Google Earth AI применила геопространственные foundation-модели к глобальному здравоохранению — на пяти независимых исследованиях

Что именно предложили

Решения в области общественного здравоохранения опираются на своевременные и гранулярные данные: они показывают, где концентрировать ресурсы при хронических болезнях вроде сердечно-сосудистых заболеваний или послеродовой депрессии и как действовать при острых вспышках — денге или холере. Но классический эпидемиологический надзор упирается в ограничения самих данных: отчётность отстаёт на годы, данные заперты внутри жёстких геополитических границ и часто просто разрежены, а традиционные модели требуют дорогого сбора и инженерии данных под каждую задачу.

Google Research предлагает смотреть на это иначе — через планетарные геопространственные foundation-модели. На примере PDFM исследователи показывают, что самообучаемые представления «места» можно напрямую встраивать в уже существующие эпидемиологические и статистические модели как готовый вход, не строя новый пайплайн с нуля. Без дообучения под конкретную задачу такие embeddings либо повторяли, либо превосходили традиционные входные данные — при самых разных заболеваниях, географических условиях и типах эпидемиологических задач.

Как устроена PDFM

PDFM — часть Google Earth AI, набора геопространственных моделей, которые связывают спутниковые снимки, погоду, анонимные поисковые тренды, мобильность людей и другие динамики населения. Методом самообучения модель синтезирует несколько приватных сигналов в компактные эмбеддинги, работающие как «отпечатки» локаций с ежемесячным обновлением. Среди источников — агрегированные поисковые тренды (частота запросов, к которым сообщество проявляет интерес), плотность и «загруженность» застроенной среды (аптеки, клиники, парки) и средовые детерминанты: погода высокого разрешения и метрики качества воздуха.

Сама по себе ценность такого подхода не нова — предыдущие работы показали, что эмбеддинги PDFM не зависят от задачи и хорошо заполняют пробелы в широком наборе метрик здоровья CDC. Но заявлять о новой парадигме для глобального здравоохранения — это повышенная планка доказательств, поэтому исследователи пошли проверять модель на более широком наборе болезней и в разных средах по всему миру.

Пять независимых исследований партнёров

Вакцинация против кори (иммунизация). Mount Sinai Health System и Boston Children's Hospital проверяли экстраполяцию через границу. В 146 округах США в пределах 150 км от канадской границы модели, обученные только на местных данных, плохо предсказывали охват вакцинацией; добавление канадских эмбеддингов Forward Sortation Area дало +36% относительного прироста объяснённой дисперсии (с 0,159 до 0,216, статистически значимо) — доля объяснённой вариации охвата MMR выросла с 16% до 22%, а оценки охвата уточнились минимум на 3 процентных пункта для 4,7 млн жителей приграничья.

Сердечно-сосудистые заболевания. Сердечно-сосудистые болезни ежегодно уносят более 916 тыс. жизней в США, но официальные данные по округам отстают на 1–2 года, а ковариаты American Community Survey отражают условия двух-трёхлетней давности. Партнёры из NYU Grossman School of Medicine проверили, может ли PDFM заменить эти переписные входы при оценке смертности текущего года примерно по 3 100 округам. Разница оказалась статистически незначимой: средняя ошибка 18,7 против 19,1 смерти на округ, при этом крупные выбросы по округам (RMSE) сократились на 20% — с 57,7 до 46,0. Эмбеддинги PDFM построены всего на одном месяце данных и доступны в 17 странах, тогда как ACS покрывает только США.

Денге. Вместе с Университетом Оксфорда и Tecnológico de Monterrey модель сочетали с открытой моделью временных рядов TimesFM 2.0, чтобы прогнозировать число случаев денге примерно в 2 450 муниципалитетах Мексики в 2020–2025 годах. Наибольший выигрыш дал горизонт в один месяц: точность улучшалась вплоть до 72% муниципалитетов с активной передачей, суммарное снижение ошибки оказалось в 3,4 раза больше ухудшений, а статистически значимый выигрыш по метрике Weighted Interval Score составил −0,0051 (меньше — лучше).

Послеродовая депрессия. Скрининг материнского психического здоровья обычно опирается на клинические данные приёма и редко учитывает условия сообщества. Исследователи из University of Washington оценили эмбеддинги PDFM на 332 970 участницах национального опроса CDC PRAMS. Кроме того что модель уловила социально-экономические условия на уровне сообщества (R² = 0,45), добавление эмбеддингов дало устойчивый, статистически значимый прирост прогноза риска: AUC +0,0020 в уже знакомых штатах и +0,0038 — в тех, которых модель при обучении не видела. Этот переносимый контекст восстанавливает около 15% предсказательной силы собственных данных о доходе и страховке матери, когда их нет. В симуляциях для систем, охватывающих 20% самых рискующих, PDFM помогла ежегодно доходить до 5 640 дополнительных сельских матерей; для систем, стремящихся поймать 80% случаев, она сократила 17 723 ложных срабатывания в год.

Холера. Раннее предупреждение о водных эпидемиях критично для заблаговременной доставки вакцин и чистой воды, но вспышки редки: в любую неделю менее 1 из 100 из 403 зон здоровья ДР Конго фиксирует начало вспышки — и именно эта редкость мешает их предсказывать. По запросу регионального офиса ВОЗ для Африки (WHO AFRO) на данных национального надзора IDSR проверяли облегчённую, малосресурсную версию PDFM, адаптированную под регионы со слабой связью. На горизонте одной-двух недель PDFM не помогала, но на четырёх-восьми неделях давала значимый выигрыш: +9,7% по площади под кривой Precision-Recall на четырёх неделях, +18,1% по Precision@5 на восьми неделях (с 1,78 до 2,10 верных попаданий в неделю) и +19,3% Precision@5 в эндемичных зонах.

Ограничения и доступность

Сами авторы обозначают границу: текущее ограничение — статичные снимки эмбеддингов, и именно оно двигает исследования к временно динамичным представлениям и переносу между географиями для плохо подключённых регионов. Иными словами, PDFM — не замена клиническим данным на коротком горизонте, а дополнительный слой контекста там, где исторических данных мало или они устарели.

Коммерчески эмбеддинги PDFM доступны в Preview как Population Dynamics Insights — набор геопространственных эмбеддингов в Google Maps Platform. Академические и общественные исследователи здоровья могут запросить бесплатный доступ для отдельных неоперационных исследовательских задач.