Το 2015, ένα υψηλό προφίλ εστίας ιλαράς στη Disneyland σοκάρισε τους γονείς σε μια θεμελιώδη αλλαγή στην προοπτική των εμβολιασμών. Στα προηγούμενα χρόνια, η υποτιθέμενη ανάγκη για το εμβόλιο MMR είχε πέσει, και με αυτό, το ποσοστό των παιδιών που προστατεύονταν από την ιλαρά. Αφού αρρώστησαν εκατοντάδες άνθρωποι, προτρέποντας τους γονείς να εμβολιάσουν, τα ποσοστά ανέβηκαν ξανά.
Ίσως θα πρέπει να είναι προφανές ότι η παραβίαση των εμβολιασμών θα οδηγούσε σε πιο άρρωστα παιδιά, αλλά οι περισσότεροι Αμερικανοί γονείς αυτές τις μέρες δεν έπρεπε ποτέ να ανησυχούν για την ιλαρά. Υπάρχει μια δυναμική αλληλεπίδραση μεταξύ του αντιληπτού κινδύνου της ασθένειας και του αντιληπτού κινδύνου των εμβολίων, εξηγεί ο Chris Bauch. Ο Bauch, καθηγητής εφαρμοσμένων μαθηματικών στο Πανεπιστήμιο του Βατερλώ, εξέτασε τις τάσεις των κοινωνικών μέσων πριν και μετά την επιδημία της Disneyland και διαπίστωσε ότι από στατιστικής απόψεως θα μπορούσε να παρακολουθήσει το δημόσιο συναίσθημα προς τα εμβόλια και να δει τον αυξημένο κίνδυνο ασθένειας προτού συμβεί. Αυτός και οι συνεργάτες του δημοσίευσαν το έργο στα Πρακτικά της Εθνικής Ακαδημίας Επιστημών το Νοέμβριο.
"Ο καθένας έχει κάποια διαίσθηση για την απόκλιση από τα πριόνια. Εάν έχετε περισσότερο βάρος από τη μια πλευρά από την άλλη, συμβουλεύει κάτω από την βαρύτερη πλευρά. Αλλά καθώς προσθέτετε όλο και περισσότερο βάρος στην αντίπαλη πλευρά, τελικά θα ανατραπεί ", λέει. "Αυτά τα σημεία αιχμής παρουσιάζουν χαρακτηριστικά σήματα πριν εμφανιστούν ... το ερώτημα είναι, μπορούμε να αναζητήσουμε την ύπαρξη ενός σημείου ανατροπής που θα οδηγήσει σε μια μεγάλη πτώση στην πρόσληψη εμβολίου, σαν να φοβόμαστε τον εμβολιασμό;"
Οι φοβίες των εμβολίων είναι μόνο ένα παράδειγμα. Οι επιδημιολόγοι, οι επιστήμονες υπολογιστών και οι επαγγελματίες της υγείας εφαρμόζουν τώρα την εκμάθηση ηλεκτρονικών υπολογιστών σε δεδομένα από νέες πηγές - ειδικά τα κοινωνικά μέσα - για να δημιουργήσουν μοντέλα πρόβλεψης παρόμοια με τα CDC, αλλά πολύ ταχύτερα. Τα Tweets για πόνο στο λαιμό ή για επισκέψεις γιατρού, η Google ψάχνει για φάρμακα κατά του κρυολογήματος και ακόμη και το Fitbit ή το Apple Watch μπορεί να δώσει συμβουλές σχετικά με τις τάσεις της υγείας σε μια περιοχή, αν ταιριάζει με τα δεδομένα θέσης. Και οι άνθρωποι το παρακολουθούν και το ανεβάζουν.
«Ξαφνικά έχουμε πρόσβαση σε μερικά από τα δεδομένα», λέει ο Marcel Salathe, επικεφαλής του εργαστηρίου ψηφιακής επιδημιολογίας στο ινστιτούτο EPFL της Ελβετίας. "Αυτό για μένα είναι πραγματικά η ευρύτερη εικόνα του τι συμβαίνει εδώ, γιατί σε κάποιο βαθμό πρόκειται για μια βαθιά αλλαγή της ροής δεδομένων της παραδοσιακής επιδημιολογίας".
