研究人员开发了一种基于人工智能（AI）的策略，用于管理危机条件下的公共卫生挑战。他们的研究成果发表在期刊《Computation》上，标题为《在BANI环境中由AI驱动的公共卫生项目成功管理》。
该研究聚焦于乌克兰的前线城市哈尔科夫，并提出了一个详细的AI支持框架，以应对在BANI（脆弱、焦虑、非线性和不可理解）环境中传染病的传播、错误信息的扩散以及公众恐慌的管理问题。
人工智能如何应对疫情、恐慌和错误信息的复杂交织？
研究介绍了一种整合的模拟模型SEIR-Infodemic-Panicdemic，该模型超越了传统的传染病框架，纳入了危机的心理和信息维度。通过使用AI和实时数据处理，该模型模拟了哈尔科夫1500天的公共卫生动态，考虑了人口迁移、医疗基础设施崩溃和周期性战争事件等紧急条件。
三个主要部分——疾病（SEIR）、错误信息（Infodemic）和情绪反应（Panicdemic）——与战争特定变量相结合。这些变量包括迁移率（δ）、医疗中断因子（κ）和事件频率（φ）。该系统跟踪健康状态之间的过渡（例如，易感、感染、康复），并监测错误信息和情绪恐慌在人群中的流动。参数如错误信息传播（βm）和恐慌放大（α）进一步定义了系统对战争相关冲击的敏感性。
模拟结果显示，迁移率（δ）和医疗中断（κ）的增加显著提高了感染率，最高可达28.3%。同时，错误信息的激增放大了公众恐慌，降低了民众的配合度，进一步加剧了疾病的传播。例如，恐慌的增加单独就可间接提高感染率12.6%。
战争引发的公共卫生危机中人工智能揭示的风险和机会
研究将风险和机会分为技术、组织、伦理、监管和军事领域。其中最高风险包括：
- 迁移和基础设施崩溃：过度拥挤的境内流离失所者（IDP）营地提高了疾病传播的风险。模拟中，迁移率的增加使感染高峰提高了20.8%以上。
- 错误信息扩散：战时的宣传，通常通过Telegram等平台传播，导致错误信息激增了22.7%，恐慌增加了18.9%。
- 隐私和安全漏洞：对数字健康系统的网络攻击可能危及弱势群体的敏感数据。
然而，人工智能也带来了变革性的机会：
- 事实核查和反信息传播：提高错误信息恢复率（γm）减少了18.2%的错误信息流行，并降低了15.6%的恐慌。
- 心理健康干预：通过人工智能驱动的社交媒体监控，早期检测创伤后应激障碍（PTSD）和焦虑症状，在以往的部署中提高了40%的早期发现率。
- 基础设施恢复建模：改善医疗机构的功能（反映在较低的κ值）使感染峰值降低了10.7%。
通过Python进行的模型敏感性分析确认，最具影响力的改变杠杆在于疾病传播、错误信息控制和恐慌管理。调整这些参数±20%会显著改变感染、错误信息和恐慌曲线，通过蒙特卡洛模拟进行了量化。
这一人工智能框架能否在乌克兰以外地区复制？
虽然研究聚焦于乌克兰当前的危机，但该人工智能架构被明确设计为全球可适应。它具有模块化组件，可以通过区域特定数据重新校准，例如：
- 医疗设施和基础设施损坏报告
- 社交媒体情绪和错误信息指数
- 国际移民组织（IOM）或联合国难民署（UNHCR）的迁移模式数据
通过更新外部参数文件而非修改核心模型逻辑，该框架可以移植到其他具有BANI特征的冲突或灾难区域。
本地化协议包括三个连续步骤：校准基础设施中断、通过媒体抓取和调查评估信息流行变量，并整合迁移矩阵。这确保了模型的保真度而不损害其通用性。
该研究为在动荡环境中运营的卫生部、非政府组织和国际机构提供了可操作的指导。它弥合了流行病学、行为心理学、数据科学和项目管理这些通常孤立的学科之间的差距。此外，它强调了迫切需要伦理框架和熟练的人类监督，以补充人工智能的计算能力。
【全文结束】
