Nel 2015, un focolaio di morbillo di alto profilo a Disneyland ha scioccato i genitori in un cambiamento fondamentale nella prospettiva delle vaccinazioni. Negli anni precedenti, il bisogno percepito per il vaccino MMR era diminuito e, con esso, la percentuale di bambini che erano protetti dal morbillo. Dopo che centinaia di persone si sono ammalate, spingendo i genitori a vaccinare, i tassi sono saliti di nuovo.
Forse dovrebbe essere ovvio che saltare le vaccinazioni porterebbe a più bambini malati, ma la maggior parte dei genitori americani in questi giorni non hanno mai dovuto preoccuparsi del morbillo. Esiste un'interazione dinamica tra il rischio percepito di malattia e il rischio percepito di vaccini, spiega Chris Bauch. Professore di matematica applicata all'Università di Waterloo, Bauch ha esaminato le tendenze dei social media prima e dopo l'epidemia di Disneyland e ha notato che, statisticamente parlando, poteva tracciare il sentimento pubblico verso i vaccini e vedere l'accresciuto rischio di malattia prima che accadesse. Lui e i suoi collaboratori hanno pubblicato il lavoro negli Atti della National Academy of Sciences a novembre.
“Tutti hanno qualche intuizione per ribaltare i punti delle seghe. Se hai più peso su un lato rispetto all'altro, si inclina verso il basso sul lato più pesante. Ma quando aggiungi sempre più peso alla parte avversaria, alla fine si ribalterà ", dice. "Questi punti di non ritorno presentano segnali caratteristici prima che si verifichino ... la domanda è: possiamo cercare la presenza di un punto di non ritorno che porta a un grande declino dell'assunzione di vaccini, come una paura del vaccino?"
Le cicatrici da vaccino sono solo un esempio. Epidemiologi, informatici e professionisti della salute stanno applicando l'apprendimento al computer ai dati provenienti da nuove fonti - in particolare i social media - per creare modelli predittivi simili ai CDC, ma molto più rapidamente. I tweet sul mal di gola o le visite del medico, le ricerche di Google per i rimedi freddi e persino il tuo Fitbit o Apple Watch possono dare suggerimenti sulle tendenze di salute in un'area, se abbinato ai dati sulla posizione. E le persone lo stanno rintracciando e caricando.
"Improvvisamente abbiamo accesso ad alcuni dei dati", afferma Marcel Salathe, capo del laboratorio di epidemiologia digitale presso l'istituto svizzero EPFL. "Questo per me è davvero il quadro più ampio di ciò che sta accadendo qui, perché in una certa misura si tratta di un profondo cambiamento del flusso di dati dell'epidemiologia tradizionale".
Per Bauch e Salathe, che hanno collaborato allo studio, Twitter è stata la principale fonte di dati. Hanno creato un bot per cercare tweet che menzionano i vaccini e valutare il sentimento di quei tweet, indipendentemente dal fatto che abbiano indicato l'accettazione o il dubbio dei vaccini. Quindi, hanno esaminato i risultati come un sistema complesso con un circuito di feedback, applicando un modello matematico per vedere se avrebbe predetto retroattivamente il rallentamento della vaccinazione che ha portato allo scoppio di Disneyland. Lo ha fatto.
In sistemi come questo, alcuni segnali misurabili si verificano quando il sistema si avvicina a un punto di non ritorno. In questo caso, i ricercatori hanno visto un "rallentamento critico", in cui il sentimento sui vaccini è stato più lento per tornare alla normalità dopo che un articolo di notizie o un tweet di una celebrità lo hanno influenzato. Essere in grado di vedere questo vantaggio fino al punto di ribaltamento significa che, dati di localizzazione, i funzionari della sanità pubblica potrebbero costruire campagne mirate ad aree a maggior rischio di spavento da vaccino, e quindi un focolaio.
