行星尺度地理空间基础模型：全球公共卫生的新范式

传统疾病预测的有效性受到空间差距和时间滞后的限制，这影响了资源部署的时间和目标。疫情在未被发现的情况下升级，慢性疾病负担在数年后才被量化，数据稀疏地区的高危人群仍未得到解决。行星地理空间基础模型补充了现有的流行病学工作流程，以提供操作改进，将多模式搜索、移动性和环境信号编码为可概括的地点表示。为了说明这种互补性，我们提出了 Google Earth AI 人口动态基础模型 (PDFM) 的独立全球健康案例研究，这是地理空间推断的基础模型，涵盖四个领域（疫苗可预防、传染性、非传染性、孕产妇心理健康）、五项任务（空间外推、插值/临近预报、概率预测、前瞻性预测、风险分层）和四个国家（美国、加拿大、墨西哥和民主党）。刚果共和国）。在这些案例研究中，PDFM 解决了跨领域的关键监测差距：通过捕捉国内模型遗漏的跨境行为溢出效应，改善美国-加拿大边境 MMR 疫苗接种覆盖率预测；即时预报心血管疾病以加快数据可用性；加强墨西哥市政府的短期登革热预报，以便及时控制疫情病媒；改进霍乱热点地区的预测；并在该模型从未见过的美国各州的个人层面产后抑郁症风险预测中添加可转移信号，同时不会取代个人社会经济数据或缩小人口筛查差距。这些结果共同展示了地理空间基础模型用于公共卫生监测的能力。