Google Research、空間基盤モデル PDFM を発表──公衆衛生予測の遅延とデータ不足を解消
Google Earth AI の Population Dynamics Foundation Model を用いて、疫学予測における数年の報告遅延や境界の壁を解消する。
リリース: 2026-08-27 · 読了 3 分記事の要約
1. 核心（What）
- 検索トレンドや人流、環境決定要因を自己教師あり学習で圧縮し、月次更新される位置特徴量として提供する。
- 追加のファインチューニングを不要とし、既存の機械学習ワークフローにそのまま組み込める設計となっている。
- 米国ボーダー地域の MMR ワクチン接種率予測において、モデルが説明できる分散の割合を 16% から 22% へ改善した。
- メキシコの約 2,450 自治体におけるデング熱予測で、1 か月先の予測精度を最大 72% の自治体で向上させた。
2. 影響（Why）
- リアルタイムな公衆衛生判断: 従来の国勢調査や統計データが持つ 1〜2 年のラグを回避し、現在の条件に基づいた迅速な医療リソース配分が可能になる。
- 国内事業者への応用ポテンシャル: [国内 医療データ解析ベンチャーや公共衛生支援企業] のような組織は、自前でアンケートデータを集める従来手法から、月次更新されるオープンな位置情報特徴量ベースの予測へ移行するインセンティブが生まれる。
3. 根拠・詳細（How）
- 自己教師あり学習による位置特徴量の抽出: プライバシーに配慮した検索トレンドや人流データを月次で合成し、場所のフィンガープリントとなるコンパクトなエンベディングを生成する。
- クロスボーダーデータ統合による精度向上: 米国の郡データに対しカナダの領域データを追加し、国境を跨ぐ行動・移動のスピルオーバーをモデルに反映させることで予測精度を高めている。
4. 展望・課題（Next）
- 水系伝染病への適用拡大: コレラなどの発生件数が極めて少ない水系伝染病の早期警戒システムへの適用検証を進めている。