Nuovo strumento per prevedere le malattie infettive

Modelli linguistici di grandi dimensioni per prevedere il rischio

Si chiama PandemicLLM, il nuovo strumento di intelligenza artificiale basato sui modelli linguistici di grandi dimensioni (Llm) - la stessa tecnologia alla base dell'intelligenza artificiale generativa come ChatGPT - messo a punto dai ricercatori delle università Johns Hopkins e Duke, con il supporto del governo federale, per prevedere la diffusione delle malattie infettive. Il nuovo strumento supera le attuali metodologie di previsione più avanzate e potrebbe rivoluzionare il modo in cui le autorità sanitarie pubbliche prevedono, monitorano e gestiscono le epidemie di malattie infettive, come l'influenza e il Covid-19. Lo studio è stato appena pubblicato su Nature Computational Science.
“La pandemia di Covid-19 ha messo in luce la difficoltà di prevedere la diffusione delle malattie a causa dell'interazione di fattori complessi e in continuo cambiamento”, ha spiegato Lauren Gardner della Johns Hopkins, esperta di modellizzazione e autrice del celebre cruscotto sul Covid-19 consultato in tutto il mondo durante la pandemia. “Quando le condizioni erano stabili, i modelli funzionavano. Ma con l'emergere di nuove varianti o il cambiamento delle politiche, non riuscivamo a prevedere gli esiti perché non avevamo la capacità di includere nel modello tipi di informazioni critiche. Questo nuovo strumento colma quella lacuna”.
Durante la pandemia da coronavirus, infatti la tecnologia alla base di questo nuovo strumento, cioè i modelli linguistici di grandi dimensioni, non esisteva ancora. Il nuovo modello, invece di trattare la previsione come un semplice problema matematico, “ragiona” sul problema, considerando input come picchi recenti di infezioni, nuove varianti e obblighi di mascherina.
I ricercatori hanno fornito al modello flussi di dati, inclusi alcuni mai usati prima nei sistemi predittivi, scoprendo che PandemicLLM è in grado di prevedere con precisione i modelli di diffusione della malattia e le tendenze dei ricoveri da una a tre settimane, superando costantemente altri strumenti, inclusi i migliori modelli del CovidHub del Cdc.
“Una delle grandi sfide nella previsione delle malattie è capire cosa genera i picchi di infezioni e ricoveri e riuscire a integrare queste nuove fonti di informazione nei modelli”, ha aggiunto Gardner.
Il modello si basa su quattro tipologie di dati: dati spaziali a livello statale, inclusi informazioni demografiche, sul sistema sanitario e affiliazioni politiche; serie temporali epidemiologiche, come casi segnalati, ricoveri e tassi di vaccinazione; dati sulle politiche sanitarie pubbliche, come il livello di restrizione e i tipi di misure adottate; dati di sorveglianza genomica, relativi alle caratteristiche delle varianti e alla loro prevalenza.
Dopo aver “assimilato” queste informazioni, il modello è in grado di prevedere come i diversi elementi interagiranno influenzando l'evoluzione della malattia.
Per testarne l'efficacia, il team ha applicato retroattivamente il modello alla pandemia di Covid-19, analizzando ogni singolo stato Usa per un periodo di 19 mesi. Rispetto ad altri strumenti, PandemicLLM si è dimostrato particolarmente efficace durante le fasi più instabili dell'epidemia.
“Tradizionalmente usiamo il passato per prevedere il futuro”, ha spiegato Hao “Frank” Yang, professore associato di Ingegneria Civile e dei Sistemi alla Johns Hopkins e coautore dello studio. “Ma ciò non fornisce al modello informazioni sufficienti per comprendere e prevedere l'andamento. Questo nuovo approccio, invece, sfrutta tipi inediti di informazioni in tempo reale”.
Con i dati adeguati, il modello può essere adattato a qualsiasi malattia infettiva, come l'influenza aviaria, il vaiolo delle scimmie (monkeypox) e l'Rsv.
Il team sta ora esplorando il potenziale dei Llm per replicare i processi decisionali delle persone in ambito sanitario, con l'obiettivo di supportare le autorità nel progettare politiche più sicure ed efficaci.
“Covid-19 ci ha insegnato che abbiamo bisogno di strumenti migliori per definire politiche più mirate”, ha concluso Gardner. “Ci sarà un'altra pandemia, e strumenti di questo tipo saranno fondamentali per sostenere la risposta sanitaria pubblica”.