Im Jahr 2015 schockierte ein aufsehenerregender Masernausbruch in Disneyland die Eltern zu einem grundlegenden Perspektivwechsel bei Impfungen. In den Jahren zuvor war der wahrgenommene Bedarf an MMR-Impfstoffen zurückgegangen, und damit auch der Prozentsatz der Kinder, die vor Masern geschützt waren. Nachdem Hunderte von Menschen erkrankt waren und die Eltern zur Impfung veranlassten, stiegen die Raten erneut.
Vielleicht sollte es offensichtlich sein, dass das Auslassen von Impfungen zu mehr kranken Kindern führen würde, aber die meisten amerikanischen Eltern mussten sich heutzutage nie um Masern sorgen. Es gibt eine dynamische Wechselwirkung zwischen dem wahrgenommenen Krankheitsrisiko und dem wahrgenommenen Impfrisiko, erklärt Chris Bauch. Bauch, Professor für angewandte Mathematik an der Universität von Waterloo, untersuchte die Trends in den sozialen Medien vor und nach dem Ausbruch von Disneyland und stellte fest, dass er statistisch gesehen die öffentliche Meinung zu Impfstoffen nachverfolgen und das erhöhte Krankheitsrisiko erkennen konnte, bevor dies eintrat. Er und seine Mitarbeiter veröffentlichten die Arbeit im November in den Proceedings der National Academy of Sciences .
„Jeder hat eine gewisse Intuition für das Umkippen von Wippen. Wenn Sie auf der einen Seite mehr Gewicht haben als auf der anderen, kippt es auf die schwerere Seite. Aber wenn Sie der gegnerischen Seite immer mehr Gewicht hinzufügen, wird sie irgendwann umkippen “, sagt er. "Diese Wendepunkte weisen charakteristische Signale auf, bevor sie auftreten. Die Frage ist, ob ein Wendepunkt vorhanden ist, der zu einem starken Rückgang der Impfstoffaufnahme führt, wie z. B. ein Impfstoffschreck."
Impfängste sind nur ein Beispiel. Epidemiologen, Informatiker und Angehörige der Gesundheitsberufe wenden Computerlernen nun auf Daten aus neuen Quellen - insbesondere aus sozialen Medien - an, um Vorhersagemodelle zu erstellen, die den CDCs ähneln, jedoch viel schneller sind. Tweets über Halsschmerzen oder Arztbesuche, Google-Suche nach Erkältungsmedikamenten und sogar Ihr Fitbit oder Ihre Apple Watch können Hinweise auf die Gesundheitstrends in einem Gebiet geben, sofern sie mit Standortdaten abgeglichen werden. Und die Leute verfolgen es und laden es hoch.
„Plötzlich haben wir Zugang zu einigen Daten“, sagt Marcel Salathe, Leiter des Labors für digitale Epidemiologie am Schweizer EPFL-Institut. "Das ist für mich wirklich das Gesamtbild dessen, was hier passiert, denn dies ist in gewissem Maße eine tiefgreifende Änderung des Datenflusses der traditionellen Epidemiologie."
Für Bauch und Salathe, die an der Studie mitgearbeitet haben, war Twitter die wichtigste Datenquelle. Sie bauten einen Bot, um nach Tweets zu suchen, in denen Impfstoffe erwähnt werden, und um die Stimmung dieser Tweets zu bewerten - unabhängig davon, ob sie Akzeptanz oder Zweifel an Impfstoffen zeigten. Dann betrachteten sie die Ergebnisse als ein komplexes System mit einer Rückkopplungsschleife und wandten ein mathematisches Modell an, um zu prüfen, ob es rückwirkend die Verlangsamung der Impfung vorhersagen würde, die zum Ausbruch von Disneyland führte. Es tat
In solchen Systemen treten bestimmte messbare Signale auf, wenn sich das System einem Wendepunkt nähert. In diesem Fall sahen die Forscher eine „kritische Verlangsamung“, bei der sich die Stimmung über Impfstoffe langsamer normalisierte, nachdem ein Nachrichtenartikel oder ein Tweet von einer Berühmtheit sie beeinflusst hatten. In der Lage zu sein, diesen Fortschritt bis zum Wendepunkt zu sehen, bedeutet, dass die Gesundheitsbehörden angesichts der gegebenen Standortdaten Kampagnen erstellen könnten, die auf Gebiete abzielen, in denen ein erhöhtes Risiko für Impfangst und damit für einen Ausbruch besteht.
