ग्लोबल पब्लिक हेल्थ के लिए पृथ्वी AI के ग्रह-स्तरीय भूस्थानिक फाउंडेशन मॉडल को खोलना
Earth AI PDFM आपूर्ति स्थान embeddings जो सार्वजनिक स्वास्थ्य टीमों को टीकाकरण, बीमारी और मातृ देखभाल में डेटा अंतराल और देरी को कम करने में मदद करती है।
मुख्य जानकारी
- Google Earth AI Population Dynamics Foundation Models Population Dynamics Foundation Model (पीडीएफएम) गोपनीयता-संरक्षण, मासिक-ताजा भूस्थानिक स्थान embeddings प्रदान करता है जो मौजूदा सार्वजनिक स्वास्थ्य और महामारी विज्ञान कार्यप्रवाहों में प्लग इन करने के लिए डेटा लैग्स, साइलो और विरलता को कम करता है।
- पांच साझेदार मामले के अध्ययनों से पता चलता है कि पीडीएफएम विभिन्न स्वास्थ्य कार्यों का समर्थन कर सकता है, जिसमें एमएमआर टीकाकरण कवरेज, हृदय मृत्यु दर की भविष्यवाणी, डेंगू पूर्वानुमान, प्रसवोत्तर अवसाद जोखिम अनुमान और कोलेरा प्रतिक्रिया योजना शामिल हैं।
- अमेरिका-कनाडा सीमावर्ती काउंटी में, एमएमआर मॉडल के लिए कनाडाई स्थान embeddings को जोड़ने से 36% द्वारा समझाया गया विचलन में सुधार हुआ और 4.7 मिलियन निवासियों के लिए परिष्कृत वैक्सीन कवरेज अनुमान।
- अमेरिकी काउंटी-स्तरीय हृदय रोग से होने वाली मौतों के लिए, पीडीएफएम आधारित मॉडल ने जनगणना-आधारित मॉडलों की तुलना में प्रदर्शन किया और बड़ी-काउंटी त्रुटियों को कम कर दिया, यह सुझाव देते हुए कि वे पुराने आधिकारिक सहसंयोजकों का स्थान ले सकते हैं।
- टाइम्सएफएम 2.0 के साथ मिलकर, पीडीएफएम ने मैक्सिको में सक्रिय संचरण नगर पालिकाओं की 72% तक एक महीने के डेंगू पूर्वानुमान में सुधार किया, जिससे वेक्टर नियंत्रण और नैदानिक स्टाफिंग का मार्गदर्शन करने में मदद मिली।
मेटा विवरणः Google Research के 6 अक्टूबर, 2026 केस स्टडीज से पता चलता है कि Earth AI PDFM एमएमआर, हृदय रोग, डेंगू, प्रसवोत्तर अवसाद और कोलेरा सार्वजनिक स्वास्थ्य कार्यप्रवाह का समर्थन करता है।
टैगः पीडीएफएम, Google Earth AI, सार्वजनिक स्वास्थ्य, महामारी विज्ञान, भू-स्थानिक AI
विशेष रुप से प्रदर्शित छवि: (अंग्रेज़ी में) ">"</string> नक्शे की टाइलों से बने एक नरम ग्लोब का अमूर्त मैत्रीपूर्ण चित्रण, खोज, गतिशीलता, मौसम और क्लिनिक आइकन कोमल चाप द्वारा जुड़े हुए हैं, कोई वास्तविक लोग नहीं, कोई लोगो, कोई पाठ नहीं।
6 अक्टूबर को 2026, Arbaaz Muslim और Gautam Prasad, software इंजीनियरों ने Google Research में पांच भागीदार-संचालित केस स्टडीज प्रस्तुत किए जिसमें दिखाया गया है कि डेटा अंतराल और रिपोर्टिंग देरी को कम करने के लिए Google Earth AI Population Dynamics Foundation Model या पीडीएफएम को मौजूदा महामारी विज्ञान कार्यप्रवाह में कैसे डाला जा सकता है। यह काम सार्वजनिक स्वास्थ्य टीमों के लिए एक परिचित समस्या का समाधान करता हैः हृदय रोग समर्थन, मातृ मानसिक स्वास्थ्य स्क्रीनिंग, डेंगू प्रतिक्रिया, कोलेरा पूर्व स्थिति और टीकाकरण कवरेज के बारे में निर्णय समय पर स्थान-स्तरीय आंकड़ों पर निर्भर करते हैं, लेकिन पारंपरिक निगरानी अक्सर देर से होती है, सीमाओं द्वारा सीलो की जाती है, दुर्लभ या तेजी से प्रकोप के दौरान तैनात करना मुश्किल होता है।
