Offentliga uppsökande kampanjer kan förhindra spridning av förödande men ändå behandlingsbara sjukdomar som tuberkulos (TB), malaria och gonorré. Men att säkerställa att dessa kampanjer effektivt når odiagnostiserade patienter, som omedvetet kan sprida sjukdomen till andra, är en stor utmaning för kontanthanterade folkhälsomyndigheter. Nu, ett team av forskare från USC Viterbi School of Engineering har skapat en algoritm som kan hjälpa beslutsfattare att minska den totala spridningen av sjukdomar. Algoritmen är också optimerad för att få ut det mesta av begränsade resurser, till exempel reklambudgetar.

För att skapa algoritmen, forskarna använde data, inklusive beteende, demografiska och epidemiska sjukdomstrender, att skapa en modell för sjukdomsutbredning som fångar underliggande befolkningsdynamik och kontaktmönster mellan människor.

Med hjälp av datasimuleringar, forskarna testade algoritmen på två verkliga fall:tuberkulos (TB) i Indien och gonorré i USA. I båda fallen, de fann att algoritmen gjorde ett bättre jobb för att minska sjukdomsfall än nuvarande hälsouppsökande policyer genom att dela information om dessa sjukdomar med individer som kan vara mest utsatta.

Studien publicerades i AAAI -konferensen om artificiell intelligens. Författarna är Bryan Wilder, en kandidat för en doktorsexamen i datavetenskap, Milind Tambe, Helen N. och Emmett H. Jones professor i teknik, professor i datavetenskap och industri- och systemteknik och medgrundare av USC Center for AI in Society och Sze-chuan Suen, en biträdande professor i industri- och systemteknik.

"Vår studie visar att en sofistikerad algoritm avsevärt kan minska sjukdomsspridningen totalt sett, "säger Wilder, tidningens första författare. "Vi kan göra stor skillnad, och till och med rädda liv, bara genom att vara lite smartare om hur vi använder resurser och delar hälsoinformation med allmänheten. "

Avslöjande sjukdomsdynamik

Algoritmen tycktes också göra mer strategisk användning av resurser. Teamet fann att det koncentrerade sig starkt på särskilda grupper och anslöt inte bara mer budget till grupper med hög förekomst av sjukdomen. Detta verkar indikera att algoritmen utnyttjar icke-uppenbara mönster och utnyttjar ibland subtila interaktioner mellan variabler som människor kanske inte kan identifiera.

Teamets matematiska modeller tar också hänsyn till att människor rör sig, ålder, och dö, återspeglar mer realistisk befolkningsdynamik än många befintliga algoritmer för sjukdomskontroll. Till exempel, människor kanske inte botas direkt, så att minska förekomsten vid 30 års ålder kan innebära att man skapar riktad folkhälsokommunikation för människor vid 27 års ålder.

"Även om det finns många metoder för att identifiera patientpopulationer för hälsouppsökande kampanjer, inte många anser samspelet mellan förändrade befolkningsmönster och sjukdomsdynamik över tid, "säger Suen, som också har en tjänst som biträdande professor vid Leonard D. Schaeffer Center for Health Policy and Economics.

"Färre överväger fortfarande hur man använder ett algoritmiskt tillvägagångssätt för att optimera dessa policyer med tanke på osäkerheten i våra uppskattningar av denna sjukdomsdynamik. Vi tar hänsyn till båda dessa effekter i vårt tillvägagångssätt."

Eftersom överföringsmönster för infektion varierar med ålder, forskargruppen använde åldersskiktade data för att bestämma den optimala målgruppsdemografin för folkhälsokommunikation. Men algoritmen kan också segmentera populationer med andra variabler, inklusive kön och plats.

I framtiden, studiens insikter kan också belysa hälsoutfall för andra infektionssjukdomar, som HIV eller influensa.