Leta 2015 je odmeven izbruh ošpic v Disneylandu šokiral starše v temeljito spremembo perspektive cepljenja. V preteklih letih je zaznana potreba po cepivu MMR upadla, s tem pa tudi odstotek otrok, ki so bili zaščiteni pred ošpicami. Potem ko je na stotine ljudi zbolelo, zaradi česar so starši morali cepiti, so se stopnje spet dvignile.
Mogoče bi moralo biti očitno, da bi preskakovanje cepljenj pripeljalo do več bolnih otrok, vendar se večini ameriških staršev v teh dneh nikoli ni bilo treba bati ošpicam. Chris Bauch pojasni dinamično interakcijo med zaznanim tveganjem za bolezen in zaznanim tveganjem za cepiva. Profesor uporabne matematike na Univerzi v Waterloou je Bauch pogledal trende na družbenih medijih pred in po izbruhu Disneylanda ter opazil, da lahko statistično gledano spremlja spremljevanje javnosti do cepiv in vidi povečano tveganje za bolezen, preden se je zgodilo. Delo je skupaj s sodelavci novembra objavil v Zborniku Narodne akademije znanosti .
»Vsakdo ima nekaj intuicije za preusmerjanje točk z žage. Če imate na eni strani večjo težo kot na drugi, se naslanja na težjo stran. Toda ko dodate vse večjo težo nasprotni strani, se bo sčasoma prevrnilo, "pravi. "Te konice kažejo značilne signale, preden se pojavijo ... vprašanje je, ali lahko iščemo prisotnost prelomne točke, ki vodi do velikega zmanjšanja vnosa cepiva, kot strašilo s cepivom?"
Strahovi s cepivi so le en primer. Epidemiologi, računalničarji in zdravstveni delavci zdaj računalniško učenje uporabljajo za podatke iz novih virov - zlasti socialnih medijev - za ustvarjanje napovednih modelov, podobnih CDC-jem, vendar veliko hitreje. Tweets o vneti grlu ali obiskih zdravnika, Google išče hladna zdravila in celo vaš Fitbit ali Apple Watch lahko vse namigajo o zdravstvenih trendih na območju, če se ujemajo s podatki o lokaciji. In ljudje jo spremljajo in nalagajo.
"Nenadoma imamo dostop do nekaterih podatkov, " pravi Marcel Salathe, vodja laboratorija za digitalno epidemiologijo na švicarskem inštitutu EPFL. "To je zame res širša slika tega, kar se dogaja tukaj, saj je do neke mere to globoka sprememba pretoka podatkov tradicionalne epidemiologije."
Za Bauch in Salathe, ki sta sodelovala pri študiji, je bil Twitter glavni vir podatkov. Vzpostavili so bot za iskanje tvitov, v katerih so omenjena cepiva, in ocenjevanje občutkov teh tvitov - ne glede na to, ali nakazujejo sprejemanje ali dvom o cepivih. Nato so na rezultate gledali kot na zapleten sistem z povratno zanko in uporabili matematični model, da bi videli, ali bo za nazaj napovedovalo upočasnitev cepljenja, ki je privedlo do izbruha Disneylanda. To se je zgodilo.
V takih sistemih se pojavijo določeni merljivi signali, ko se sistem približa prelomni točki. V tem primeru so raziskovalci opazili "kritično upočasnitev", kjer se je razpoloženje o cepivih počasneje vračalo v normalno stanje, potem ko je nanj vplival novice ali tvit znane osebnosti. Če si lahko ogledamo to usmeritev do prelomnega stanja, pomeni, da bi glede na lokacijske podatke uradniki za javno zdravje lahko pripravili kampanje, namenjene območjem, za katere obstaja večje tveganje strahu pred cepivom, in s tem izbruh.