Για τους Bauch και Salathe, που συνεργάστηκαν στη μελέτη, το Twitter ήταν η κύρια πηγή δεδομένων. Κατασκεύασαν ένα bot για να ψάξουν για tweets που αναφέρουν τα εμβόλια και να αξιολογήσουν το συναίσθημα αυτών των tweets - είτε έδειξαν την αποδοχή ή την αμφιβολία των εμβολίων. Στη συνέχεια, εξέτασαν τα αποτελέσματα ως ένα περίπλοκο σύστημα με έναν βρόχο ανατροφοδότησης, εφαρμόζοντας ένα μαθηματικό μοντέλο για να διαπιστώσει αν θα προέβλεπε αναδρομικά την επιβράδυνση του εμβολιασμού που οδήγησε στην έκρηξη της Disneyland. Το έκανε.
Σε συστήματα όπως αυτό, εμφανίζονται ορισμένα μετρήσιμα σήματα καθώς το σύστημα προσεγγίζει ένα σημείο ανατροπής. Στην περίπτωση αυτή, οι ερευνητές είδαν μια «κρίσιμη επιβράδυνση», όπου το συναίσθημα για τα εμβόλια ήταν πιο αργό για να επιστρέψει στο φυσιολογικό μετά από ένα άρθρο ειδήσεων ή ένα tweet από μια διασημότητα επηρέασε αυτό. Το να μπορεί κανείς να δει αυτό το γεγονός μέχρι το σημείο ανατροπής σημαίνει ότι, δεδομένων των δεδομένων θέσης, οι δημόσιοι υπάλληλοι της δημόσιας υγείας θα μπορούσαν να δημιουργήσουν εκστρατείες που στοχεύουν σε περιοχές που διατρέχουν αυξημένο κίνδυνο να φοβίσουν ένα εμβόλιο και, συνεπώς, μια εστία.
Υπάρχουν εμπόδια στη χρήση δημόσιων δεδομένων από πηγές κοινωνικών μέσων μαζικής ενημέρωσης, φυσικά, συμπεριλαμβανομένης της ιδιωτικής ζωής, αν και οι ερευνητές που χρησιμοποιούν τα δεδομένα Twitter επισημαίνουν ότι είναι ένα είδος υποθέτουμε ότι εάν τιτίβισμα για την υγεία σας, κάποιος μπορεί να το διαβάσει. Μπορεί επίσης να είναι δύσκολο να δημιουργηθούν προγράμματα ηλεκτρονικών υπολογιστών για την ανάλυση των περιεχομένων πληροφοριών, επισημαίνει ο Graham Dodge, συνιδρυτής και διευθύνων σύμβουλος της Sickweather, μιας υπηρεσίας βασισμένης σε εφαρμογές που παράγει προβλέψεις υγείας και ζωντανές αναφορές ασθενειών.
Ο Dodge και οι συνιδρυτές του συνεργάστηκαν με ερευνητές του Johns Hopkins για να αναλύσουν δισεκατομμύρια tweets που αναφέρουν ασθένειες. Η διαδικασία αφορούσε τον διαχωρισμό των εκ προθέσεως ειδικών αναφορών ("έχω τη γρίπη") από πιο ασαφή σχόλια ("Αισθάνομαι άρρωστος") και ακόμη και παραπλανητική φράση ("Έχω πυρετό Bieber"). Έπρεπε επίσης να αντισταθμίσουν τα απόντα ή ανακριβή δεδομένα θέσης - όλοι οι χρήστες Twitter που απλώς σηματοδοτούν το "Seattle" ως την τοποθεσία τους, για παράδειγμα, πέφτουν σε ένα μικρό ταχυδρομικό κώδικα στο κέντρο του Σιάτλ, αντί να εξαπλωθούν σε όλη την πόλη.
Το Sickweather εγκαινιάστηκε το 2013 με μια εφαρμογή για κινητά που επιτρέπει στους χρήστες να αναφέρουν ασθένειες απευθείας στο Sickweather, καθώς και συνθήκες προβολής στη θέση τους. Οι κλινικοί ερευνητές και οι φαρμακευτικές εταιρείες χρησιμοποιούν το μοντέλο πρόβλεψης της εφαρμογής για την πρόβλεψη κορυφών νόσων αρκετές εβδομάδες μπροστά από το CDC, αλλά με συγκρίσιμη ακρίβεια.
