公衆衛生の意思決定は、タイムリーで細粒度のデータに大きく依存している。心血管疾患や産後うつといった健康状態では、そのデータは資源と支援をどこに集中すべきかを示す。デング熱やコレラのような急性疾患のアウトブレイクでは、緊急の運用プロトコルや資源配分の指針となる。しかし、従来の疫学サーベイランスは、複数年にわたる報告遅延、硬直した地政学的境界によるデータのサイロ化、データの疎密といった制約にしばしば妨げられている。これらの制約がなくても、従来のモデリング手法はタスク固有の広範なデータ収集とカスタムデータエンジニアリングパイプラインを必要とし、急速なアウトブレイク時や資源制約環境では展開が難しい。
こうしたシステム上のボトルネックに対処するため、Google Researchは惑星地理空間基盤モデルを活用する公衆衛生の新パラダイムを導入する。Google Earth AIのPopulation Dynamics Foundation Model(PDFM)を概念実証として用い、自監督で事前学習された「場所」の表現を、既存の健康科学・疫学ワークフローにプラグアンドプレイ入力として直接統合できることを示す。これは、ゼロから新しいパイプラインを構築するのではなく、疫学者がすでに使用している統計・機械学習モデルを強化するものである。PDFMは、プライバシー保護された検索トレンド、人間の移動性、建築環境密度、環境決定要因を位置埋め込みに圧縮する。タスク固有の微調整を必要とせず、これらの既製の位置埋め込みは、多様な疾患領域、地理的設定、疫学タスクにおいて従来の入力を同等以上に上回った。
PDFMとは何か。Google Earth AIの一部であり、衛星画像、気象、匿名検索トレンド、人間の移動性、その他の人口動態を結びつける地理空間モデル群である。PDFMは自己教師あり学習を用いて、以下の多様でプライバシー保護された信号を、月次更新される場所の「指紋」として機能するコンパクトで汎用的な埋め込みに合成する。集約検索トレンドは、コミュニティレベルで関心を集めたトピックやリソースの検索頻度である。建築環境と移動性は、薬局、診療所、公園などの場所の局所密度と混雑度を含む。環境決定要因は、高解像度の気象と大気質の指標・統計である。研究者がこれらの生データストリームを自ら収集・処理する必要はなく、PDFM埋め込みを既存のMLワークフローに簡単に挿入して、すぐに使える地理空間コンテキストを提供できる。
先行研究では、これらの埋め込みがタスク非依存であることが示されている。日常的な信号が健康の社会的・行動的・環境的决定要因を捉えているため、同じ埋め込みが多様なCDC健康指標のギャップ補完で強い性能を発揮した。しかし、世界の健康のための新パラダイムを確立するには、より高い立証責任が伴う。この基準を満たすため、研究チームはPDFM埋め込みの価値を、より多様な健康課題と世界中の異なる環境で実証することを目指した。
最初のケーススタディは、予防接種における国境を越えたダイナミクスに焦点を当てる。疫学モデルは主権国境に制約されるが、追跡する健康アウトカムはそうではない。カナダ国境から150km以内にある米国の146郡では、国内データのみのモデルは地域のワクチン接種率を予測するのに苦労することが多い。Mount Sinai Health SystemとBoston Children’s Hospitalの研究者は、米国の郡埋め込みにカナダのForward Sortation Area埋め込みを補足することで、国境を越えた行動的・移動的スピルオーバーを捉えるモデルを開発した。麻疹アウトブレイクのリスクがあるコミュニティを特定するため、研究者はこの国境を越えたコンテキストを利用して、MMRワクチン接種率の変動の説明割合を16%から22%に増やし(36%の相対的増加)、470万人の国境住民について接種率推定を少なくとも3ポイント精緻化し、国内のみのモデルでは見逃す可能性のある地域パターンを明らかにした。
2番目のケーススタディは、慢性疾患サーベイランスにおける報告遅延の削減である。心血管疾患(CVD)は米国で年間91万6千人以上の命を奪っている。しかし、National Vital Statistics System(NVSS)の未抑制の公式郡レベル死亡率データは通常1〜2年遅れ、American Community Survey(ACS)の共変量は最大2〜3年前の状況を反映している。PDFMはより多くの場所で利用可能で遅延がはるかに小さいため、疾病モデリング能力を向上させる可能性がある。NYU Grossman School of Medicineのパートナーは、約3,100の米国郡で当年のCVD死亡を推定する際に、PDFMがこれらの国勢調査ベースの入力の代わりになるかどうかを検証した。その結果、PDFMと従来の国勢調査データの間でナウキャストに統計的に有意な差はなく、PDFMはより新鮮ではるかに多くの場所で利用可能であることがわかった。