स्वास्थ्य में ट्रैकिंग AI करने वाले पाठकों के लिए, सवाल यह नहीं है कि क्या पीडीएफएम महामारी विज्ञानियों की जगह लेता है। यह इस बात पर निर्भर करता है कि पूर्व-प्रशिक्षित स्थान प्रतिनिधित्व पहले से ही उपयोग किए जाने वाले सांख्यिकीय और machine learning मॉडल को सुधारने के लिए तैयार इनपुट के रूप में कार्य कर सकते हैं जो स्वास्थ्य अधिकारियों का उपयोग करते हैं, प्रत्येक नई बीमारी या क्षेत्र के लिए एक कस्टम डेटा पाइपलाइन बनाने के बिना।
क्यों पीडीएफएम सार्वजनिक स्वास्थ्य कार्यप्रवाह में प्रवेश करता है
पारंपरिक महामारी विज्ञान निगरानी को तीन आवर्ती बाधाओं का सामना करना पड़ता हैः बहु-वर्षीय रिपोर्टिंग अंतराल, कठोर भूराजनीतिक सीमाओं द्वारा डेटा साइलो और डेटा विरलता। यहां तक कि जब उन प्रतिबंधों को कम किया जाता है, तो पारंपरिक मॉडलिंग के लिए व्यापक कार्य-विशिष्ट डेटा संग्रह और कस्टम इंजीनियरिंग की आवश्यकता हो सकती है, जो डेंगू या हैजा जैसे तीव्र प्रकोप के लिए बहुत धीमा हो सकता है और संसाधन-सीमित सेटिंग्स के लिए भी महंगा होता है।
Google का उत्तर वैश्विक सार्वजनिक स्वास्थ्य के लिए एक ग्रह भू-स्थानिक foundation model प्रतिमान है। पीडीएफएम Google Earth AI का हिस्सा है, जो उपग्रह इमेजरी, मौसम, गुमनाम खोज रुझानों, मानव गतिशीलता और अन्य जनसंख्या गतिशीलताओं को जोड़ने वाले भौगोलिक मॉडल का एक सूट है। स्व-निरीक्षित सीखने के माध्यम से, पीडीएफ़एम गोपनीयता-संरक्षण संकेतों को कॉम्पैक्ट स्थान में संपीड़ित करता है जिसे मासिक रूप से ताज़ा किया जाता है। सिग्नल में विषयों और संसाधनों में सामुदायिक स्तर की रुचि को दर्शाने वाले एकत्रित खोज प्रवृत्तियां शामिल हैं; फार्मेसियों, क्लीनिकों और पार्कों जैसे स्थानों के घनत्व और व्यस्तता का वर्णन करने वाला निर्मित पर्यावरण और गतिशील डेटा; और उच्च रिज़ॉल्यूशन और वायु गुणवत्ता मैट्रिक्स जैसे पर्यावरणीय निर्धारक।
शोधकर्ताओं को स्वयं उन कच्चे धाराओं को इकट्ठा करने और संसाधित करने की आवश्यकता के बजाय, पीडीएफएम ऑफ-द-शेल्फ स्थान embeddings प्रदान करता है जिसे मौजूदा स्वास्थ्य-विज्ञान और महामारी विज्ञान कार्यप्रवाह में प्लग किया जा सकता है। पिछले काम से पता चला कि embeddings , सीडीसी स्वास्थ्य मैट्रिक्स की एक विस्तृत विविधता में अंतराल भरने पर टास्क-अज्ञेयवादी हैं और दृढ़ता से प्रदर्शन करते हैं। नए अध्ययन सबूत का बोझ उठाते हैंः वे पूछते हैं कि क्या समान प्रतिनिधित्व विभिन्न बीमारियों, देशों, संसाधन सेटिंग्स और epidemiological कार्यों में मदद कर सकते हैं।
पांच केस स्टडी में क्या पाया गया?