Seveda obstajajo ovire pri uporabi javno dostopnih podatkov iz virov družbenih medijev, vključno z zasebnostjo, čeprav raziskovalci, ki uporabljajo podatke iz Twitterja, poudarjajo, da nekako domneva, da jih bo kdo prebral, če tvitne o svojem zdravju. Gradivo Dodge, soustanovitelj in izvršni direktor podjetja Sickweather, storitve, ki temelji na aplikacijah, ki ustvarja zdravstvene napovedi in v živo prikazuje zemljevide o boleznih, je lahko tudi zahtevno sestaviti računalniške programe.
Dodge in njegovi sogovorniki so sodelovali z raziskovalci Johnsa Hopkinsa, da bi analizirali milijarde tvitov, ki omenjajo bolezni. Proces je vključeval ločevanje namernih, kvalificiranih poročil ("imam gripo") od bolj nejasnih komentarjev ("zbolim") in celo zavajajoče fraziranje ("imam Bieberjevo vročino"). Prav tako so morali nadomestiti odsotne ali netočne podatke o lokaciji - vsi uporabniki Twitterja, ki na primer preprosto označijo "Seattle" kot svojo lokacijo, se spustijo v majhno poštno številko v Seattlu, namesto da se razširijo po celotnem mestu.
Sickweather se je predstavil leta 2013 z mobilno aplikacijo, ki uporabnikom omogoča, da poročajo o boleznih neposredno družbi Sickweather, pa tudi, da si ogledajo pogoje na njihovi lokaciji. Klinični raziskovalci in farmacevtska podjetja uporabljajo aplikativni model napovedovanja za napovedovanje vrhuncev bolezni nekaj tednov pred CDC, vendar s primerljivo natančnostjo.
"Ko je to v rokah milijonov ljudi, namesto 270.000, bi lahko to, kar se kaže, v resnici preprečilo širjenje bolezni na mnogih mestih, " pravi Dodge.
Drugi projekti so preizkusili različne pristope. Gripa blizu vas zajame simptome s samoiniciativno raziskavo, GoViral pošilja komplet za samoanalizo sluzi in sline. Google Glu Trends je uporabil podatke tega podjetja za sledenje gripi in objavil rezultate v Natureu, čeprav je projekt zaprli po zapuščanju leta 2013. Eksperiment, v katerem je Google s pomočjo povezave z gripo ocenil, koliko ljudi je zbolelo, je precenila razširjenost bolezni, morda zato, ker je medijsko poročanje o slabi sezoni gripe ljudi povzročilo iskanje izrazov, povezanih z gripo pogosteje.
Čeprav lahko Twitter uporabimo za sledenje samim boleznim, Salathe pravi, da nekateri izzivi, ki jih je omenil Dodge, pojasnjujejo, zakaj je metaanaliza sprejema cepiva bolj smiselna kot bolezni, o katerih se je poročalo.
"Nisem prepričan, da je Twitter najboljši vir podatkov za to, saj ljudje dajejo tako čudne izjave o sebi, ko morajo samo diagnosticirati, " pravi Salathe. "Ne gre ravno za sledenje bolezni, temveč za sledenje človekovega odziva nanjo."
GoViral ima še eno prednost, pojasnjuje Rumi Chunara, profesor računalništva in inženirstva na NYU, ki vodi ta projekt. Zanaša se ne na samoporočanje, temveč na laboratorijske teste, ki dokončno ocenjujejo širjenje virusov in jih primerjajo s poročili o simptomih.
"Obstaja veliko priložnosti, a tudi izzivi so in mislim, da bi se tam lahko usmerilo veliko znanosti, " pravi Chunara. Kako dopolnjuje klinične podatke? Kako zmanjšamo hrup in uporabimo informacije? Na katera konkretnejša področja ali človeško vedenje lahko gledamo?
Novejše tehnologije - zlasti fitnes sledilci in drugi neposredni zdravstveni ukrepi - bodo dali več, boljših podatkov, ki so manj subjektivni, pravi.
"Velikokrat nas to zasvoji, to je nekaj čudovitega, socialnega zdravja, " pravi. "Menim, da bi morala celotna skupnost gledati na vprašanje, kako se navadi."
