W 2015 r. Głośny wybuch odry w Disneylandzie wstrząsnął rodzicami, wprowadzając zasadniczą zmianę w perspektywie szczepień. W poprzednich latach zmniejszyła się postrzegana potrzeba szczepionki MMR, a wraz z nią odsetek dzieci chronionych przed odrą. Po tym, jak setki ludzi zachorowały, co skłoniło rodziców do szczepienia, wskaźniki ponownie wzrosły.
Może powinno być oczywiste, że pominięcie szczepień doprowadziłoby do większej liczby chorych dzieci, ale większość amerykańskich rodziców w dzisiejszych czasach nigdy nie musiała się martwić o odrę. Chris Bauch wyjaśnia, że istnieje dynamiczna interakcja między postrzeganym ryzykiem choroby a postrzeganym ryzykiem szczepionek. Bauch, profesor matematyki stosowanej na uniwersytecie w Waterloo, przyjrzał się trendom w mediach społecznościowych przed wybuchem Disneylandu i po nim, i zauważył, że statystycznie może śledzić nastroje społeczne wobec szczepionek i widzieć podwyższone ryzyko choroby, zanim to nastąpi. On i jego współpracownicy opublikowali pracę w Proceedings of National Academy of Sciences w listopadzie.
„Każdy ma intuicję w przechylaniu punktów z pił tarczowych. Jeśli masz większą wagę z jednej strony niż z drugiej, przechyla się ona na cięższą stronę. Ale w miarę zwiększania wagi strony przeciwnej, w końcu się przewróci - mówi. „Te punkty krytyczne wykazują charakterystyczne sygnały, zanim się pojawią… pytanie brzmi: czy możemy szukać obecności punktu krytycznego prowadzącego do znacznego spadku absorpcji szczepionki, jak strach przed szczepionką?”
Przestraszanie szczepionkami to tylko jeden przykład. Epidemiolodzy, informatycy i pracownicy służby zdrowia stosują teraz uczenie komputerowe do danych z nowych źródeł - zwłaszcza mediów społecznościowych - w celu tworzenia modeli predykcyjnych podobnych do CDC, ale znacznie szybszych. Tweety o bólach gardła lub wizytach lekarza, wyszukiwaniu przez Google środków na przeziębienie, a nawet Fitbit lub zegarek Apple Watch mogą podpowiedzieć trendy zdrowotne w danym obszarze, jeśli zostaną dopasowane do danych o lokalizacji. Ludzie śledzą to i przesyłają.
„Nagle mamy dostęp do niektórych danych” - mówi Marcel Salathe, kierownik cyfrowego laboratorium epidemiologicznego w szwajcarskim instytucie EPFL. „To dla mnie naprawdę większy obraz tego, co się tutaj dzieje, ponieważ w pewnym stopniu jest to głęboka zmiana przepływu danych w tradycyjnej epidemiologii”.
Dla Baucha i Salathe, którzy współpracowali przy badaniu, Twitter był głównym źródłem danych. Zbudowali bota, aby wyszukiwać tweety wspominające o szczepionkach i oceniać nastroje tych tweetów - niezależnie od tego, czy wskazują one na akceptację czy wątpliwości co do szczepionek. Następnie przyjrzeli się wynikom jako złożonemu systemowi z pętlą sprzężenia zwrotnego, stosując model matematyczny, aby sprawdzić, czy z mocą wsteczną przewiduje spowolnienie szczepień, które doprowadziło do wybuchu Disneylandu. Tak się stało.
W takich systemach występują pewne mierzalne sygnały, gdy system zbliża się do punktu krytycznego. W tym przypadku naukowcy zauważyli „krytyczne spowolnienie”, w którym nastroje na temat szczepionek wolniej wracały do normy po tym, jak wpłynął na to artykuł lub tweet sławnej osoby. Widząc to doprowadzenie do punktu krytycznego oznacza, że przy danych dotyczących lokalizacji urzędnicy zdrowia publicznego mogą budować kampanie ukierunkowane na obszary o podwyższonym ryzyku strachu przed szczepionką, a tym samym epidemii.
