U 2015. godini velika epidemija ospica u Disneylandu šokirala je roditelje u temeljnoj promjeni perspektive cijepljenja. U godinama prije opažala se potreba za MMR cjepivom, a s njim i postotak djece koja su bila zaštićena od ospica. Nakon što su se stotine ljudi razbolile, što je natjeralo roditelje da se cijepe, stope su se opet povisile.
Možda bi trebalo biti očito da bi preskakanje cijepljenja dovelo do više bolesne djece, ali većina američkih roditelja ovih dana nikada se nije trebala brinuti zbog ospica. Postoji dinamična interakcija između percipiranog rizika od bolesti i percipiranog rizika od cjepiva, objašnjava Chris Bauch. Profesor primijenjene matematike na Sveučilištu u Waterloou, Bauch je proučavao trendove na društvenim medijima prije i nakon izbijanja Disneylanda i primijetio da, statistički gledano, može pratiti raspoloženje javnosti prema cjepivima i vidjeti povećani rizik bolesti prije nego što se dogodio. On i njegovi suradnici u studenom su objavili djelo u Zborniku Nacionalne akademije znanosti .
„Svatko ima intuiciju za usmjeravanje bodova od testera. Ako imate veću težinu na jednoj strani od druge, ona se svodi na teže strane. Ali kako dodajete sve veću težinu protivničkoj strani, na kraju će se prevrnuti “, kaže on. "Ove tipping točke pokazuju karakteristične signale prije nego što se pojave ... pitanje je, možemo li potražiti prisutnost prelazne točke koja dovodi do velikog pada unosa cjepiva, poput straha od cjepiva?"
Zastrašivanja cjepivom samo su jedan primjer. Epidemiolozi, informatičari i zdravstveni radnici sada računalno učenje primjenjuju na podatke iz novih izvora - posebno društvenih medija - kako bi stvorili prediktivne modele slične CDC-ima, ali mnogo brže. Tweets o grlobolji ili posjetima liječnika, Google traži hladne lijekove, pa čak i vaš Fitbit ili Apple Watch mogu dati nagovještaje o zdravstvenim trendovima na nekom području ako se podudaraju s podacima o lokaciji. A ljudi to prate i prenose.
"Odjednom imamo pristup nekim podacima", kaže Marcel Salathe, voditelj laboratorija za digitalnu epidemiologiju u švicarskom institutu EPFL. "To je za mene zaista veća slika onoga što se događa ovdje, jer je u izvjesnoj mjeri to duboka promjena protoka podataka tradicionalne epidemiologije."
Za Bauch i Salathe, koji su surađivali na studiji, Twitter je bio glavni izvor podataka. Izgradili su bot za pretragu tvita koji spominju cjepiva i procjenjivanje raspoloženja tih tvita - da li ukazuju na prihvaćanje ili sumnju na cjepiva. Zatim su na rezultate gledali kao na složen sustav s povratnom vezom, primjenjujući matematički model kako bi vidjeli hoće li retroaktivno predvidjeti usporavanje cijepljenja koje je dovelo do izbijanja Disneylanda. Uspjelo je.
U ovakvim sustavima, neki mjerljivi signali pojavljuju se kako se sustav približava prelaznoj točki. U ovom slučaju, istraživači su primijetili "kritično usporavanje", gdje se raspoloženje o cjepivima sporije vraćalo u normalu nakon što je na njega utjecao vijest ili tvit poznate osobe. Mogućnost da se ovo vidi do vrhunca znači da bi, s obzirom na podatke o lokaciji, javni zdravstveni službenici mogli izraditi kampanje usmjerene na područja koja su izložena povećanom riziku od zastrašivanja cjepivom, a time i epidemije.
