Making global public health more proactive with Google Earth AI

Google Earth AI：推动全球健康向前发展

利用Google Earth AI提升全球公共卫生的主动性

2026年10月6日

|

分享下拉菜单

• x.com

• Facebook

• LinkedIn

• 邮件

• 复制链接

我们正在通过将本地健康数据与先进的地理空间模型相结合，帮助公共卫生领导者克服报告滞后、预测疾病暴发，并向全球脆弱社区提供护理。

Shravya Shetty

Google Research高级软件工程师

Monica Bharel

Google Health临床专家

分享

Safari浏览器的变通方法：当通过<use>引用外部SVG精灵图中定义的线性渐变时，Safari无法解析。在此处内联它们可使它们在页面的DOM中可用。

您的浏览器不支持音频元素。

收听文章

[[时长]] 分钟

此内容由Google AI生成。生成式AI为实验性功能

语音

速度

0.75X

1X

1.5X

2X

阅读AI生成的摘要

Google正在利用人工智能和卫星图像帮助公共卫生官员预测和预防疾病暴发。这些工具使团队能够比传统人工方法更快地绘制高危人群地图并预测健康趋势。如果您是研究人员或医疗专业人员，可以申请免费访问这些数据洞察，或申请Google Earth积分以支持您的本地工作。

摘要由Google AI生成。生成式AI为实验性功能。

• “利用Google Earth AI提升全球公共卫生的主动性”探讨了新的预测性健康工具。

• Google Earth AI帮助卫生专家在疫情扩散前识别风险并预防暴发。

• AI工具帮助团队在几分钟内，而不是几周内，定位数千名高危人群。

• 研究人员利用这些模型预测从心血管死亡率到季节性疾病激增的各种情况。

• 您现在可以访问这些强大的人口洞察，帮助保护本地社区。

Google正在利用AI和卫星图像帮助卫生专家更有效地追踪疾病。与其等待疫情恶化，这项技术帮助官员更快发现风险并迅速将资源调配到正确的位置。它已经帮助团队仅用几分钟就发现了处于埃博拉风险中的偏远社区。这一工具使医生和研究人员能够在健康危机发生前更好地保护人们。

#### 探索其他风格：

• 一般摘要

• 项目符号

• 基础说明

文章正文

一个社区的健康与地理环境密切相关，地理环境决定了气候模式、物理基础设施以及人们的生活和移动方式。但公共卫生团队在追踪快速传播的病毒暴发或预测心血管死亡率时，经常面临地理盲点、数据碎片化和报告延迟等挑战。为卫生领导者配备先进的预测工具，可以更好地保护高危社区，并帮助将应急响应从被动管理转向主动预防。

在与全球卫生合作伙伴共同撰写的新研究论文中，我们展示了Google Earth AI如何通过自主预测和人口动态分析，弥合不同地理区域、疾病类型和公共卫生领域之间的关键差距。

通过将环境信号与卫星图像、移动数据和基础模型（如AlphaEarth Foundations和我们的人口动态基础模型（PDFM））相结合，并搭配原型地理空间推理代理，我们帮助社区揭示人与环境之间的复杂联系。

这使研究人员和公共卫生官员能够补充现有健康信息，弥补报告空白，并主动应对健康挑战。

将智能代理能力带到前线

急性健康危机需要快速、直观的工具。为了验证地球人工智能在紧急情况下的能力，几家合作伙伴获得了两个研究原型的访问权限：使用Google Earth AI能力进行对话式空间映射的地理空间推理代理，以及用于自主疾病预测的行星预测引擎。通过自然语言对话，公共卫生团队可以借助及时洞察和清晰的决策支持，简化复杂的人工数据处理流程。

在刚果民主共和国（DRC）持续爆发的埃博拉疫情中，世界卫生组织非洲区域办事处（WHO AFRO）达喀尔应急准备与响应中心以及刚果民主共和国国家生物医学研究所（INRB）的流行病建模与情报单位（UMIE）利用这些原型开展了实际应用。

• 揭示传播盲区：WHO AFRO团队使用我们的地理空间推理代理原型，绘制了偏远矿区走廊的高风险暴露区域和高人口流动区域。几分钟内，团队就定位了48个暴露定居点，并识别出超过45,500名高危人群——这一过程通常需要数周时间。这使当地响应人员能够主动部署移动实验室并协调边境监控。

• 模拟疫情传播轨迹：与UMIE合作，我们构建了预测模型，估算埃博拉病毒向未感染区域传播的风险。通过将人口流动数据与历史病例趋势及地球人工智能模型和数据集结合，这些每周洞察为协调员在病例到达前提供了关键的规划时间。

• 扩展健康预测能力：除了快速传播的疫情，我们的研究表明，将地球人工智能能力与公共卫生数据结合，可以比人工分析更准确地预测更广泛的社区健康趋势。

将基础模型与本地洞察相结合

PDFM将聚合的搜索趋势和移动及环境模式整合为社区的动态高分辨率图景。合作伙伴可以直接将这些洞察集成到自己的系统中。

• 提升疾病预测时效性（心血管疾病）：通过将实时人口信号整合到慢性病模型中，纽约大学朗格健康（NYU Langone Health）的研究人员使用类似——在某些情况下甚至优于——传统方法的性能，预测了当年的心血管死亡率。这些洞察生成得越快，就越能及时将关键资源引导至脆弱社区。

• 跟踪跨境免疫接种情况（麻疹、腮腺炎和风疹）：纽约西奈山医疗系统（Mount Sinai Health System）和波士顿儿童医院（Boston Children’s Hospital）的研究人员整合了美加边境两侧的人类行为模式，从而更准确地了解美国各县的疫苗接种率，并发现传统公共卫生模型可能忽略的洞察。

• 预测季节性激增（登革热）：许多地方性流行病会随着环境和天气变化呈现季节性波动。牛津大学和蒙特雷科技学院的研究人员将PDFM与本地化气候模型结合，使他们能够更准确地预测墨西哥各地登革热暴发情况。这可以为采取早期行动提供宝贵的时间窗口，例如消灭蚊幼虫。

• 预测水传播疾病热点（霍乱）：在刚果民主共和国与WHO AFRO的霍乱评估中，将流行病学记录与PDFM结合，使识别可能暴发的健康区域的预测能力提前了八周。这可以帮助一线团队采取主动措施。

支持全球获取

将行星智能纳入公共卫生工作流程的第一步是让这些工具进入研究人员和从业者的手中。PDFM嵌入功能作为Population Dynamics Insights（来自Google Maps Platform的地理空间嵌入数据集）已以预览形式商业提供。研究人员可以申请特定使用案例的免费访问权限。

符合条件的组织可通过我们的GMP公共计划申请Google Earth积分。

为了进一步支持本地公共卫生基础设施，Google.org已向INRB提供资金，帮助现代化本地检测和疾病监测系统。

通过将行星智能与本地专业知识结合，我们正与全球卫生领导者合作，构建主动的、数据驱动的工具，以更好地保护世界各地的社区。

订阅Google最新资讯

通过我们的电子通讯获取产品更新、活动信息、特别优惠等。

完成。只需再完成一步。

检查您的收件箱以确认订阅。

您也可以使用不同的电子邮件地址订阅。

您的信息将按照Google的隐私政策使用。您随时可以取消订阅。

发布于： /think