वैलिडेशन मैट्रिक्स में टीकाकरण, गैर-संचारी रोग, वेक्टर जनित रोग, मानसिक स्वास्थ्य और जलजनित रोग शामिल हैं। प्रत्येक मामले का मूल्यांकन बाहरी भागीदारों के साथ किया गया था।
- एमएमआर टीकाकरण, सीमा-पार अतिरिक्त। Google Earth AI और Population Dynamics Foundation Model के अस्पताल ने कनाडाई सीमा से 150 किमी के भीतर 146 अमेरिकी काउंटियों का अध्ययन किया। घरेलू-केवल मॉडल अक्सर स्थानीय वैक्सीन ग्रहण की भविष्यवाणी करने के लिए संघर्ष करते हैं, लेकिन शोधकर्ताओं ने क्रॉस-बॉर्डर मोबिलिटी और सूचना स्पिलओवर को पकड़ने के लिए यूएस काउंटी embeddings में Canadian Forward Sortation Area embeddings जोड़ा। समझाया गया विचलन में सापेक्ष लाभ 36% था, 0.159 से बढ़कर 0.216, सांख्यिकीय रूप से महत्वपूर्ण है। सीमा पार संदर्भ ने एमएमआर टीकाकरण कवरेज अनुमानों को कम से कम 3 प्रतिशत अंक तक परिष्कृत किया 4.7 मिलियन सीमा निवासी, सार्वजनिक स्वास्थ्य अधिकारियों को खसरे के प्रकोप के जोखिम वाले समुदायों की पहचान करने में मदद कर रहे थे।
- कार्डियोवैस्कुलर रोग, मृत्यु दर अबकास्टिंग और इंटरपोलेशन। चिकित्सा विभाग ने Population Health पर NYU Grossman School में पीडीएफएम का परीक्षण किया United States। कार्डियोवैस्कुलर बीमारी अमेरिका में प्रति वर्ष 916,000 से अधिक जीवन का दावा करती है, फिर भी आधिकारिक काउंटी-स्तरीय मृत्यु दर के आंकड़े National Vital Statistics System आमतौर पर 1-2 साल तक पीछे रह जाते हैं, और American Community Survey सहसंयोजक अतीत में 2-3 वर्षों तक की स्थितियों को दर्शा सकते हैं। 2023 काउंसिल-स्तर हृदय रोग मौतों के लिए, PDFM आधारित मॉडलों ने जनगणना-आधारित मॉडल के लिए 19.1 मौतों की तुलना में, प्रति काउन्टी 26 मौतें की एक औसत पूर्ण त्रुटि उत्पन्न की। रूट मीन स्क्वायरड एरर या आरएमएसई, 46.00 बनाम 57.69 था। अंतर सांख्यिकीय रूप से महत्वपूर्ण नहीं थे, यह सुझाव देते हुए कि पीडीएफ़एम जनगणने के इनपुट के विकल्प के रूप में काम कर सकता है जब डेटा पुराने हो गए हों या अनुपलब्ध न हों। PDFM संस्करण ने बड़ी त्रुटियों के बारे में भी कम कर दिया [330] 57.7 46.0.
