Googleは、Google Earth AIのエコシステムを通じて、公衆衛生における人工知能と衛星画像の活用を拡大している。その目的は、研究者や保健当局がリスク地域を発見し、疾病の動向が大規模な危機に発展する前に予測できるよう支援することだ。この取り組みは、地域の保健データを環境シグナル、宇宙からの画像、人の移動データ、地理的基盤モデルと統合することに基づいている。
Googleによると、これらのツールは保健対応において繰り返し生じる2つの問題、すなわち報告の遅れと、従来の地理データではカバーされていない地域の存在に対処する。流行が始まった後に情報がそろうのを待つのではなく、チームは予測モデルを使って、最もリスクにさらされているコミュニティを特定し、疾病がたどる可能性のある経路を推定できる。
エボラ出血熱の流行中にツールを検証
コンゴ民主共和国でエボラ出血熱が流行した際、Googleは世界保健機関（WHO）アフリカ地域事務局および同国の国立生物医学研究所にあるモデリング・疫学インテリジェンス部門と協力した。パートナーは、2つの初期研究モデルを使用した。自然言語による会話を通じて空間マッピング処理を実行できる地理推論エージェントと、惑星規模の疾病予測エンジンである。
WHOのチームはこのエージェントを使い、曝露リスクと高い人の移動が重なる遠隔地の採掘回廊を特定した。Googleによると、チームは数分以内にリスクにさらされている48の集落と45,500人を超える住民を特定した。これは手作業では数週間かかる作業だった。この結果は、移動式研究所の配備計画や国境監視の調整に役立った。
またGoogleは、コンゴ側の部門とともに、感染者が確認されていない地域へエボラ出血熱が広がる可能性を推定する週次モデルを開発した。このモデルは、人の移動の流れ、過去の症例の傾向、Earth AIのデータに基づいている。同社によれば、これらの推定により、新たな地域に症例が到達する前に計画を立てるための追加の時間が得られる。
急性の流行から、より広範な健康予測へ
活用例は感染症に限られない。Population Dynamics Foundation Model（PDFM）は、集計された検索動向、人の移動パターン、環境を組み合わせ、コミュニティの高精度かつ継続的に変化する姿を作り出す。NYU Langone Healthの研究者は、これらのシグナルを用いて同じ年における心血管疾患による死亡を推定し、一部のケースでは従来の手法と同等またはそれ以上の性能を示した。
別の研究では、米国とカナダの国境の両側における行動パターンが、米国の郡における麻疹・おたふく風邪・風疹の予防接種率の推定改善に役立った。また、PDFMと地域の気候モデルを組み合わせることでメキシコにおけるデング熱の流行予測が改善した。一方、疫学記録とPDFMを統合することで、コンゴ民主共和国でコレラのリスクがある地域を、最大8週間前に特定する能力が向上した。
実際に何が変わるのか
実際の価値は、分散した地理・人口データを、優先順位付けに利用できるシグナルへと変換することにある。すなわち、移動チームをどこに派遣するか、どの地域に国境監視が必要か、蚊の幼虫対策などの早期予防介入をどこで実施できるかを判断できるようになる。ただし、これらのツールが地域データや保健の専門知識を不要にするわけではない。これらは既存の監視システムを補完すべき研究・予測モデルであり、現地での検証や医療上の意思決定に取って代わるものではない。
Googleは現在、商用組み込み向けのPDFMデータを、Google Maps Platform内のPopulation Dynamics Insightsという名称でプレビュー提供している。また研究者は、特定の用途について無料アクセスを申請できる。資格を満たす機関は、Google Maps Platformの一般プログラムを通じてGoogle Earthのクレジットを申請できる。同社はまた、Google.orgが、地域の検査体制と疾病監視の近代化を支援するため、コンゴ国立研究所に資金を提供したと述べた。