"Μόλις αυτό είναι στα χέρια εκατομμυρίων ανθρώπων, αντί για 270.000, πώς αυτό θα έπαιρνε σε κλίμακα θα μπορούσε πραγματικά να αποτρέψει την εξάπλωση της ασθένειας σε πολλά μέρη", λέει ο Dodge.
Άλλα έργα έχουν δοκιμάσει διαφορετικές προσεγγίσεις. Η γρίπη κοντά σας καταγράφει τα συμπτώματα με μια αυτοαναφερόμενη έρευνα, η GoViral στέλνει κιτ για την αυτοανάλυση της βλέννας και του σάλιου και η Google Flu Trends αξιοποίησε τα δεδομένα της εταιρείας για την παρακολούθηση της γρίπης και δημοσίευσε τα αποτελέσματα της στη Φύση, μετά από μια αστοχία το 2013. Το πείραμα, στο οποίο η Google χρησιμοποίησε αναζητήσεις σχετιζόμενες με τη γρίπη για να εκτιμήσει πόσα άτομα ήταν άρρωστα, υπερεκτίμησε την επικράτηση της νόσου, πιθανώς επειδή η κάλυψη των μέσων μαζικής ενημέρωσης από μια κακή εποχή γρίπης προκάλεσε την αναζήτηση ατόμων που σχετίζονται με τη γρίπη πιο συχνά.
Ενώ το Twitter μπορεί να χρησιμοποιηθεί για την παρακολούθηση των ίδιων των ασθενειών, ο Salathe αναφέρει ότι μερικές από τις προκλήσεις που ανέφερε ο Dodge εξηγούν γιατί η μετα-ανάλυση της αποδοχής εμβολίων έχει μεγαλύτερη σημασία από τις αυτοαναφερόμενες ασθένειες.
"Δεν είμαι σίγουρος ότι το Twitter είναι η καλύτερη πηγή δεδομένων για αυτό, επειδή οι άνθρωποι δίνουν τέτοιες περίεργες δηλώσεις για τον εαυτό τους όταν πρέπει να αυτοδιάγνωση", λέει ο Salathe. "Δεν είναι στην πραγματικότητα τόσο η παρακολούθηση της ίδιας της νόσου, αλλά μάλλον η παρακολούθηση της ανθρώπινης αντίδρασης σε αυτήν".
Το GoViral έχει ένα επιπλέον πλεονέκτημα, εξηγεί ο Rumi Chunara, ο επιστήμονας πληροφορικής του NYU και ο καθηγητής μηχανικής που διαχειρίζεται το έργο αυτό. Δεν εξαρτάται από την αυτο-αναφορά, αλλά από τις εργαστηριακές δοκιμές που αξιολογούν οριστικά την εξάπλωση των ιών και τις συγκρίνει με τις αναφορές των συμπτωμάτων.
"Υπάρχουν πολλές ευκαιρίες, αλλά υπάρχουν και προκλήσεις, και νομίζω ότι εκεί θα μπορούσε να επικεντρωθεί πολύ η επιστήμη", λέει ο Chunara. Πώς συμπληρώνει τα κλινικά δεδομένα; Πώς μειώνουμε τον θόρυβο και εφαρμόζουμε τις πληροφορίες; Ποια συγκεκριμένα πεδία ή ανθρώπινη συμπεριφορά μπορούμε να δούμε;
Οι νεώτερες τεχνολογίες - ειδικά οι ιχνηλάτες φυσικής κατάστασης και άλλα άμεσα μέτρα υγείας - θα δώσουν περισσότερα, καλύτερα δεδομένα που είναι λιγότερο υποκειμενικά, λέει.
"Πολλές φορές, παίρνουμε αυτό το buzz, αυτό είναι κάτι φοβερό, κοινωνική υγεία των μέσων μαζικής ενημέρωσης», λέει. "Το ζήτημα της χρήσης του είναι κάτι που πιστεύω ότι πρέπει να κοιτάξει κανείς ολόκληρη η κοινότητα".