- डेंगू के प्रकोप, लघु क्षितिज संभावनावादी पूर्वानुमान। ऑक्सफोर्ड विश्वविद्यालय और टेक्नोलोजिको डे मोंटेरे के शोधकर्ताओं ने पीडीएफएम को टाइम्स एफएम 2.0, एक खुली समय-श्रृंखला foundation model के साथ जोड़ा, लगभग 2,450 मैक्सिकन नगर पालिकाओं में डेंगू मामले की गणना का पूर्वानुमान लगाने के लिए। 2020 से 2025 तक। एक महीने के पूर्वानुमाना लाभ सांख्यिकीय रूप से महत्वपूर्ण था: परिवर्तन Weighted Interval Score -0.0051, जहां कम बेहतर है। सक्रिय संचरण नगरपालिकाओं में सटीकता में सुधार हुआ, और कुल त्रुटि में कमी गिरावट से 3.4 गुना अधिक थी। लाभ सक्रिय प्रसारण हॉटस्पॉट पर केंद्रित थे, जहां अल्पकालिक भविष्यवाणियां वेक्टर नियंत्रण और नैदानिक स्टाफिंग निर्णयों का समर्थन कर सकती हैं।
- प्रसवोत्तर अवसाद, व्यक्तिगत जोखिम पूर्वानुमान। वाशिंगटन विश्वविद्यालय में इंस्टीट्यूट ऑन Human Development एंड डिसेबिलिटी ने पीडीएफएम embeddings का परीक्षण 332,970 उत्तरदाताओं के साथ, CDC PRAMS राष्ट्रीय सर्वेक्षण का उपयोग करके किया। AUC मापता है कि एक मॉडल कम जोखिम वाले लोगों पर उच्च-जोखिम वाले मामलों को कितनी अच्छी तरह से रैंक करता है। R2 = 0.45 और इन विवरणों की अनुपलब्ध होने पर आय और बीमा रिकॉर्ड के पूर्वानुमानित संकेत के लगभग 15% बरामद किए गए थे। सिमुलेशन में जहां एक स्वास्थ्य प्रणाली सबसे अधिक जोखिम वाली माताओं के साथ अनुवर्ती होती है, PDFM हर साल प्रसवोत्तर अवसाद प्रणालियों के साथ अधिक ग्रामीण माताओं तक पहुंचने में मदद करती है। इसके सभी मामलों को पकड़ने के उद्देश्य से, झूठे अलार्म प्रतिवर्ष कटौती करते हैं।
- कोलेरा के उद्भव, प्रकोप की शुरुआत का पूर्वानुमान। WHO AFRO, अफ्रीका के लिए World Health Organization Regional कार्यालय ने कांगो की Integrated Disease Surveillance और प्रतिक्रिया रिपोर्टिंग से राष्ट्रीय निगरानी डेटा का उपयोग किया, जिसमें 89 सप्ताह में 403 स्वास्थ्य क्षेत्रों को शामिल किया गया था। मौखिक हैजा वैक्सीन और स्वच्छ पानी की आपूर्ति को पूर्व-स्थापना करने के लिए कोलेरा प्रारंभिक चेतावनी महत्वपूर्ण है, लेकिन प्रकोप दुर्लभ हैंः किसी भी दिए गए सप्ताह में, देश के 100 स्वास्थ्य क्षेत्रों में से 1 से कम एक शुरू होता है। अध्ययन ने internet कनेक्टिविटी वाले क्षेत्रों के लिए अनुकूलित पीडीएफएम के हल्के, कम संसाधन संस्करण का परीक्षण किया। रिपोर्ट किए गए सापेक्ष लाभ सांख्यिकीय रूप से महत्वपूर्ण थेः +9.7% में Area Under परिशुद्धता - 4.7 4 हफ्तों में, +18.1% 8 सप्ताह में सटीक @ 5 और +19.3% endemic health zones में Precision@5 उपाय मॉडल के पांच उच्चतम जोखिम वाले क्षेत्रों का हिस्सा जो वास्तव में हर हफ्ते एक प्रकोष हुआ।
