През 2015 г. широко разпространено огнище на морбили в Дисниленд шокира родителите в фундаментална промяна в перспективата на ваксинациите. В годините преди това усещането за необходимост от MMR ваксина е спаднало, а с нея и процентът на децата, които са били защитени от морбили. След като стотици хора се разболяха, подтиквайки родителите да ваксинират, процентите отново се покачиха.
Може би трябва да е очевидно, че пропускането на ваксинациите би довело до повече болни деца, но повечето американски родители в наши дни никога не са се налагали да се притесняват от морбили. Има динамично взаимодействие между възприемания риск от заболяване и възприет риск от ваксини, обяснява Крис Баух. Професор по приложна математика в Университета във Ватерло, Баух разгледа тенденциите в социалните медии преди и след епидемията от Дисниленд и забеляза, че статистически погледнато, може да проследи обществените настроения към ваксините и да види повишения риск от заболяване, преди да се случи. Той и неговите сътрудници публикуваха творбата в сборника на Националната академия на науките през ноември.
„Всеки има някаква интуиция за насочване на точки от триони. Ако имате по-голяма тежест от едната страна от другата, тя се насочва към по-тежката страна. Но тъй като добавяте все повече и повече тежест към противниковата страна, в крайна сметка тя ще се преобърне “, казва той. "Тези пунктове показват характерни сигнали, преди да се появят ... въпросът е, можем ли да търсим наличието на прекъсваща точка, водеща до голям спад на приема на ваксина, като страх от ваксина?"
Страховете от ваксини са само един пример. Епидемиолозите, компютърните учени и здравните специалисти прилагат компютърно обучение към данни от нови източници - особено в социалните медии - за създаване на прогнозни модели, подобни на тези на CDC, но много по-бързи. Туитовете за болки в гърлото или посещенията на лекар, Google търси студени лекарства и дори вашите Fitbit или Apple Watch могат да дадат подсказки за здравните тенденции в даден район, ако съответстват на данните за местоположението. И хората го проследяват и качват.
„Изведнъж имаме достъп до някои от данните“, казва Марсел Салате, ръководител на лабораторията за дигитална епидемиология в швейцарския институт EPFL. „Това за мен наистина е по-голямата картина на случващото се тук, защото до известна степен това е дълбока промяна в потока от данни на традиционната епидемиология.“
За Бауч и Салате, които сътрудничиха на изследването, Twitter беше основният източник на данни. Те създадоха бот, за да търсят туитове, споменаващи ваксини, и да преценят настроението на тези туитове - независимо дали посочват приемане или съмнение за ваксините. След това те разгледаха резултатите като сложна система с контур за обратна връзка, прилагайки математически модел, за да проверят дали ретроактивно ще предскаже забавянето на ваксинацията, което доведе до огнището на Дисниленд. Това стана.
В такива системи се получават определени измерими сигнали, когато системата се приближава до прекъсване. В този случай изследователите видяха "критично забавяне", при което настроението към ваксините беше по-бавно, за да се върне към нормалното, след като новина или туит от известна личност повлияха на него. Да можеш да видиш това насочване до крайната точка означава, че, имайки предвид данните за местоположението, служителите в общественото здравеопазване биха могли да създадат кампании, насочени към райони, които са изложени на повишен риск от плашене на ваксината и по този начин огнище.
Съществуват бариери при използването на публично достъпни данни от източници на социални медии, разбира се, включително поверителност, въпреки че изследователите, които използват данни от Twitter, изтъкват, че е някак предполагаемо, че ако чуруликате за здравето си, някой може да го прочете. Също така може да бъде предизвикателно да се създадат компютърни програми, за да се анализира съдържащата се информация, посочва Греъм Додж, съосновател и изпълнителен директор на Sickweather, услуга, базирана на приложения, която генерира здравни прогнози и живи карти на доклади за болести.
Додж и неговите съучастници си сътрудничат с изследователи от Джон Хопкинс, за да анализират милиарди туитове, споменаващи заболявания. Процесът включва отделяне на умишлени, квалифицирани доклади („имам грип“) от по-неясни коментари („чувствам се зле“) и дори заблуждаващи фрази („имам треска на Бийбър“). Те също трябваше да компенсират липсващи или неточни данни за местоположението - всички потребители на Twitter, които просто отбелязват „Сиатъл“ като свое местоположение, например, са изпуснати в малък пощенски код в Сиатъл в Сиатъл, вместо да се разпространяват из целия град.
Sickweather стартира през 2013 г. с мобилно приложение, което позволява на потребителите да докладват болести директно на Sickweather, както и да преглеждат условията в тяхното местоположение. Клиничните изследователи и фармацевтичните компании използват прогнозния модел на приложението, за да предсказват пиковете на заболяването няколко седмици преди CDC, но със съпоставима точност.
„След като това е в ръцете на милиони хора, вместо 270 000, как това се играе в мащаб наистина би могло да предотврати разпространението на болестта на много места“, казва Додж.
Други проекти са изпробвали различни подходи. Грипът близо до вас улавя симптомите чрез самоотчетено проучване, GoViral изпраща комплект за самоанализ на слуз и слюнка, а Google Flu Trends използва данните на тази компания за проследяване на грипа и публикува резултатите си в Nature, въпреки че проектът затворени след пропуск през 2013 г. Експериментът, при който Google използва търсения, свързани с грип, за да прецени колко хора са болни, надценено разпространението на болестта, вероятно защото медийното отразяване на сезон на лош грип е накарало хората да търсят термини, свързани с грип по-често.
Докато Twitter може да се използва за проследяване на самите заболявания, Салате казва, че някои от предизвикателствата, споменати от Dodge, обясняват защо мета-анализът на приемането на ваксина има по-голям смисъл, отколкото болестите, отчетени от само себе си.
„Не съм сигурен, че Twitter е най-добрият източник на данни за това, защото хората дават толкова странни изявления за себе си, когато трябва да се самодиагностицират“, казва Салате. "Всъщност не става въпрос толкова за проследяване на самата болест, а по-скоро за проследяване на човешкия отговор на нея."
GoViral има допълнително предимство, обяснява Руми Чунара, професорът по компютърни науки и инженерство в NYU, който ръководи този проект. Тя разчита не на самоотчитане, а на лабораторни тестове, които окончателно оценяват разпространението на вируси и ги сравняват с доклади за симптоми.
„Има много възможности, но има и предизвикателства и мисля, че там може да се съсредоточи голяма част от науката“, казва Чунара. Как допълва клиничните данни? Как да намалим шума и да приложим информацията? Какви по-специфични области или човешко поведение можем да разгледаме?
По-новите технологии - особено фитнес проследяващите и други преки мерки за здравето - ще дадат повече, по-добри данни, които са по-малко субективни, казва тя.
"Много пъти получаваме тази шумотия, това е нещо страхотно, здравето на социалните медии", казва тя. „Въпросът за неговото свикване е нещо, което мисля, че трябва да гледа цялата общност.“
