Pada tahun 2015, wabak campak berprofil tinggi di Disneyland mengejutkan ibu bapa menjadi perubahan asas dalam perspektif vaksinasi. Dalam tahun-tahun sebelumnya, keperluan untuk vaksin MMR telah menurun, dan dengan itu, peratus kanak-kanak yang dilindungi daripada campak. Selepas beratus-ratus orang jatuh sakit, mendorong ibu bapa melakukan vaksin, kadar naik semula.
Mungkin perlu jelas bahawa melangkaui vaksin akan membawa kepada kanak-kanak yang lebih sakit, tetapi kebanyakan ibu bapa Amerika Syarikat hari ini tidak perlu risau tentang campak. Terdapat interaksi dinamik antara risiko penyakit yang dirasakan dan risiko risiko vaksin, jelas Chris Bauch. Seorang profesor matematik yang diterapkan di University of Waterloo, Bauch melihat aliran media sosial sebelum dan selepas wabak Disneyland, dan mendapati bahawa, secara statistik, dia dapat menjejaki sentimen orang ramai terhadap vaksin dan melihat risiko penyakit meningkat sebelum ia berlaku. Beliau dan kolaboratornya menerbitkan karya dalam Prosiding Akademi Sains Kebangsaan pada bulan November.
"Semua orang mempunyai intuisi untuk mengetepikan mata dari gergaji. Sekiranya anda mempunyai lebih banyak berat di satu sisi daripada yang lain, ia akan turun ke bahagian yang lebih berat. Tetapi apabila anda menambah berat badan yang lebih banyak ke sisi lawan, akhirnya ia akan menjadi tip, "katanya. "Titik tip ini menunjukkan isyarat ciri sebelum mereka berlaku ... persoalannya, bolehkah kita mencari kehadiran titik kritikal yang menyebabkan penurunan besar dalam pengambilan vaksin, seperti menakutkan vaksin?"
Ketakutan vaksin hanyalah satu contoh. Ahli epidemiologi, saintis komputer dan profesional kesihatan kini menggunakan komputer untuk mempelajari data dari sumber-sumber baru - terutamanya media sosial - untuk menghasilkan model ramalan yang serupa dengan CDC, tetapi lebih cepat. Tweets tentang sakit tekak atau lawatan doktor, mencari Google untuk ubat-ubatan sejuk, dan juga Fitbit atau Apple Watch anda semua boleh memberikan petunjuk kepada tren kesihatan di kawasan, jika dipadankan dengan data lokasi. Dan orang mengesannya dan memuat naiknya.
"Tiba-tiba kami mempunyai akses kepada beberapa data, " kata Marcel Salathe, ketua makmal epidemiologi digital di institut EPFL Switzerland. "Itu kepada saya adalah gambaran yang lebih besar mengenai apa yang berlaku di sini, kerana pada tahap tertentu ini adalah perubahan mendalam aliran data epidemiologi tradisional."
Bagi Bauch dan Salathe, yang bekerjasama dalam kajian itu, Twitter merupakan sumber utama data. Mereka membina bot untuk mencari tweet yang menyebutkan vaksin dan menilai sentimen tweet tersebut - sama ada mereka menyatakan penerimaan atau keraguan tentang vaksin. Kemudian, mereka melihat hasilnya sebagai sistem yang kompleks dengan gelung maklum balas, memohon model matematik untuk melihat sama ada ia akan meramalkan secara perlahan-lahan merangsang vaksinasi yang membawa kepada wabak Disneyland. Ia berlaku.
Dalam sistem seperti ini, isyarat tertentu yang boleh diukur apabila sistem mendekati titik tip. Dalam kes ini, para penyelidik menyaksikan "kelembapan kritikal, " di mana sentimen mengenai vaksin menjadi lebih perlahan untuk kembali normal selepas artikel berita atau tweet daripada selebriti mempengaruhinya. Mampu melihat petunjuk ini kepada maksudnya, data lokasi yang diberikan, pegawai kesihatan awam dapat membina kempen yang menargetkan kawasan-kawasan yang berisiko tinggi untuk menakutkan vaksin, dan dengan demikian wabak.
