V roce 2015 šokující ohniska spalniček v Disneylandu šokovala rodiče v zásadní změnu pohledu na očkování. V předchozích letech klesla vnímaná potřeba vakcíny MMR as ní i procento dětí, které byly chráněny před spalničkami. Poté, co stovky lidí onemocněly, což přimělo rodiče, aby se očkovali, sazby opět stoupaly.
Možná by mělo být zřejmé, že přeskočení očkování by vedlo k více nemocným dětem, ale většina amerických rodičů se v těchto dnech nikdy nemusela starat o spalničky. Mezi vnímaným rizikem onemocnění a vnímaným rizikem vakcín existuje dynamická interakce, vysvětluje Chris Bauch. Profesor aplikované matematiky na University of Waterloo, Bauch se podíval na trendy sociálních médií před a po vypuknutí Disneylandu a všiml si, že statisticky může sledovat veřejný sentiment k očkovacím látkám a vidět zvýšené riziko nemoci dříve, než k tomu dojde. On a jeho spolupracovníci publikovali práci ve sborníku Národní akademie věd v listopadu.
"Každý má nějakou intuici pro naklápění bodů z pil." Pokud máte větší váhu na jedné straně než na druhé straně, sklopí se dolů na těžší stranu. Ale když přidáte další a větší váhu na opačnou stranu, nakonec se to převrátí, “říká. "Tyto vyklápěcí body vykazují charakteristické signály dříve, než k nim dojde ... Otázkou je, můžeme hledat přítomnost vyklápěcího bodu vedoucího k velkému poklesu vychytávání vakcíny, jako je vyděsení vakcíny?"
Vakcíny jsou jen jedním z příkladů. Epidemiologové, počítačoví vědci a zdravotníci nyní aplikují počítačové učení na data z nových zdrojů - zejména sociálních médií - a vytvářejí prediktivní modely podobné CDC, ale mnohem rychleji. Tweety o bolestech v krku nebo o návštěvách lékaře, Google hledá studené léky a dokonce i vaše hodinky Fitbit nebo Apple Watch mohou naznačovat zdravotní trendy v oblasti, pokud se shodují s údaji o poloze. A lidé to sledují a nahrávají.
"Najednou máme přístup k některým údajům, " říká Marcel Salathe, vedoucí laboratoře digitální epidemiologie ve švýcarském institutu EPFL. "To je pro mě opravdu větší obrázek o tom, co se tady děje, protože do určité míry je to hluboká změna toku dat tradiční epidemiologie."
Pro Bauch a Salathe, kteří spolupracovali na studii, byl Twitter primárním zdrojem dat. Postavili bota, aby hledal tweety zmiňující vakcíny a posoudil sentiment těchto tweetů - ať už naznačují přijetí nebo pochybnosti o vakcínách. Poté se podívali na výsledky jako na komplexní systém se zpětnou vazbou a použili matematický model, aby zjistili, zda retroaktivně předpovídá zpomalení očkování, které vedlo k vypuknutí Disneylandu. To ano.
V systémech, jako je tento, dochází k určitým měřitelným signálům, když se systém přiblíží k bodu zlomu. V tomto případě vědci viděli „kritické zpomalení“, kdy se sentiment o očkovacích látkách pomalu vrátil k normálu poté, co jej ovlivnil zpravodajský článek nebo tweet od celebrity. Schopnost vidět tento náskok až k bodu zlomu znamená, že vzhledem k údajům o poloze by úředníci veřejného zdraví mohli sestavovat kampaně zaměřené na oblasti, které jsou vystaveny zvýšenému riziku strachu z očkování, a tím i ohniska.
Existují překážky v používání veřejně dostupných údajů ze sociálních médií, samozřejmě, včetně soukromí, ačkoli vědci, kteří používají údaje Twitter, poukazují na to, že se předpokládá, že pokud si něco o svém zdraví pípáte, může si jej někdo přečíst. Může být také obtížné sestavit počítačové programy pro analýzu obsažených informací, upozorňuje Graham Dodge, spoluzakladatel a generální ředitel společnosti Sickweather, služba založená na aplikaci, která generuje zdravotní prognózy a živé mapy hlášení o nemoci.
Dodge a jeho spoluzakladatelé spolupracovali s vědci z Johns Hopkins s cílem analyzovat miliardy tweetů zmiňujících nemoci. Tento proces zahrnoval oddělení úmyslných a kvalifikovaných zpráv („Mám chřipku“) od více vágních komentářů („Cítím se špatně“) a dokonce zavádějící formulace („Mám Bieberovu horečku“). Museli také kompenzovat chybějící nebo nepřesná data o poloze - všichni uživatelé Twitteru, kteří jednoduše označí jako svou polohu „Seattle“, jsou místo toho rozloženi do malého centrálního PSČ v Seattlu, než aby se šířili po celém městě.
Společnost Sickweather byla spuštěna v roce 2013 pomocí mobilní aplikace, která uživatelům umožňuje hlásit nemoci přímo společnosti Sickweather, jakož i prohlížet si podmínky na jejich místě. Kliničtí vědci a farmaceutické společnosti používají prediktivní model aplikace k předvídání vrcholů nemocí několik týdnů před CDC, ale se srovnatelnou přesností.
"Jakmile je to v rukou milionů lidí, namísto 270 000 by to, jak se to bude hrát v měřítku, mohlo skutečně zabránit šíření nemoci na mnoha místech, " říká Dodge.
Jiné projekty vyzkoušely různé přístupy. Chřipka blízko vás zachycuje symptomy na základě vlastního průzkumu, GoViral poslal soupravu pro vlastní analýzu hlenu a slin. Google Flu Trends využil data této společnosti ke sledování chřipky a zveřejnil její výsledky v Přírodě, i když projekt zastavení po vynechání zásilky v roce 2013. Experiment, ve kterém Google použil vyhledávání související s chřipkou k odhadu počtu lidí, kteří byli nemocní, přeceňuje prevalenci nemoci, pravděpodobně proto, že mediální pokrytí špatné chřipkové sezóny způsobilo, že lidé vyhledávali výrazy související s chřipkou. častěji.
Zatímco Twitter lze použít ke sledování samotných nemocí, Salathe říká, že některé z výzev zmíněných Dodgeem vysvětlují, proč metaanalýza přijetí vakcíny má větší smysl než nemoci hlášené vlastními silami.
"Nejsem si jistý, že Twitter je tím nejlepším zdrojem dat, protože lidé o sobě dělají taková divná prohlášení, když musí diagnostikovat sami sebe, " říká Salathe. "Není to vlastně ani tak o sledování samotné nemoci, ale spíše o sledování lidské reakce na ni."
GoViral má další výhodu, vysvětluje Rumi Chunara, profesor informatiky a inženýrství NYU, který tento projekt řídí. Nespoléhá se na vlastní hlášení, ale na laboratorní testy, které definitivně hodnotí šíření virů a porovnávají je se zprávami o symptomech.
"Je tu spousta příležitostí, ale jsou tu také výzvy, a myslím si, že tam by se mohla soustředit řada věd, " říká Chunara. Jak doplňuje klinická data? Jak snížit hluk a aplikovat informace? Na jaká konkrétnější pole nebo lidské chování se můžeme podívat?
Novější technologie - zejména fitness trackery a jiná přímá měření zdraví - poskytnou více, lepší data, která jsou méně subjektivní, říká.
"Mnohokrát dostaneme tento bzučák, je to něco úžasného, zdraví sociálních médií, " říká. "Otázka, jak si to zvyknout, je něco, o čem si myslím, že by se celá komunita měla dívat."
