2015-ben a magas szintű kanyarójárvány Disneylandben sokkolta a szülőket az oltások szempontjából. Az előző években csökkent az MMR oltás iránti igény, és ezzel együtt a kanyaró ellen védett gyermekek százaléka. Miután emberek százai megbetegedtek, és a szülõket vakcinázásra késztette, az arány ismét emelkedett.
Talán nyilvánvalónak kell lennie, hogy az oltások kihagyása több beteg gyermeket eredményez, ám manapság az amerikai szülők többségének soha nem kellett aggódnia a kanyaró miatt. Dinamikus kölcsönhatás van a betegség és a vakcinák észlelt kockázata között - magyarázza Chris Bauch. Bauch, a Waterloói Egyetem alkalmazott matematikai professzora a Disneyland kitörés előtti és utáni szociális média tendenciákat vizsgálta, és észrevette, hogy statisztikai szempontból képes nyomon követni az oltások iránti közvélemény érzelmeit és látni a megnövekedett betegségkockázatot, még mielőtt ez megtörtént volna. Ő és munkatársai novemberben közzétették a munkát a Nemzeti Tudományos Akadémia folyóiratában .
„Mindenkinek van valamilyen intuíciója a fűrészek fellendítéséhez. Ha az egyik oldalán nagyobb a súly, mint a másikban, akkor a nehezebb oldalra dől. De ahogy egyre több és több súlyt ad az ellenkező oldalnak, az végül meg is borul ”- mondja. "Ezek a csúcspontok jellegzetes jeleket mutatnak, mielőtt azok megtörténnének ... a kérdés az, hogy kereshetünk-e olyan fordulási pontot, amely a vakcinák felvételének jelentős csökkenéséhez vezet, mint például az oltástól való félelem?"
A vakcinázási félelmek csak egy példa. Az epidemiológusok, számítógépes tudósok és egészségügyi szakemberek most új számítógépes tanulmányokat alkalmaznak az új forrásokból származó adatokra - különösen a közösségi médiára - a CDC-khez hasonló, de sokkal gyorsabb prediktív modellek létrehozására. A torokfájásról vagy az orvos látogatásairól szóló tweettek, a Google megfázáscsökkentő eszközökkel kapcsolatos keresése, és még a Fitbit vagy az Apple Watch is adhat tippeket a térség egészségügyi tendenciáira, ha a helyadatokkal egyeztetik őket. És az emberek követik és feltöltik.
"Hirtelen hozzáférünk bizonyos adatokhoz" - mondja Marcel Salathe, a svájci EPFL intézet digitális járványügyi laboratóriumának vezetője. "Számomra ez valójában a nagyobb kép arról, hogy mi történik itt, mert bizonyos mértékig ez a hagyományos járványtani adatáramlás alapos megváltoztatása."
Bauch és Salathe, akik együttműködtek a tanulmányban, a Twitter volt az elsődleges adatforrás. Egy botot építettek az oltásokról szóló tweet keresésére és a tweet érzelmének felmérésére - függetlenül attól, hogy jelezték-e az oltások elfogadását vagy kétségét. Ezután az eredményeket egy visszacsatoló hurokkal ellátott komplex rendszerként tekintették, matematikai modell alkalmazásával annak megállapítására, hogy az visszamenőleges hatállyal megjósolja-e a vakcinázás lelassulását, amely a Disneyland kitöréséhez vezet. Tette.
Ilyen rendszerekben bizonyos mérhető jelek fordulnak elő, amikor a rendszer megközelíti a fordulási pontot. Ebben az esetben a kutatók „kritikus lassulást” tapasztaltak, ahol az oltásokkal kapcsolatos érzelmek lassabban normalizálódtak, miután egy hírcikk vagy egy híresség tweetje befolyásolta. A csúcsponthoz vezető ilyen lépés észlelése azt jelenti, hogy a helymeghatározási adatok alapján a közegészségügyi tisztviselők kampányokat készíthetnek olyan területeket célozva, amelyek fokozottan veszélyeztetik az oltást, és így a járvány kitörését.
