أداة ذكاء اصطناعي جديدة تعيد تصور توقعات الأمراض المعدية وتتفوق على طرق التوقع الحالية

أداة ذكاء اصطناعي جديدة تعيد تصور التنبؤ بأمراض العدوى وتتفوق على الأساليب الحديثة أعد باحثون من جامعتي جونز هوبكنز ودوك أداة ذكاء اصطناعي يمكن أن تغيّر طريقة تنبؤ المسؤولين الصحيين وتعقب وإدارة تفشي أمراض العدوى، بما في ذلك الإنفلونزا وكورونا. نُشرت هذه الدراسة في مجلة Nature Computational Science. قالت المؤلفة لورين جاردنر من جامعة جونز هوبكنز، وهي خبيرة في النماذج الرياضية التي أنشأت لوحة بيانات كورونا التي اعتمد عليها الناس في جميع أنحاء العالم خلال الجائحة: "أظهرت جائحة كورونا تحدي التنبؤ بانتشار المرض بسبب التداخل بين العوامل المعقدة التي كانت تتغير باستمرار. عندما كانت الظروف مستقرة، كانت النماذج جيدة. لكن عندما ظهرت سلالات جديدة أو تغيّرت السياسات، كان التنبؤ بالنتائج ضعيفًا لأننا لم نملك قدرات النمذجة لإدراج أنواع المعلومات الحرجة. تسد الأداة الجديدة هذا الفجوة." خلال جائحة كورونا، لم تكن التكنولوجيا التي تعتمدها الأداة الجديدة موجودة. لأول مرة، يستخدم الفريق نموذجًا للغة الكبيرة (Large Language Model - LLM)، وهو النوع من الذكاء الاصطناعي المستخدم بشكل مشهور في ChatGPT، للتنبؤ بانتشار المرض. بدلاً من معاملة التنبؤ كمشكلة رياضية بحتة، يعمل النموذج الجديد، المسمى PandemicLLM، على تحليل المدخلات مثل ارتفاع حالات الإصابة الجديدة، ظهور سلالات جديدة، وسياسات ارتداء الكمامات. قام الفريق بتغذية النموذج بمجموعة متنوعة من المعلومات، بما في ذلك بيانات لم تُستخدم من قبل في أدوات التنبؤ بالأوبئة، ووجدوا أن PandemicLLM يمكنها التنبؤ بدقة بنماذج المرض ومعدلات الدخول إلى المستشفيات لمدة تتراوح بين أسبوع إلى ثلاثة أسابيع، مما يجعلها تتفوق بشكل ثابت على الأساليب الأخرى، بما في ذلك الأدوات الأعلى أداءً على موقع CDC's COVIDHub. قال المؤلف هاو "فرانك" يانغ، أستاذ مساعد في الهندسة المدنية وهندسة الأنظمة في جامعة جونز هوبكنز والمختص بتطوير الذكاء الاصطناعي الموثوق به: "تحدي حاسم في التنبؤ بالأمراض هو محاولة فهم ما يدفع الموجات الجديدة من الإصابات والدخول إلى المستشفيات، وإدماج هذه المعلومات الجديدة في النماذج." بدلاً من الاعتماد على الماضي للتنبؤ بالمستقبل، يستخدم هذا الإطار أنواعًا جديدة من المعلومات الزمنية الحقيقية. يتكون النموذج من أربع أنواع رئيسية من البيانات: 1. البيانات الطبية: تشمل الإصابات الجديدة، حالات الدخول إلى المستشفيات، والوفيات. 2. البيانات الجينومية: تتعلق بالسلالات الجديدة ومدى انتشارها. 3. البيانات الاجتماعية: تشمل سياسات ارتداء الكمامات، القيود الحكومية، ومعنويات السكان. 4. البيانات السلوكية: تتعلق بكيفية تفاعل الأفراد مع المرض والسياسات الصحية. بعد استهلاك هذه المعلومات، يمكن للنموذج التنبؤ بكيفية تداخل العناصر المختلفة وتؤثر على سلوك المرض. لاختبارها، قام الفريق بتطبيق الأداة بشكل رجعي على جائحة كورونا، مع التركيز على كل ولاية أمريكية على حدة على مدى 19 شهرًا. مقارنة ب remaining models، كانت الأداة الجديدة ناجحة بشكل خاص عندما كانت الجائحة في حالة تغير مستمر. يمكن تكييف النموذج مع أي مرض معد بوجود البيانات اللازمة، بما في ذلك إنفلونزا الطيور، الحصبة القردة، وRSV. يعمل الفريق حاليًا على استكشاف قدرة نماذج اللغة الكبيرة على تقليد كيفية اتخاذ الأفراد قرارات بشأن صحتهم، آملين أن يساعد نموذج مثل هذا المسؤولين على تصميم سياسات أكثر أمانًا وفعالية. قالت جاردنر: "علمنا من جائحة كورونا أننا بحاجة إلى أدوات أفضل لتقديم سياسات أكثر فعالية. هناك جائحة قادمة، وهذه الأطر ستكون حاسمة لدعم الاستجابة الصحية العامة." تقييم الحدث من قبل مختصين يُعتبر تطوير هذه الأداة خطوة مهمة في مجال التنبؤ بالأمراض المعدية، حيث يؤكد الخبراء أنه يمكن أن يوفر معلومات دقيقة وراهنة تسهم في تحسين الاستجابة الصحية للأوبئة المستقبلية. تعتبر جامعة جونز هوبكنز من الرائدين في مجال البحث الصحي والتكنولوجي، وتعاونها مع جامعة دوك يعزز من مصداقية المشروع وأهميته العلمية.