Google проверила модель Earth AI PDFM на пяти задачах здравоохранения

6 октября 2026 года два инженера Google Research, Арбааз Муслим и Гаутам Прасад, опубликовали пост о применении модели Population Dynamics Foundation Model (PDFM) из набора Google Earth AI в общественном здравоохранении. Авторы предлагают подход, при котором предобученные представления места («эмбеддинги») подключаются к уже существующим статистическим моделям и моделям машинного обучения эпидемиологов как готовые входные данные, без построения новых конвейеров обработки данных. PDFM сжимает в эмбеддинги места поисковые тренды (с сохранением приватности), мобильность людей, плотность застройки и факторы окружающей среды; эмбеддинги обновляются ежемесячно. Без дообучения под конкретную задачу эти готовые эмбеддинги, по утверждению авторов, не уступали привычным входным данным или улучшали результат для разных болезней, регионов и эпидемиологических задач.

Проблема, на которую нацелен подход: традиционный эпидемиологический надзор страдает от многолетних задержек в отчётности, данных, разрезанных по государственным границам, и их разреженности; кроме того, классические модели требуют отдельного сбора данных и своих конвейеров под каждую задачу, что трудно сделать во время быстрой вспышки или в условиях ограниченных ресурсов. Чтобы доказать ценность подхода («у новой парадигмы выше бремя доказательства»), партнёры Google организовали независимые оценки на пяти задачах.

Вакцинация от кори. В 146 округах США в пределах 150 км от канадской границы модели только по американским данным плохо предсказывали охват вакцинацией. Исследователи из Mount Sinai Health System и Boston Children’s Hospital добавили к эмбеддингам округов США эмбеддинги канадских районов (Forward Sortation Area). Доля вариации охвата вакцинацией MMR, объяснённая моделями, выросла с 16% до 22% (относительный рост на 36%), а оценки охвата для 4,7 млн жителей приграничья удалось уточнить как минимум на 3 процентных пункта.
Смертность от сердечно-сосудистых заболеваний в США (более 916 000 смертей в год). Официальные данные NVSS на уровне округов без подавления обычно отстают на 1-2 года, а ковариаты опроса ACS отражают условия до 2-3 лет назад. Партнёры из NYU Grossman School of Medicine проверили, может ли PDFM заменить такие переписные входные данные при оценке смертности текущего года примерно по 3100 округам. Статистически значимых различий между PDFM и традиционными данными переписи они не нашли, при этом PDFM свежее и доступна в большем числе мест. Авторы поста делают осторожный вывод: результаты «позволяют предположить», что департаменты здравоохранения смогут направлять профилактику по текущим условиям, а не ждать многолетних циклов опросов.
Лихорадка денге в Мексике. Вместе с исследователями из Оксфордского университета и Tecnológico de Monterrey PDFM объединили с TimesFM 2.0 (открытая модель Google для временных рядов) и прогнозировали число случаев примерно в 2450 муниципалитетах за 2020-2025 годы. Наибольший выигрыш был при прогнозе на месяц вперёд: точность выросла до 72% муниципалитетов с активной передачей денге (это максимум, а не среднее), а суммарное снижение ошибки оказалось в 3,4 раза больше суммарного ухудшения.
Послеродовая депрессия. Исследователи Вашингтонского университета (University of Washington) оценили эмбеддинги PDFM на 332 970 участницах национального опроса CDC PRAMS. Эмбеддинги отражают социально-экономические условия сообщества (R2=0,45) и дают стабильный статистически значимый, но небольшой прирост точности предсказания риска: AUC +0,0020 в «знакомых» штатах и +0,0038 в штатах, которых не было в обучении. Там, где доход и страховые данные матери недоступны, PDFM восстанавливает около 15% предсказательного сигнала от них. В симуляции, где система здравоохранения наблюдает 20% матерей из группы наибольшего риска, PDFM помогла охватить на 5640 сельских матерей с послеродовой депрессией в год больше в новых штатах; если же цель, выявить 80% всех случаев, число ложных тревог сокращалось на 17 723 в год.
Холера в ДР Конго. Вспышки редки: в любую неделю менее чем в одной из 100 из 403 санитарных зон страны начинается вспышка, что затрудняет прогноз. На данных национального надзора IDSR, по задаче, определённой Региональным бюро ВОЗ для Африки, проверили облегчённую версию PDFM, адаптированную для регионов с плохой связью. На горизонте в одну-две недели свежих данных о случаях хватает, и PDFM заметно точность не улучшила; на горизонте четыре, восемь недель, когда ещё есть время подвезти запасы, помогла. Количественные результаты по холере в тексте поста не приведены.

