跳到正文
Google·· 2 天前精选

Google Earth AI 联合全球卫生伙伴发布公共卫生预测研究

Making global public health more proactive with Google Earth AI

AI 导读

Google Research 与全球卫生伙伴发布新研究论文,展示 Google Earth AI 如何结合环境信号、卫星影像、移动数据和 AlphaEarth Foundations、Population Dynamics Foundation Model(PDFM)等基础模型,并搭配地理空间推理智能体原型,帮助公共卫生团队预测疾病暴发。

推荐理由

Google 与 WHO 等机构用 Earth AI 在刚果(金)埃博拉疫情中实测地理空间推理智能体,展示公共卫生预测从被动响应转向主动预防的路径。

正文 · AI 翻译

2026年10月6日

|

我们通过将当地卫生数据与先进的地理空间模型相结合,帮助公共卫生领导者克服报告滞后、预测疾病暴发,并为世界各地的脆弱社区提供医疗服务。


Shravya Shetty

Google Research 杰出软件工程师

Monica Bharel

Google Health 临床专家


Collage of images of people receiving healthcare, aerial images of land, and scientific research

收听文章

[[duration]] 分钟

此内容由 Google AI 生成。生成式 AI 仍处于实验阶段

一个社区的健康状况与其地理位置密切相关,地理环境决定了气候模式、物理基础设施以及人们生活和移动的方式。但公共卫生团队常常面临地理盲区——以及数据碎片化和报告延迟——无论他们是在追踪快速传播的病毒暴发,还是在预测心血管疾病死亡率。为卫生领导者配备先进的预测工具,可以更好地保护高风险社区,并帮助将应急响应从被动管理转变为主动预防。

在与全球卫生合作伙伴共同撰写的新研究论文中,我们展示了 Google Earth AI 如何利用自主预测和人口动态,弥合不同地理区域、疾病和公共卫生领域的关键差距。

通过将环境信号与卫星图像、移动数据和基础模型——例如 AlphaEarth Foundations 和我们的人口动态基础模型(PDFM)——相结合,并将它们与原型地理空间推理智能体配对,我们帮助社区揭示人与环境之间复杂的联系。

这使研究人员和公共卫生官员能够补充现有卫生信息、弥合报告缺口,并主动应对健康挑战。

将智能体能力带到前线

急性卫生危机需要快速、直观的工具。为了在活跃的紧急情况中验证 Earth AI 的能力,多个合作伙伴获得了两个研究原型的访问权限:使用 Google Earth AI 能力进行对话式空间制图的地理空间推理智能体,以及用于自主疾病预测的行星预测引擎。通过自然语言对话,公共卫生团队可以利用及时的洞察和清晰的决策支持,简化复杂的手动数据处理。

在刚果民主共和国(DRC)正在进行的埃博拉疫情中,我们在世界卫生组织非洲区域办事处(WHO AFRO)达喀尔应急准备与响应中心以及刚果民主共和国国家生物医学研究所(INRB)流行病建模与情报部门(UMIE)的合作伙伴将这些原型投入使用。

  • 揭示传播盲区:WHO AFRO 团队使用我们的地理空间推理智能体原型,绘制了暴露风险高、人口流动频繁的偏远采矿走廊。团队在几分钟内就确定了 48 个暴露定居点,并定位了超过 45,500 名高风险人员——这一过程通常需要数周时间。这使当地响应人员能够主动部署移动实验室并协调边境监测。
  • 模拟疫情传播轨迹:我们与 UMIE 合作,构建了预测模型,用于评估埃博拉病毒传播至未感染地区的风险。通过将人员流动数据与历史病例趋势以及 Earth AI 模型和数据集相结合,这些每周洞察为协调人员在病例到来之前提供了关键的规划时间。
  • 扩展健康预测:除了快速传播的疫情之外,我们的研究表明,将 Earth AI 的能力与公共卫生数据相结合,可以比人工分析更准确地预测更广泛的社区健康趋势。

将基础模型与本地洞察相结合

PDFM 将聚合的搜索趋势以及流动性和环境模式整合为一幅动态、高分辨率的社区图景。合作伙伴可以将这些洞察整合到自己的系统中。

  • 提升及时疾病预测(心血管疾病):通过将实时人群信号整合到慢性病模型中,NYU Langone Health 的研究人员预测了同年心血管死亡率,其表现与传统方法相似——在某些情况下甚至更优。这些洞察生成得越快,就能越快用于将关键资源引导至脆弱社区。
  • 追踪跨境免疫接种(麻疹、腮腺炎和风疹):Mount Sinai Health System 和 Boston Children’s Hospital 的研究人员纳入了美加边境两侧的人类行为模式,以更准确地了解美国各县的疫苗接种率,并发现传统公共卫生模型可能忽略的洞察。
  • 预判季节性激增(登革热):许多地方性流行病会表现出与环境及天气变化相关的季节性波动。将 PDFM 与本地化气候模型相结合,使 University of Oxford 和 Tecnológico de Monterrey 的研究人员能够更准确地预测墨西哥各地的登革热疫情。这可以为早期行动提供至关重要的提前量,例如杀灭蚊幼虫。
  • 预测水源性疾病热点(霍乱):在与 WHO AFRO 开展的刚果民主共和国霍乱评估中,将流行病学记录与 PDFM 相结合,提高了提前最多八周识别易暴发卫生区的可预测性。这可以帮助一线团队采取主动措施。

支持全球获取

将行星智能引入公共卫生工作流程,首先要让研究人员和从业者能够使用这些工具。PDFM 嵌入已作为 Population Dynamics Insights 在预览版中商业提供,这是来自 Google Maps Platform 的地理空间嵌入数据集。研究人员可以申请针对特定用例的免费访问权限。

符合条件的组织可以通过我们的 GMP Public Programs 申请 Google Earth 额度。

为进一步支持本地公共卫生基础设施,Google.org 已向 INRB 提供资金,帮助其实现本地检测和疾病监测的现代化。

通过将行星智能与本地专业知识相结合,我们正与全球卫生领导者携手,构建主动的、数据驱动的工具,以更好地保护世界各地的社区。

在您的收件箱中获取 Google 的最新新闻

订阅我们的新闻通讯,获取产品更新、活动信息、特别优惠等更多内容。

您的信息将根据Google 隐私政策使用。您可以随时选择退出。

来源:Google · blog.google