国勢調査データと同等で、PDFMを使用したモデルは、ACSの人口統計・社会経済データを使用したモデルとほぼ同じ精度で2023年の郡レベルCVD死亡を予測し(ナウキャスト時の郡あたり平均誤差18.7対19.1)、大郡の外れ値誤差(RMSE)を20%削減した(57.7から46.0)。差は統計的に有意ではなく、PDFMが国勢調査入力の代替となり得ることを示唆している。よりタイムリーで広く利用可能であり、ACS共変量は5年間の調査データをプールし、収集後最大1年で公開されるが、本研究で使用されたPDFM埋め込みは単月のデータから構築された。またPDFMは17カ国で利用可能だが、ACSは米国のみをカバーする。これらの結果は、PDFMが保健部門に対して、複数年の調査サイクルを待つのではなく、現在の状況に基づいて予防資源を導くことを可能にすることを示唆している。
3番目のケーススタディは、デング熱のような虫媒病の活発なアウトブレイクホットスポットの予測を鋭くすることである。デング熱のような虫媒病のアウトブレイクに対処する際には、時間が特に重要である。オックスフォード大学とモンテレイ工科大学の公衆衛生研究者とのパートナーシップのもと、研究チームはPDFMをTimesFM 2.0(オープンな時系列基盤モデル)と組み合わせ、2020年から2025年にかけてメキシコの約2,450の市町村でデング熱症例数を予測した。モデルの最大の性能向上は1か月先の予測で見られ、活発なデング熱伝播市町村の最大72%で予測精度が改善し、総誤差削減量は悪化量の3.4倍に達した。この性能は、タイムリーなベクターコントロールと臨床スタッフ配置の決定が最も重要となる場所で正確に発揮され、短期予測の実用性が示されていることを考慮すると特に重要である。
4番目のケーススタディは、臨床スクリーニングにおける地理的境界のテストである。産後うつ(PPD)のような母体精神保健のスクリーニングは通常、臨床の問診情報に依存しており、母親のリスクとケアへのアクセスを形作る広範なコミュニティ条件をほとんど捉えていない。地理空間基盤モデルがこのギャップを埋めるのに役立つかどうかをテストするため、ワシントン大学の研究者はCDC PRAMS全国調査の332,970人の参加者でPDFM埋め込みを評価した。PDFMがコミュニティレベルの社会経済条件を捉えることに加え(R²=0.45)、埋め込みを追加することで、どの母親がリスクにあるかの予測が一貫して統計的に有意に向上した(既知の州でAUC +0.0020、未知の州で+0.0038)。重要なことに、この信号はモデルがトレーニング中に見たことのない州でも持続し、補完的な地域コンテキストとして機能し、母親自身の収入や保険記録が利用できない場合にその予測信号の約15%を回復した。この転移可能なコンテキストは、新しい州でスクリーニング資源をどのように配分するかに最大の違いをもたらした。医療システムがリスクの高い上位20%の母親にフォローアップできるシミュレーションでは、PDFMを追加することで年間5,640人多くの農村部の産後うつ母親に到達できた。あるいは、全症例の80%を捕捉することを目指すシステムでは、PDFMは年間17,723件の誤警報を削減し、地理空間埋め込みが医療システムの農村部アウトリーチ拡大やフォローアップ効率改善に役立つことを示している。
5番目のケーススタディは、前向きなコレラ出現におけるリードタイムの延長である。コレラのような水系流行病の早期警告は、経口コレラワクチンと清浄水供給の事前配置に不可欠である。幸いなことに、アウトブレイクは稀であり、任意の週に国内403の保健区域のうち発生が始まるのは100分の1未満である。しかし、この希少性こそが予測を難しくしている。世界保健機関アフリカ地域事務所が定義したこのユースケースに対処するため、研究チームはコンゴ民主共和国の403保健区域、89週間のデータでPDFMを評価した。その結果、統計的に有意な相対的改善が示された。4週間時点のPrecision-Recall Curve下面積(AUPRC)は9.7%向上し、8週間時点のPrecision@5(モデルが毎週リスクが高いと判断した5区域のうち実際にアウトブレイクが発生した割合)は18.1%向上、流行地域の保健区域ではPrecision@5が19.3%向上した。これらの結果は、地理空間基盤モデルがアウトブレイク早期警告のリードタイムを拡大する可能性を示しており、資源制約環境でより早い介入を可能にする。
全体として、これら5つの独立した評価は、PDFMが惑星地理空間基盤モデルとして、プラグアンドプレイ方式で世界の公衆衛生に転移可能でタスク非依存の地理空間コンテキストを提供し、多様な疾患領域と地理環境で既存の疫学ワークフローを強化できることを示している。このアプローチは、データギャップと報告遅延の緩和に役立つだけでなく、国境を越えたダイナミクスのモデリング、慢性疾患のリアルタイム推定、急性アウトブレイクホットスポット予測、臨床リスクスクリーニングに新たな技術的経路を提供する。