AI在监狱与社区疾病控制中胜过传统方法
斯坦福健康政策中心研究人员构建模型，测试AI是否能有效管理监狱与周边社区之间的疾病传播。结果具有决定性。
摘要
- 斯坦福研究者测试了AI模型以改进监狱与邻近社区间的疾病控制策略。
- 研究表明，强化学习方法的表现优于新冠疫情中采用的传统策略。
- 研究发现建议政策制定者投资AI方法，以提升未来公共卫生事件中惩教设施与社区的疫情应对效率。
传染病能以惊人速度在惩教设施内肆虐，疫情在周边社区间循环往复，并可能进一步扩散至更远地区。尽管存在这种关联，社区与监狱通常很少协调疫情控制工作。因此，斯坦福健康政策中心研究人员开展了一项研究，探索更好地保护双方人群的不同途径。
研究人员构建了计算机模型，模拟传染病在社区与惩教设施间的传播过程。他们测试了多种疾病控制方式，包括基于规则的标准控制策略，以及利用强化学习（RL）开发的新型AI策略——这是一种通过试错学习的人工智能形式。RL方法采用“奖励系统”平衡两大目标：预防感染和最小化控制措施成本。
研究发现，基于AI的RL控制策略在表现上显著优于新冠疫情中采用的传统方法。随后，研究人员分析了最佳控制策略的工作机制及其在不同条件下的可靠性。他们发现，该策略能根据社区和监狱的独特条件定制响应，并展现出有助于减少两者间疾病传播的模式。例如，当疾病在网络中扩散时，RL控制策略将资源聚焦于面临疫情爆发威胁的社区和监狱——但发生在爆发之前，以便早期检测能为部署额外干预措施预留更多时间。
“强化学习是寻找高效策略以控制社区和惩教设施网络上疫情传播的 promising 方法，可为政策制定提供洞见，”该研究的主要作者、斯坦福健康政策中心近期博士后研究员克里斯托弗·韦扬特博士表示。此项发表于《医疗决策》（Society for Medical Decision Making期刊）的研究得出了这一结论。
感染率较高
“惩教设施，如监狱和拘留所，历史上呼吸道传染病的发病率远高于周边社区，”健康政策教授、该研究资深作者杰里米·戈尔德哈伯-菲伯特博士指出。他提到，在疫情早期阶段，美国囚犯的新冠感染率比普通人群高出五倍以上——这种模式在结核病和流感等其他呼吸道疾病中同样存在，并在南美等其他地区得到观察。
“小规模社区疫情可能引发惩教设施内的大规模爆发，进而加剧社区疫情，”戈尔德哈伯-菲伯特表示，“尽管存在这种相互依赖，社区和惩教设施的疫情控制工作通常并未紧密协调。”
研究人员构建了疫情在社区与惩教设施网络中传播的模拟模型。他们使用基于加利福尼亚州的大规模网络和一个小型示例网络，比较了各种控制策略的表现——包括经验法则和RL方法。在加利福尼亚州网络中，RL策略的表现远优于其他方法。研究团队比较了多种策略，例如将检测和非药物干预措施（如口罩佩戴和社会距离）应用于所有设施、不应用任何措施，或采用简单规则方法与RL策略。他们发现，RL策略在感染减少方面接近“全面控制”方法的效果，但检测资源使用大幅减少，且非药物干预措施的强度显著降低。
将效益与成本细分，为政策制定者在考虑未来疫情中社区与监狱间的资源分配时提供指导。在示例网络中也观察到类似结果。尽管作者使用了新冠疫情控制政策这一近期且突出的案例，但其敏感性分析及先前工作表明，他们开发的方法对控制可能引发未来大流行的多种呼吸道病原体具有价值。
研究团队写道：“我们的工作突显了如何通过现代定量方法（如强化学习）稳健提升社区与惩教设施网络上的疫情控制能力。政策制定者应考虑投资于此类方法的进一步开发，并将其用于应对未来疫情。”
【全文结束】
