriranno. Queste persone delimitate a basso rischio clinico al 90% aiuterebbero anche a sviluppare rapidamente l'immunità alle alte mandrie, a quel punto il restante 10% potrebbe anche essere delimitato.

Leggi la storia completa qui ...