परिणाम क्या सुझाव देते हैं
कुछ सेटिंग्स में, पीडीएफएम एक स्टैंड-इन के रूप में कार्य कर सकता है जब आधिकारिक डेटा बहुत पुराना होता हैः कार्डियोवैस्कुलर अध्ययन ने embeddings का उपयोग करते हुए जनगणना-आधारित नॉवकास्टिंग की तुलनात्मक सटीकता पाई जो एक महीने के आंकड़ों से बनाई गई थी, और पीडीएफ़एम 17 देशों में उपलब्ध है जबकि एसीएस केवल 21 को कवर करता है। अन्य सेटअपों में, यह संदर्भ जोड़ सकता है कि घरेलू डेटा याद आ रहा हैः एमएमआर अध्ययन ने सीमा पार व्यवहारिक और गतिशीलता स्पिलओवर पर कब्जा किया जो स्थानीय वैक्सीन ग्रहण को प्रभावित कर सकते हैं।
डेंगू, मातृ मानसिक स्वास्थ्य और कोलेरा के मामले पहले परिचालन कार्रवाई की ओर इशारा करते हैं। सक्रिय संचरण हॉटस्पॉट में डेंग्यू पूर्वानुमान अधिक उपयोगी हो गए, जहां वेक्टर नियंत्रण और नैदानिक स्टाफिंग के लिए समय मायने रखता है। पोस्टपार्टम डिप्रेशन स्क्रीनिंग समुदाय-स्तरीय संदर्भ का उपयोग करके व्यक्तिगत सेवन डेटा से परे चला गया, अदृश्य राज्यों में हस्तांतरणीय लाभ और संसाधन आवंटन सिमुलेशन में बेहतर रैंकिंग के साथ।
साक्ष्य की अभी भी सीमाएं हैं। प्रसवोत्तर अवसाद के लिए एयूसी लाभ पूर्ण रूप से छोटे हैं, और जनगणना-आधारित मॉडलों की तुलना में हृदय संबंधी अंतर सांख्यिकीय रूप से महत्वपूर्ण नहीं थे। काम को एक व्यापक प्रतिमान के लिए अवधारणा के प्रमाण के रूप में प्रस्तुत किया गया है, न कि स्वचालित सार्वजनिक स्वास्थ्य निर्णय प्रणाली के तौर पर।
आगे क्या देखना है
अगला प्रश्न यह है कि क्या स्वास्थ्य विभाग स्थानीय निगरानी, प्रयोगशाला रिपोर्टों, नैदानिक रिकॉर्ड और परिचालन बाधाओं के साथ-साथ पीडीएफएम embeddings को नियमित भौगोलिक इनपुट के रूप में मान सकते हैं। यह इस बात पर निर्भर करेगा कि विभिन्न गोपनीयता धारणाओं के तहत embeddings कैसे व्यवहार करता है, तेजी से बढ़ते प्रकोप के दौरान मासिक ताज़ा गति कितनी उपयोगी होती है, और स्थान सिग्नल उन क्षेत्रों में स्थानांतरित होते हैं जहां खोज, गतिशीलता और पर्यावरणीय डेटा विरल या असमान रूप से एकत्र किए जाते हैं।
अभी के लिए, कहानी एकीकरण के बारे में है: पीडीएफएम को पुनः प्रयोज्य संदर्भ परत के रूप में तैनात किया गया है जो उन्हें बदलने की बजाय मौजूदा महामारी विज्ञान मॉडल को बढ़ा सकता है। पांच मामले अध्ययनों से पता चलता है कि जहां उस परत ने सीमा पार पैटर्न पर कब्जा करने, पुरानी जनगणना इनपुट पर निर्भरता कम करने, लघु क्षितिज पूर्वानुमान तेज करने, मातृ मानसिक स्वास्थ्य स्क्रीनिंग का समर्थन करने और कोलेरा जोखिम रैंकिंग में सुधार करने में मदद की।

Comments (0)