Googles PDFM-Standortvektoren in fünf internationalen Fallstudien zur öffentlichen Gesundheit getestet

Was PDFM ist und warum Google es im Gesundheitsbereich testet

Laut Google Research wird die klassische epidemiologische Überwachung häufig durch mehrjährige Meldeverzögerungen, an politischen Grenzen endende Datensilos und lückenhafte Daten ausgebremst. Zudem erfordert die traditionelle Modellierung meist aufgabenspezifische Datenerhebungen und individuelle Data-Engineering-Pipelines, die sich bei schnell auftretenden Ausbrüchen oder in ressourcenarmen Regionen kaum einsetzen lassen.

Google schlägt als Abhilfe planetare geospatiale Foundation Models vor. PDFM ist Teil von Google Earth AI, einer Reihe geospatialer Modelle, die Satellitenbilder, Wetter, anonyme Suchtrends, Mobilitätsdaten und weitere Bevölkerungsdynamiken verknüpfen. Mithilfe von Self-Supervised Learning werden datenschutzkonforme Signale zu kompakten Embeddings verdichtet, die als "Fingerabdrücke" für Orte dienen und monatlich aktualisiert werden. Zu den Eingangsdaten zählen aggregierte Suchtrends, Daten zur bebauten Umwelt und zur Mobilität (etwa Dichte und Auslastung von Apotheken, Kliniken und Parks) sowie Umweltfaktoren wie Wetter und Luftqualität.

Die Idee: Forschende können diese Embeddings in die statistischen und maschinellen Lernmodelle einbinden, die sie ohnehin nutzen, statt neue Pipelines aufzubauen. Google zufolge erreichten oder verbesserten die Embeddings ohne aufgabenspezifisches Fine-Tuning die Ergebnisse herkömmlicher Eingangsdaten über eine breite Palette von Krankheitsbereichen, geografischen Kontexten und epidemiologischen Aufgaben hinweg.

Fünf Fallstudien, fünf Partnerinstitutionen

Die Forschungspartner von Google führten unabhängige Auswertungen durch. Laut Unternehmen ergaben sich folgende Ergebnisse:

• MMR-Impfung: Das Mount Sinai Health System und das Boston Children's Hospital untersuchten 146 US-Countys nahe der kanadischen Grenze. Die Einbeziehung von Embeddings kanadischer Forward Sortation Areas brachte einen relativen Zuwachs der erklärten Varianz um 36 Prozent (von 0,159 auf 0,216, statistisch signifikant).
• Herz-Kreislauf-Erkrankungen: Die NYU Grossman School of Medicine testete Nowcasting der Sterblichkeit in 3.091 zusammenhängenden US-Countys. Der mittlere absolute Fehler lag bei 18,7 Todesfällen pro County für PDFM gegenüber 19,1 bei zensusbasierten Modellen, der RMSE bei 46,00 gegenüber 57,69. Die Unterschiede waren statistisch nicht signifikant.
• Dengue: Die University of Oxford und das Tecnológico de Monterrey arbeiteten an kurzfristigen Prognosen für rund 2.450 mexikanische Gemeinden. Die Integration mit TimesFM brachte bei der 1-Monats-Prognose einen statistisch signifikanten Gewinn, und die Genauigkeit verbesserte sich in bis zu 72 Prozent der Gemeinden mit aktiver Übertragung.
• Postpartale Depression: Das Institute on Human Development and Disability der University of Washington nutzte CDC-PRAMS-Daten von 332.970 Befragten. Die AUC der Risikovorhersage stieg bei einer Basis von 0,62 in bekannten Bundesstaaten um 0,0020 und in unbekannten Bundesstaaten um 0,0038. Google zufolge bilden die Embeddings etwa 15 Prozent des Vorhersagesignals von Einkommens- und Versicherungsdaten ab.
• Cholera: WHO AFRO untersuchte die Vorhersage des Ausbruchsbeginns in 403 Gesundheitszonen der Demokratischen Republik Kongo über 89 Wochen. Die Verbesserungen umfassten +9,7 Prozent bei der Fläche unter der Precision-Recall-Kurve nach 4 Wochen und +18,1 Prozent bei Precision@5 nach 8 Wochen, in endemischen Gesundheitszonen +19,3 Prozent bei Precision@5.

Grenzüberschreitende Impfungen und schnellere Daten zu chronischen Krankheiten

In der Impfstudie haben Modelle, die nur inländische Daten nutzen, oft Mühe, die lokale Impfquote nahe der Grenze vorherzusagen. Durch die Einbeziehung kanadischer Embeddings steigerten die Forschenden den Anteil der durch die Modelle erklärten Variation der MMR-Durchimpfung von 16 auf 22 Prozent. Außerdem präzisierten sie die Schätzungen der Durchimpfung für 4,7 Millionen Grenzbewohner um mindestens 3 Prozentpunkte und legten lokale Muster offen, die rein inländische Modelle möglicherweise übersehen.

Bei Herz-Kreislauf-Erkrankungen, die laut Google in den USA jährlich über 916.000 Menschenleben fordern, ist die Aktualität der Daten das Problem. Die offiziellen Sterblichkeitsdaten auf County-Ebene des National Vital Statistics System hinken in der Regel ein bis zwei Jahre hinterher, und die Kovariaten des American Community Survey spiegeln Verhältnisse wider, die bis zu zwei bis drei Jahre zurückliegen. In der NYU-Studie sagten Modelle mit PDFM die Todesfälle auf County-Ebene für 2023 ungefähr so genau voraus wie Modelle mit ACS-Daten, reduzierten aber große Ausreißerfehler in einzelnen Countys um 20 Prozent (von 57,7 auf 46,0).

Google verweist zudem auf praktische Vorteile. ACS-Kovariaten bündeln fünf Jahre an Umfragedaten und erscheinen bis zu ein Jahr nach der Erhebung, während die PDFM-Embeddings in der Studie aus den Daten eines einzigen Monats erstellt wurden. PDFM ist in 17 Ländern verfügbar, der ACS deckt dagegen nur die USA ab.

Was das für die Arbeit im öffentlichen Gesundheitswesen bedeutet

Google sieht in den Ergebnissen eine Stütze für ein neues Paradigma, in dem vortrainierte Repräsentationen von Orten zu Routineeingaben für Gesundheitsmodelle werden. Das Unternehmen argumentiert, Gesundheitsbehörden könnten Präventionsmittel anhand aktueller Bedingungen steuern, statt auf mehrjährige Umfragezyklen zu warten. Mehrere Verbesserungen fallen bescheiden aus, und im Fall der Herz-Kreislauf-Erkrankungen war PDFM mit Zensusdaten vergleichbar, aber nicht besser. Die stärkste Aussage ist daher der Ersatz dort, wo Zensusdaten veraltet oder nicht verfügbar sind.