Postoje prepreke pri korištenju javno dostupnih podataka iz izvora društvenih medija, naravno, uključujući privatnost, iako istraživači koji koriste podatke iz Twittera ističu da je nekako pretpostavljeno da će netko ako ga pročisti o svom zdravlju. Također može biti izazovno graditi računalne programe za raščlanjivanje sadržanih podataka, ističe Graham Dodge, suosnivač i izvršni direktor Sickweather-a, usluge temeljene na aplikacijama koja generira zdravstvene prognoze i žive mape izvješća o bolesti.
Dodge i njegovi suosnivači surađivali su s istraživačima Johnsa Hopkinsa kako bi analizirali milijarde tweetova koji spominju bolesti. Proces je uključivao odvajanje namjernih, kvalificiranih izvještaja ("imam gripu") od nejasnijih komentara ("Osjećam se mučno"), pa čak i pogrešno fraziranje ("Imam Bieberovu groznicu"). Morali su nadoknaditi i odsutne ili netačne podatke o lokaciji - svi korisnici Twittera koji jednostavno označavaju „Seattle“ kao svoju lokaciju, na primjer, prebačeni su u mali poštanski broj u Seattlu, umjesto da se šire širom grada.
Sickweather je pokrenut 2013. godine s mobilnom aplikacijom koja korisnicima omogućuje prijavu bolesti izravno Sickweatheru, kao i pregled uvjeta na njihovoj lokaciji. Klinički istraživači i farmaceutske tvrtke koriste aplikativni prediktivni model za predviđanje vrhunca bolesti nekoliko tjedana ispred CDC-a, ali s usporedivom točnošću.
"Jednom kada je to u rukama milijuna ljudi, umjesto 270 000, kako se to odigralo na ljestvici moglo bi doista zaustaviti širenje bolesti na mnogim mjestima", kaže Dodge.
Ostali su projekti isprobali različite pristupe. Gripa u vašoj blizini bilježi simptome samostalnim istraživanjem, GoViral šalje paket za samoanalizu sluzi i sline, a Google Flu Trends upotrijebio je podatke te tvrtke za praćenje gripe i objavio svoje rezultate u Natureu, iako je projekt Isključi nakon promašaja u 2013. Eksperiment, u kojem je Google koristio pretraživanja povezana s gripom, procijenio je koliko je ljudi bolesno, precijenjena raširenost bolesti, možda zato što je medijsko izvještavanje loše sezone gripe natjeralo ljude da traže izraze povezane sa gripom češće.
Dok se Twitter može koristiti za praćenje samih bolesti, Salathe kaže da neki od izazova koje spominje Dodge objašnjavaju zašto metaanaliza prihvaćanja cjepiva ima smisla više od samoopisanih bolesti.
"Nisam sigurna da je Twitter najbolji izvor podataka za to, jer ljudi daju tako čudne izjave o sebi kada moraju sami dijagnosticirati", kaže Salathe. "Ne radi se toliko o praćenju same bolesti, nego o praćenju ljudskog odgovora na nju."
GoViral ima dodatnu prednost, objašnjava Rumi Chunara, profesor informatike i inženjerstva na NYU-u koji vodi taj projekt. Oslanja se ne na samoobjavljivanje, već na laboratorijske testove koji definitivno procjenjuju širenje virusa i uspoređuju ih s izvješćima o simptomima.
"Postoji puno mogućnosti, ali ima i izazova. Mislim da bi se tu moglo usmjeriti puno znanosti", kaže Chunara. Kako se nadopunjuju klinički podaci? Kako smanjujemo buku i primjenjujemo li podatke? Na koja konkretnija polja ili ljudsko ponašanje možemo gledati?
Novije tehnologije - posebno fitnes trackeri i druge izravne zdravstvene mjere - pružit će više, boljih podataka koji su manje subjektivni, kaže ona.
"Mnogo puta se napijemo, ovo je nešto fenomenalno, zdravlje društvenih medija", kaže ona. "Mislim da bi čitava zajednica trebala gledati prema pitanju njezinog korištenja."
