一项评估人工智能在管理公共卫生危机中作用的新研究发现，机器学习（ML）在提高坦桑尼亚天气敏感水传播疾病（WSWDs）的预测和响应策略方面具有巨大潜力。然而，该研究警告称，如果不对基础设施缺口、有限的认知度和数据质量问题加以解决，实际应用可能会被推迟。
这项题为《评估机器学习在坦桑尼亚选定地区预测天气敏感水传播疾病的应用潜力》的研究发表在《人工智能前沿》杂志上。该研究对莫罗戈罗、多多马和伊拉拉三个坦桑尼亚区议会的76名环境卫生官员（EHOs）进行了调查，以评估他们的数字素养、对AI/ML的看法以及将预测技术整合到一线疾病控制工作的准备情况。
一线卫生工作者对使用AI进行疾病预测的准备程度如何？
研究发现，尽管大多数EHOs熟悉一般的信息和通信技术（ICT），但他们对人工智能和机器学习的理解仍然有限。只有6%的受访者表示非常熟悉AI/ML，64%的人表示有些熟悉，而30%的人完全不熟悉。
尽管存在这些知识差距，仍有70%的受访者表示有信心认为AI和ML可以提高疾病爆发预测的准确性和及时性。值得注意的是，40%的人认为AI可以取代传统的WSWDs预测方法，而26%的人则将其视为一种补充工具。
性别成为影响接触和熟悉AI的重要因素。男性受访者更有可能之前接触过AI/ML术语，并报告更高的理解水平。这与更广泛的研究结果一致，即在低收入和中等收入国家，数字素养方面存在持续的性别差距。
年龄和教育水平与对AI/ML的熟悉程度或信任度没有显著相关性，尽管受教育程度较高的人更有可能在其日常公共卫生任务中使用数字工具。
什么挑战限制了坦桑尼亚公共卫生系统中机器学习的采用？
研究强调了坦桑尼亚公共卫生系统采用AI/ML技术的几个系统性障碍。其中最主要的是缺乏技术和熟练人员，有58.3%的受访者提到这一点。数据质量和可用性也被54.2%的受访者列为主要限制因素，同时他们还担心现有健康信息系统的可靠性和兼容性。
只有14%的EHOs报告在疾病监测中使用气象数据，仅有6%的人集成了遥感数据，尽管这些都是准确预测模型的关键输入。相反，大多数受访者依赖于手动审查历史疾病记录（66%）和卫生数据（60%），这些数据容易受到报告滞后和不一致的影响。
其他挑战包括对AI驱动决策的低信任度、将AI系统集成到现有工作流程中的困难、伦理问题以及薄弱的监管框架。约33%的EHOs提到数据隐私和伦理是主要关切，而22.9%的人强调了集成挑战。
尽管存在这些障碍，仍有41.3%的受访者支持使用AI构建预警系统，而30.4%的人支持通过数据流分析进行实时异常检测。这些数据表明，如果有适当的支持系统，人们愿意探索AI工具。
需要做什么才能将AI潜力转化为可操作的公共卫生工具？
作者建议采取多管齐下的策略来弥合AI潜力与公共卫生影响之间的差距。首先，他们强调针对EHOs进行有针对性的培训，以建立数字和分析素养。前线工作人员缺乏对AI的接触使得设计和采用本地相关解决方案变得困难。教育计划必须优先考虑跨性别和地区的能力建设，以确保包容性的采用。
其次，改善基础设施是前提条件。可靠的互联网接入、电力和计算能力对于部署基于云或实时的ML工具至关重要。如果没有这些，AI应用程序可能仅限于学术原型，而不是运营决策支持系统。
第三，研究提倡将多样化的数据集（气象、水质、疾病发生率和卫星图像）整合到集中平台上。这将提高预测准确性，并支持开发适用于资源有限环境的AI模型。
最后，需要更强的治理机制来确保道德的AI部署。这包括监管框架、数据隐私保护措施和机构问责结构，以管理自动化和算法偏见带来的风险。
(全文结束)
