I 2015 sjokkerte et høyt profilert utbrudd av meslinger ved Disneyland foreldre til en grunnleggende endring i perspektiv på vaksinasjoner. I årene før hadde det opplevde behovet for MMR-vaksinen falt, og med den andelen av barna som var beskyttet mot meslinger. Etter at hundrevis av mennesker ble syke og ba foreldrene om å vaksinere seg, steg prisene igjen.
Kanskje det burde være åpenbart at hopp over vaksinasjoner vil føre til flere syke barn, men de fleste amerikanske foreldre i disse dager har aldri hatt noen bekymring for meslinger. Det er et dynamisk samspill mellom opplevd risiko for sykdom og opplevd risiko for vaksiner, forklarer Chris Bauch. Bauch, professor i anvendt matematikk ved University of Waterloo, så på trender på sosiale medier før og etter Disneyland-utbruddet, og la merke til at han statistisk sett kunne spore det offentlige sentimentet mot vaksiner og se den økte sykdomsrisikoen før det skjedde. Han og hans samarbeidspartnere publiserte arbeidet i Proceedings of the National Academy of Sciences i november.
“Alle har en viss intuisjon for å tippe poeng fra sagbruk. Hvis du har mer vekt på den ene siden enn den andre, tipper den ned på den tyngre siden. Men når du legger mer og mer vekt på den motsatte siden, vil den til slutt velte, sier han. "Disse tippepunktene viser karakteristiske signaler før de oppstår ... spørsmålet er, kan vi se etter tilstedeværelsen av et tippepunkt som fører til en stor nedgang i vaksineopptaket, som en vaksine skremme?"
Vaksine skremmer er bare ett eksempel. Epidemiologer, informatikere og helsepersonell bruker nå datamaskinlæring til data fra nye kilder - spesielt sosiale medier - for å lage prediktive modeller som ligner på CDC-er, men mye raskere. Tweets om sår hals eller legebesøk, Google søker etter forkjølelsesmidler og til og med Fitbit eller Apple Watch kan alle gi hint til helsetrendene i et område, hvis de samsvarer med stedsdata. Og folk sporer det og laster opp det.
"Plutselig har vi tilgang til noen av dataene, " sier Marcel Salathe, leder for laboratoriet for digital epidemiologi ved Sveitsens EPFL-institutt. "Det for meg er virkelig det større bildet av hva som skjer her, for til en viss grad er dette en dyp endring av datastrømmen fra tradisjonell epidemiologi."
For Bauch og Salathe, som samarbeidet om studien, var Twitter den viktigste datakilden. De bygde en bot for å søke etter tweets som nevnte vaksiner og vurdere følelsen av disse tweets - enten de indikerte aksept eller tvil om vaksiner. Deretter så de på resultatene som et komplekst system med en tilbakemeldingssløyfe, ved å bruke en matematisk modell for å se om det med tilbakevirkende kraft ville forutsi vaksinasjonsbremsen som førte til Disneyland-utbruddet. Det gjorde det.
I systemer som dette forekommer visse målbare signaler når systemet nærmer seg et vippepunkt. I dette tilfellet så forskerne en "kritisk avtakning", der følelsen av vaksiner gikk tregere til å komme tilbake til det normale etter at en nyhetsartikkel eller en tweet fra en kjendis påvirket det. Å kunne se dette før opp til tippepunktet betyr at, gitt lokaliseringsdata, kan offentlige helsemyndigheter bygge kampanjer rettet mot områder som har økt risiko for vaksineskrekk, og dermed et utbrudd.
Det er barrierer for å bruke offentlig tilgjengelige data fra sosiale mediekilder, selvfølgelig, inkludert personvern, selv om forskerne som bruker Twitter-data påpeker at det på en måte antas at hvis du twitrer om helsen din, kan noen lese den. Det kan også være utfordrende å bygge dataprogrammer for å analysere informasjonen som er inneholdt, påpeker Graham Dodge, medgründer og administrerende direktør i Sickweather, en appbasert tjeneste som genererer helseprognoser og live-kart over sykdomsrapporter.
Dodge og hans medarbeidere samarbeidet med forskere fra Johns Hopkins for å analysere milliarder av tweets som nevner sykdommer. Prosessen innebar å skille forsettlige, kvalifiserte rapporter ("Jeg har influensa") fra mer vage kommentarer ("Jeg føler meg syk") og til og med villedende formulering ("Jeg har Bieberfeber"). De har også måttet kompensere for fraværende eller unøyaktige posisjonsdata - alle Twitter-brukerne som bare markerer “Seattle” som deres beliggenhet, for eksempel, blir droppet inn i et lite sentrums Seattle-postnummer, i stedet for spredt over hele byen.
Sickweather ble lansert i 2013 med en mobilapp som lar brukere rapportere sykdommer direkte til Sickweather, samt se forholdene på deres beliggenhet. Kliniske forskere og farmasøytiske selskaper bruker appens prediktive modell for å foregripe sykdomstoppene flere uker foran CDC, men med sammenlignbar nøyaktighet.
"Når dette er i hendene på millioner av mennesker, i stedet for 270 000, kan hvordan dette spiller ut på skala virkelig avverge spredningen av sykdom mange steder, " sier Dodge.
Andre prosjekter har prøvd forskjellige tilnærminger. Flu Near You fanger symptomer ved en selvrapportert undersøkelse, GoViral har sendt et sett for egenanalyse av slim og spytt, og Google Flu Trends utnyttet selskapets data for å spore influensa, og publiserte resultatene i Nature, selv om prosjektet ble lagt ned etter et feil i 2013. Eksperimentet, der Google brukte influensarelaterte søk for å estimere hvor mange som var syke, overvurderte utbredelsen av sykdommen, muligens fordi mediedekningen av en dårlig influensasesong fikk folk til å søke influensarelaterte termer oftere.
Mens Twitter kan brukes til å spore sykdommene i seg selv, sier Salathe at noen av utfordringene nevnt av Dodge forklarer hvorfor metaanalysen av vaksineaksept er mer fornuftig enn selvrapporterte sykdommer.
"Jeg er ikke sikker på at Twitter er den beste datakilden for det, fordi folk gir så rare uttalelser om seg selv når de må selvdiagnosere, " sier Salathe. "Det handler faktisk ikke så mye om å spore sykdommen i seg selv, men heller spore den menneskelige responsen på den."
GoViral har en ytterligere fordel, forklarer Rumi Chunara, NYU-datavitenskap og ingeniørprofessor som driver det prosjektet. Det er ikke avhengig av egenrapportering, men på laboratorietester som definitivt vurderer spredningen av virus og sammenligner dem med symptomrapporter.
"Det er mange muligheter, men det er utfordringer også, og jeg tror det er der mye av vitenskapen kan være fokusert, " sier Chunara. Hvordan utfyller det kliniske data? Hvordan reduserer vi støy og bruker informasjonen? Hvilke mer spesifikke felt eller menneskelig atferd kan vi se på?
Nyere teknologier - spesielt treningssporere og andre direkte helsetiltak - vil gi flere, bedre data som er mindre subjektive, sier hun.
"Mange ganger får vi denne brusen, dette er noe kjempebra, helse på sosiale medier, " sier hun. "Spørsmålet om å bli brukt er noe jeg synes hele samfunnet burde se mot."
