Google正通过Google Earth AI体系扩大人工智能和卫星图像在公共卫生领域的应用，旨在帮助研究人员和卫生机构发现风险热点，并在疾病演变成大范围危机之前预测其趋势。该倡议依靠将本地健康数据与环境信号、太空图像、移动数据和地理基础模型相结合。
Google表示，这些工具解决了卫生响应中反复出现的两个问题：报告滞后，以及传统地理数据未覆盖的地区。团队无需等待暴发开始后信息收集完整，便可使用预测模型确定风险最高的社区，并估计疾病可能传播的路径。
埃博拉暴发期间的工具测试
在刚果民主共和国埃博拉暴发期间，Google与世界卫生组织非洲区域办事处以及该国国家生物医学研究院的建模与流行病学情报部门展开合作。合作方使用了两个早期研究模型：地理推理代理，可通过自然语言对话执行空间制图操作；以及疾病行星预测引擎。
世界卫生组织团队使用该代理识别偏远采矿走廊，这些地区同时具有接触风险和较高的人口流动性。据Google称，团队在几分钟内确定了48个面临风险的定居点和超过45,500人，而通过人工方式完成这一过程需要数周。相关结果帮助团队规划移动实验室的部署，并协调边境监测。
Google还与刚果方面的部门共同开发了每周模型，用于估计埃博拉传播至尚未报告病例地区的可能性；模型依据包括人口流动、历史病例趋势和Earth AI数据。据该公司称，这些估计为规划争取了额外时间，使团队能够在病例抵达新地区之前采取行动。
从急性暴发到更广泛的健康预测
这些应用并不局限于传染病。Population Dynamics Foundation Model（PDFM）将汇总的搜索趋势、移动模式和环境数据结合起来，为社区生成一幅高分辨率且持续变化的图景。NYU Langone Health的研究人员利用这些信号估算同年心血管疾病死亡人数；在部分情况下，其表现与传统方法相当或更好。
在其他研究中，美国和加拿大边境两侧的行为模式帮助改进了美国各县麻疹、腮腺炎和风疹疫苗接种率的估计。此外，将PDFM与本地气候模型结合，改善了对墨西哥登革热暴发的预测；而将流行病学记录与PDFM结合，则提高了在刚果民主共和国识别霍乱风险地区的能力，最早可提前八周完成识别。
实际发生了什么变化？
其实际价值在于将分散的地理和人口数据转化为可用于确定优先级的信号：移动团队应派往哪里、哪些地区需要边境监测，以及在哪里可以实施早期预防性干预措施，例如开展蚊虫幼虫防治。但这些工具并不会消除对本地数据或卫生专业知识的需求；它们属于研究和预测模型，应当补充现有监测系统，而不是取代实地核查和医疗决策。
目前，Google已在Google Maps Platform中以Population Dynamics Insights的名称，向商业用户提供处于预览阶段的嵌入式PDFM数据；研究人员也可以申请免费访问权限，用于特定用途。符合条件的机构可以通过Google Maps Platform的公共项目申请Google Earth额度。该公司还表示，Google.org已向刚果国家研究院提供资金，帮助其升级本地检测和疾病监测能力。