В заключение авторы пишут, что геопространственные модели позволяют перейти от реактивного к упреждающему планированию, а нынешние ограничения, например статичность «снимков», подталкивают к исследованиям динамических во времени эмбеддингов и переноса между регионами для слабо подключённых территорий. Эмбеддинги PDFM коммерчески доступны в статусе Preview как Population Dynamics Insights (набор данных Google Maps Platform); учёные и исследователи общественного здравоохранения могут запросить бесплатный доступ для отдельных неоперационных исследовательских задач.

Ключевые факты

Google Research показала пять кейсов применения Earth AI PDFM в здравоохранении: корь, сердечно-сосудистая смертность, денге, послеродовая депрессия, холера.
Для кори добавление канадских эмбеддингов подняло объяснённую долю вариации охвата вакцинацией с 16% до 22% (рост на 36%) в 146 округах у границы.
Для денге в Мексике (около 2450 муниципалитетов) выигрыш на горизонте один месяц, до 72% муниципалитетов с активной передачей; ошибка снижается в 3,4 раза сильнее, чем растёт.
Для холеры в ДР Конго PDFM не улучшила прогноз на 1, 2 недели, но помогла на 4, 8 недель.
Эмбеддинги доступны в Preview как Population Dynamics Insights; для учёных, бесплатный доступ к отдельным неоперационным задачам.

Почему это важно

Эпидемиологические данные обычно приходят с многолетним опозданием, разрезаны границами и разрежены. Пост показывает, что готовые эмбеддинги мест, подключённые к привычным моделям, могут закрывать часть этих пробелов: охват вакцинацией у границы, свежая оценка смертности без ожидания переписных данных, упреждающие прогнозы вспышек. Сильнее всего это выглядит там, где задержка данных критична, например при денге и холере.

Кому это важно

Эпидемиологам и департаментам здравоохранения, которые работают с отстающей отчётностью. Исследователям общественного здравоохранения, которые могут запросить бесплатный доступ. Разработчикам геопространственных моделей и тем, кто следит за применением фундаментальных моделей вне привычных областей.

Как это применить

Согласно посту, эмбеддинги PDFM подключаются как готовый входной признак к существующим статистическим моделям и моделям машинного обучения, без дообучения под задачу. Они коммерчески доступны в статусе Preview как Population Dynamics Insights в Google Maps Platform. Академические и исследовательские группы в сфере здравоохранения могут запросить бесплатный доступ, но только для отдельных неоперационных исследовательских задач. Цены на коммерческий доступ в посте не названы.

Можно ли доверять

Пост написан инженерами Google Research о собственной модели Google. Оценки, по словам авторов, провели независимые партнёры (Mount Sinai, Boston Children’s Hospital, NYU Grossman School of Medicine, Оксфорд, Tecnológico de Monterrey, University of Washington, при участии ВОЗ), но результаты пересказаны самими авторами. В тексте нет заявлений о рецензировании этих результатов и о том, что какой-либо департамент здравоохранения уже использует PDFM в работе. Часть заключений осторожна: «результаты позволяют предположить». Для холеры количественных результатов в тексте нет, для сердечно-сосудистой смертности названо лишь отсутствие статистически значимых различий.

Риски и подводные камни

Цифра 72% для денге, максимум на горизонте один месяц, а не среднее по всем муниципалитетам и срокам. Прирост AUC в задаче о послеродовой депрессии мал (+0,0020 и +0,0038), хотя авторы называют его стабильным и значимым. Для холеры на горизонте 1-2 недели PDFM не дала значимого улучшения: достаточно свежих данных о случаях. Авторы сами признают ограничение статичных снимков и ведут исследования динамических во времени эмбеддингов; сроков в посте нет. Бесплатный доступ ограничен неоперационными исследовательскими задачами.