Természetesen akadályok vannak a közösségi média forrásaiból közzétett adatok felhasználásával, beleértve a magánélet védelmét is, bár a Twitter adatait használó kutatók rámutatnak, hogy valamiféle feltételezés feltételezi, hogy ha tweettel jelzel az egészségéről, akkor valaki elolvassa. Ugyancsak kihívást jelenthet a számítógépes programok felépítése a tartalom elemzésére, rámutat Graham Dodge, a Sickweather társalapítója és vezérigazgatója. Ez egy olyan alkalmazás-alapú szolgáltatás, amely egészségügyi előrejelzéseket készít és élő térképeket készít a betegségi jelentésekről.
Dodge és társaik együttmûködtek Johns Hopkins kutatóival, hogy több milliárd tweet elemzésére betegségeket említsenek. A folyamat magában foglalta a szándékos, minősített jelentések („Van influenza”) elválasztását a homályosabb megjegyzésektől („beteg vagyok”), sőt a félrevezető megfogalmazást („Bieber-lázom van”). Kompenzálniuk kellett volna a hiányzó vagy pontatlan helyadatokat is - az összes Twitter-felhasználót, aki például egyszerűen „Seattle-t” jelöl meg helyként, egy kisebb Seattle belvárosi irányítószámba ejtik, nem pedig a városban elterjednek.
A Sickweather 2013-ban elindította egy olyan mobilalkalmazást, amely lehetővé teszi a felhasználók számára, hogy betegségeiket közvetlenül a Sickweather felé jelentsék, valamint megtekintsék a helyzetüket. A klinikai kutatók és a gyógyszeripari cégek az alkalmazás prediktív modelljét használják a betegség csúcsának előrejelzésére néhány héttel a CDC előtt, de összehasonlítható pontossággal.
"Ha ez több millió ember kezében van, a 270 000 helyett, hogy ez a méretarányos lejátszás valóban meggátolhatja a betegség terjedését sok helyen" - mondja Dodge.
Más projektek különböző megközelítéseket próbáltak ki. Az Influenza önmagában beszámolóval készíti a tüneteket, a GoViral küldött egy kitet a nyálka és a nyál önértékeléséhez, a Google Flu Trends pedig felhasználta a vállalat adatait az influenza nyomon követésére, és eredményeit közzétette a Nature-ban, bár a projekt A kísérlet, amelyben a Google az influenzával kapcsolatos keresésekkel becsülte meg, hogy hány ember volt beteg, túlbecsülte a betegség előfordulását, valószínűleg azért, mert a rossz influenza-idény média bemutatása miatt az emberek az influenzával kapcsolatos kifejezéseket keresték gyakrabban.
Miközben a Twitter felhasználható maguk a betegségek nyomon követésére, Salathe szerint néhány Dodge által említett kihívás magyarázza, hogy miért van értelme a vakcina elfogadásának metaanalízisénél inkább, mint az önmagában bejelentett betegségeknek.
"Nem vagyok biztos abban, hogy a Twitter a legjobb adatforrás erre, mert az emberek furcsa kijelentéseket tesznek magukról, amikor saját diagnosztizálniuk kell" - mondja Salathe. "Valójában nem annyira magának a betegségnek a nyomon követésére, hanem inkább az emberi reagálás nyomon követésére."
A GoViral további előnye van - magyarázza Rumi Chunara, a NYU informatikai és mérnöki professzora, aki ezt a projektet irányítja. Nem az önjelentésre, hanem a laboratóriumi tesztekre támaszkodik, amelyek véglegesen felmérik a vírusok terjedését és összehasonlítják a tüneti jelentésekkel.
"Nagyon sok lehetőség van, de vannak kihívások is, és azt hiszem, erre összpontosíthatná a tudomány nagy részét" - mondja Chunara. Hogyan egészíti ki a klinikai adatokat? Hogyan lehet csökkenteni a zajt és alkalmazni az információkat? Milyen speciális területeket vagy emberi viselkedést nézhetünk meg?
A legújabb technológiák - különösen a fitnesz-követők és az egyéb közvetlen egészségügyi intézkedések - több, jobb adatot fognak szolgáltatni, amely kevésbé szubjektív - mondja.
"Sokszor megkapjuk ezt a zümmögést, ez valami fantasztikus, a szociális média egészsége" - mondja. "Azt gondolom, hogy az egész közösségnek törekednie kellene arra, hogy megszokja."