Terdapat halangan untuk menggunakan data awam yang tersedia dari sumber-sumber media sosial, sudah tentu, termasuk privasi, walaupun para penyelidik yang menggunakan data Twitter menunjukkan bahawa ia semacam mengandaikan bahawa jika anda tweet tentang kesihatan anda, seseorang boleh membacanya. Ia juga mungkin mencabar untuk membina program komputer untuk menghuraikan maklumat yang terkandung, menunjukkan Graham Dodge, pengasas bersama dan Ketua Pegawai Eksekutif Sickweather, sebuah perkhidmatan berasaskan aplikasi yang menjana ramalan kesihatan dan laporan peta penyakit secara langsung.
Dodge dan rakan sekerjanya bekerjasama dengan penyelidik dari Johns Hopkins untuk menganalisis berbilion tweet menyebutkan penyakit. Proses ini melibatkan pemisahan laporan yang disengajakan dan disahkan ("Saya mempunyai selesema") daripada komen yang lebih samar ("Saya merasa sakit") dan juga ungkapan yang menyesatkan ("Saya mempunyai demam Bieber"). Mereka juga perlu mengimbangi data lokasi yang tidak ada atau tidak tepat - semua pengguna Twitter yang hanya menandakan "Seattle" sebagai lokasi mereka, contohnya, dijatuhkan ke pusat bandar kecil Seattle kod zip, bukannya tersebar di seluruh bandar.
Sickweather dilancarkan pada tahun 2013 dengan aplikasi mudah alih yang membolehkan pengguna melaporkan penyakit secara langsung kepada Sickweather, serta melihat keadaan di lokasi mereka. Penyelidik klinikal dan syarikat farmaseutikal menggunakan model ramalan aplikasi untuk menjangkakan penyakit meningkat beberapa minggu lebih awal daripada CDC, tetapi dengan ketepatan yang setanding.
"Sekali ini terdapat di tangan berjuta-juta orang, bukannya 270, 000, bagaimana ia bermain secara skala benar-benar dapat menular penyebaran penyakit di banyak tempat, " kata Dodge.
Projek-projek lain telah cuba pendekatan yang berbeza. Flu Near You menangkap gejala oleh kaji selidik yang dilaporkan sendiri, GoViral telah menghantar kit untuk analisis diri lendir dan air liur, dan Google Flu Trends memanfaatkan data syarikat untuk mengesan selesema, dan menerbitkan hasilnya dalam Alam, walaupun projek ditutup selepas kekacauan pada tahun 2013. Percubaan, di mana Google menggunakan carian yang berkaitan dengan selsema untuk menganggarkan berapa ramai orang yang sakit, melebih-lebihkan kelaziman penyakit itu, mungkin kerana liputan media musim sejuk yang buruk menyebabkan orang mencari istilah yang berkaitan dengan selesema lebih kerap.
Walaupun Twitter boleh digunakan untuk mengesan penyakit itu sendiri, Salathe mengatakan beberapa cabaran yang disebutkan oleh Dodge menjelaskan mengapa analisis meta-analisis penerimaan vaksin lebih masuk akal daripada penyakit yang dilaporkan sendiri.
"Saya tidak pasti Twitter adalah sumber data terbaik untuk itu, kerana orang memberi pernyataan yang pelik tentang diri mereka apabila mereka perlu mendiagnosis sendiri, " kata Salathe. "Ia tidak benar-benar begitu banyak tentang mengesan penyakit itu sendiri, melainkan menjejaki tindak balas manusia terhadapnya."
GoViral mempunyai kelebihan lanjut, menerangkan Rumi Chunara, sains komputer dan profesor kejuruteraan NYU yang menjalankan projek itu. Ia tidak bergantung pada pelaporan diri, tetapi pada ujian makmal yang secara pasti menilai penyebaran virus dan membandingkannya dengan laporan gejala.
"Terdapat banyak peluang, tetapi ada cabaran juga, dan saya fikir di situlah banyak sains boleh difokuskan, " kata Chunara. Bagaimanakah ia melengkapkan data klinikal? Bagaimanakah kita mengurangkan bunyi bising dan memohon maklumat? Apakah bidang yang lebih spesifik atau tingkah laku manusia yang boleh kita lihat?
Teknologi baru - terutama pelacak kecergasan dan langkah kesihatan langsung lain - akan memberikan lebih banyak data yang lebih baik yang kurang subjektif, katanya.
"Banyak kali, kami mendapat semangat ini, ini adalah sesuatu yang hebat, kesihatan media sosial, " katanya. "Persoalannya untuk digunakan adalah sesuatu yang saya fikir seluruh komuniti harus melihat ke arahnya."
