Francesca Dominici是哈佛大学公共卫生学院生物统计学、人口与数据科学的Clarence James Gamble教授，也是哈佛数据科学计划的教务主任。她和她的研究团队正在开发人工智能（AI）和机器学习模型，以支持他们在提高人们对环境压力和极端天气事件造成的健康威胁的抵抗力方面的工作。他们还在研究AI的碳足迹，并开发负责任和可持续部署AI的方法。她最近谈到了她在《自然》杂志上合著的一篇论文，该论文探讨了类似的方法如何能够在传染病爆发期间为决策提供信息。
问：在传染病爆发期间进行建模时会出现哪些挑战，AI如何提供帮助？
答：在疫情初期以及感染波次进展过程中，关键的挑战之一是回答关于病原体严重性和传播性的问题。
在传统的流行病学分析中，这些问题可以通过严格控制的研究来回答。然而，尽管通过接触追踪等方式对疫情进行了大量记录，数据的独特性确保了真实的疫情过程并不完美地被观察到。
实际的感染链及其发生地点通常是模糊的——个体可能访问多个地点并遇到不同的人，其中一些人可能是感染者但尚未出现症状——这使得仅从观察数据直接测量潜伏期或传播强度等量变得具有挑战性。
AI可以通过数据处理和分析、速度和效率、提高准确性以及整合多种数据源（如健康记录、实时监测数据和环境因素）来创建更全面和准确的疫情预测，从而加速在回答关键流行病学问题方面的突破。
问：数据质量和可用性在AI驱动的疫情模型的有效性中扮演什么角色？
答：数据质量是关键——我们必须用能够捕捉传染病特征的代表性数据来训练AI模型。好消息是，新的AI方法可以越来越多地在有限的数据下表现良好。达到最先进的性能不再需要数月的初始训练或大量的数据。
评估疫情中的人员行为很难，但如果拥有相关数据，AI模型可以轻松地考虑这些行为。例如，在COVID-19疫情期间，人们移动的数据以及接种疫苗、戴口罩和避免聚集的意愿数据得到了广泛使用和分析。AI可以快速学习并考虑到这些相互作用过程的复杂性。
问：在使用AI为传染病预防和控制工作提供信息时应考虑哪些伦理问题？
答：一组问题涉及AI工具公平地供公共卫生当局使用的重要性。这将取决于在监测和分析中的合作方法中专业知识的发展和共享。
另一组问题涉及AI工具如何在公共卫生政策的设计和实施中部署。COVID-19的一个重要教训是，所有政策决定本质上都是带有强烈伦理成分的价值判断，例如关于疫苗分配或数字接触追踪中隐私和自由的限制。这些判断必须经过审议，并且需要合理和负责。
在论文中，我们讨论了来自AI的新方法如何改进关键数据的收集和合并，以及它们如何纳入决策框架以改善人群健康。这些进步也必须是公平的，以避免加深健康不平等。
证明AI在改善有利于人群健康的政策决策方面的有效性仍然是最大的挑战之一。为了在这方面取得成功，未来几年将越来越需要研究人员、政策制定者和社会之间的密切合作。
(全文结束)