Istnieją oczywiście bariery w korzystaniu z publicznie dostępnych danych ze źródeł mediów społecznościowych, w tym z prywatności, choć badacze korzystający z danych na Twitterze wskazują, że zakładamy, że jeśli tweetujesz o swoim zdrowiu, ktoś może je przeczytać. Graham Dodge, współzałożyciel i dyrektor generalny Sickweather, aplikacji opartej na aplikacji, która generuje prognozy stanu zdrowia i mapy na żywo raportów o chorobach, może również stanowić wyzwanie.
Dodge i jego współzałożyciele współpracowali z badaczami z Johns Hopkins, aby przeanalizować miliardy tweetów wspominających o chorobach. Proces obejmował oddzielenie celowych, wykwalifikowanych raportów („Mam grypę”) od bardziej niejasnych komentarzy („Czuję się chory”), a nawet wprowadzających w błąd sformułowań („Mam gorączkę Biebera”). Musieli również zrekompensować brakujące lub niedokładne dane o lokalizacji - wszyscy użytkownicy Twittera, którzy po prostu zaznaczają „Seattle” jako swoją lokalizację, na przykład, są umieszczani w małym kodzie pocztowym w centrum Seattle, a nie rozproszeni po całym mieście.
Sickweather uruchomiona w 2013 roku z aplikacją mobilną, która pozwala użytkownikom zgłaszać choroby bezpośrednio do Sickweather, a także wyświetlać warunki w ich lokalizacji. Badacze kliniczni i firmy farmaceutyczne wykorzystują model prognostyczny aplikacji do przewidywania szczytów chorób na kilka tygodni przed CDC, ale z porównywalną dokładnością.
„Gdy będzie to w rękach milionów ludzi, zamiast 270 000, to, jak to się dzieje na dużą skalę, może naprawdę powstrzymać rozprzestrzenianie się chorób w wielu miejscach”, mówi Dodge.
Inne projekty próbowały różnych podejść. Grypa w pobliżu uchwyciła objawy w ankiecie, którą zgłosiła firma GoViral, wysłała zestaw do samodzielnej analizy śluzu i śliny, a Google Flu Trends wykorzystał dane tej firmy do śledzenia grypy i opublikował wyniki w Nature, chociaż projekt zakończyło się po niewypał w 2013 r. Eksperyment, w którym Google wykorzystał wyszukiwania związane z grypą, aby oszacować, ile osób było chorych, przecenił występowanie choroby, być może dlatego, że relacje medialne o złym sezonie grypy skłoniły ludzi do wyszukiwania haseł związanych z grypą częściej.
Chociaż Twitter może być wykorzystywany do śledzenia samych chorób, Salathe twierdzi, że niektóre z wyzwań wspomnianych przez Dodge'a wyjaśniają, dlaczego metaanaliza akceptacji szczepionek ma większy sens niż zgłaszane przez siebie choroby.
„Nie jestem pewien, czy Twitter jest najlepszym źródłem danych do tego celu, ponieważ ludzie wydają takie dziwne oświadczenia o sobie, gdy muszą się zdiagnozować” - mówi Salathe. „W rzeczywistości nie chodzi tak naprawdę o śledzenie samej choroby, ale raczej śledzenie ludzkiej reakcji na nią”.
GoViral ma jeszcze jedną zaletę, wyjaśnia Rumi Chunara, profesor informatyki i inżynierii NYU, który prowadzi ten projekt. Nie opiera się on na własnym raporcie, ale na testach laboratoryjnych, które ostatecznie oceniają rozprzestrzenianie się wirusów i porównują je z raportami objawów.
„Jest wiele możliwości, ale są też wyzwania i myślę, że na tym można się skupić, jeśli chodzi o naukę” - mówi Chunara. Jak uzupełnia dane kliniczne? Jak zmniejszamy hałas i stosujemy informacje? Na jakie bardziej konkretne dziedziny lub ludzkie zachowania możemy patrzeć?
Nowsze technologie - zwłaszcza urządzenia monitorujące sprawność fizyczną i inne bezpośrednie miary zdrowia - dają więcej lepszych danych, które są mniej subiektywne, mówi.
„Wiele razy mamy ten gwar, jest to coś niesamowitego, zdrowie w mediach społecznościowych”, mówi. „Wydaje mi się, że kwestia wykorzystania się jest czymś, na co powinna patrzeć cała społeczność”.