Esistono barriere all'utilizzo di dati disponibili pubblicamente da fonti di social media, compresa la privacy, anche se i ricercatori che utilizzano i dati di Twitter sottolineano che si presume che se tweet sulla tua salute, qualcuno potrebbe leggerli. Può anche essere difficile creare programmi per computer per analizzare le informazioni contenute, sottolinea Graham Dodge, co-fondatore e CEO di Sickweather, un servizio basato su app che genera previsioni sulla salute e mappe in tempo reale delle segnalazioni di malattie.
Dodge e i suoi cofondatori hanno collaborato con i ricercatori di Johns Hopkins per analizzare miliardi di tweet che menzionano malattie. Il processo prevedeva la separazione di relazioni intenzionali e qualificate ("Ho l'influenza") da commenti più vaghi ("Mi sento male") e persino frasi fuorvianti ("Ho la febbre di Bieber"). Hanno anche dovuto compensare i dati sulla posizione assenti o inesatti: tutti gli utenti di Twitter che contrassegnano semplicemente "Seattle" come la loro posizione, ad esempio, vengono rilasciati in un piccolo codice postale del centro di Seattle, piuttosto che diffondersi in tutta la città.
Sickweather è stato lanciato nel 2013 con un'app mobile che consente agli utenti di segnalare malattie direttamente a Sickweather, nonché di visualizzare le condizioni nella loro posizione. Ricercatori clinici e aziende farmaceutiche utilizzano il modello predittivo dell'app per anticipare i picchi di malattia con alcune settimane di anticipo rispetto al CDC, ma con una precisione comparabile.
"Una volta che questo è nelle mani di milioni di persone, anziché 270.000, il modo in cui ciò si manifesta su larga scala potrebbe davvero impedire la diffusione della malattia in molti luoghi", afferma Dodge.
Altri progetti hanno provato approcci diversi. L'influenza vicino a te cattura i sintomi da un sondaggio auto-riferito, GoViral ha inviato un kit per l'autoanalisi del muco e della saliva e Google Trend influenzali ha sfruttato i dati di quell'azienda per tenere traccia dell'influenza e ha pubblicato i suoi risultati su Nature, sebbene il progetto chiuso dopo un errore nel 2013. L'esperimento, in cui Google ha utilizzato ricerche correlate all'influenza per stimare quante persone erano malate, ha sopravvalutato la prevalenza della malattia, probabilmente perché la copertura mediatica di una brutta stagione influenzale ha portato le persone a cercare termini correlati all'influenza più spesso.
Mentre Twitter può essere usato per rintracciare le malattie stesse, Salathe afferma che alcune delle sfide menzionate da Dodge spiegano perché la meta-analisi dell'accettazione del vaccino ha più senso delle malattie auto-segnalate.
"Non sono sicuro che Twitter sia la migliore fonte di dati per questo, perché le persone rilasciano dichiarazioni così strane su se stesse quando devono autodiagnosticare", afferma Salathe. "In realtà non si tratta tanto di rintracciare la malattia stessa, ma piuttosto di rintracciare la risposta umana ad essa".
GoViral ha un ulteriore vantaggio, spiega Rumi Chunara, professore di ingegneria e ingegneria informatica della New York University che gestisce quel progetto. Non si basa sull'auto-segnalazione, ma su test di laboratorio che valutano definitivamente la diffusione dei virus e li confrontano con i rapporti sui sintomi.
"Ci sono molte opportunità, ma ci sono anche delle sfide, e penso che sia lì che molta scienza potrebbe essere focalizzata", afferma Chunara. In che modo integra i dati clinici? Come ridurre il rumore e applicare le informazioni? Quali campi o comportamenti umani più specifici possiamo considerare?
Le nuove tecnologie, in particolare i fitness tracker e altre misure dirette di salute, forniranno dati migliori e meno soggettivi, afferma.
"Molte volte, abbiamo questo ronzio di, questo è qualcosa di fantastico, la salute dei social media", dice. "La domanda su come abituarsi è qualcosa che penso che l'intera comunità dovrebbe guardare verso".