Es gibt natürlich Hindernisse für die Verwendung öffentlich verfügbarer Daten aus sozialen Medien, einschließlich des Datenschutzes. Die Forscher, die Twitter-Daten verwenden, weisen jedoch darauf hin, dass davon ausgegangen wird, dass wenn Sie über Ihre Gesundheit twittern, diese möglicherweise von jemandem gelesen werden. Laut Graham Dodge, Mitbegründer und CEO von Sickweather, einem App-basierten Dienst, der Gesundheitsprognosen und Live-Karten von Krankheitsberichten erstellt, kann es auch schwierig sein, Computerprogramme zu erstellen, um die enthaltenen Informationen zu analysieren.
Dodge und seine Mitbegründer arbeiteten mit Forschern von Johns Hopkins zusammen, um Milliarden von Tweets zu analysieren, in denen Krankheiten erwähnt wurden. Der Prozess beinhaltete das Trennen absichtlicher, qualifizierter Berichte („Ich habe die Grippe“) von vageeren Kommentaren („Ich fühle mich krank“) und sogar irreführenden Formulierungen („Ich habe Bieber-Fieber“). Sie mussten auch fehlende oder ungenaue Standortdaten ausgleichen - alle Twitter-Nutzer, die beispielsweise lediglich „Seattle“ als Standort angeben, werden in eine kleine Postleitzahl in der Innenstadt von Seattle verschoben und nicht über die gesamte Stadt verteilt.
Sickweather wurde 2013 mit einer mobilen App gestartet, mit der Benutzer Krankheiten direkt an Sickweather melden und die Bedingungen an ihrem Standort anzeigen können. Klinische Forscher und Pharmaunternehmen verwenden das Vorhersagemodell der App, um Krankheitsspitzen einige Wochen vor der CDC zu antizipieren, jedoch mit vergleichbarer Genauigkeit.
"Sobald dies in den Händen von Millionen statt 270.000 Menschen liegt, könnte dies die Ausbreitung von Krankheiten an vielen Orten wirklich verhindern", sagt Dodge.
Andere Projekte haben andere Ansätze ausprobiert. Grippe in Ihrer Nähe erfasst Symptome anhand einer selbstberichteten Umfrage. GoViral hat ein Kit zur Selbstanalyse von Schleim und Speichel gesendet. Google Flu Trends nutzte die Daten des Unternehmens, um die Grippe zu verfolgen, und veröffentlichte die Ergebnisse im Rahmen des Projekts in Nature Das Experiment, bei dem Google anhand von Grippesuchen schätzte, wie viele Menschen krank waren, überschätzte die Prävalenz der Krankheit, möglicherweise weil die Medienberichterstattung über eine schlechte Grippesaison die Suche nach grippebezogenen Begriffen veranlasste öfters.
Während Twitter verwendet werden kann, um die Krankheiten selbst zu verfolgen, erklärt Salathe einige der von Dodge genannten Herausforderungen, warum die Metaanalyse der Akzeptanz von Impfstoffen sinnvoller ist als selbst gemeldete Krankheiten.
"Ich bin mir nicht sicher, ob Twitter die beste Datenquelle dafür ist, weil die Leute so seltsame Aussagen über sich selbst machen, wenn sie eine Selbstdiagnose stellen müssen", sagt Salathe. "Es geht eigentlich nicht so sehr darum, die Krankheit selbst zu verfolgen, sondern vielmehr, wie der Mensch darauf reagiert."
GoViral hat einen weiteren Vorteil, erklärt Rumi Chunara, der NYU-Professor für Informatik und Ingenieurwesen, der dieses Projekt leitet. Es basiert nicht auf Selbstberichten, sondern auf Labortests, mit denen die Verbreitung von Viren definitiv bewertet und mit Symptomberichten verglichen wird.
"Es gibt viele Möglichkeiten, aber es gibt auch Herausforderungen, und ich denke, hier könnte ein Großteil der Wissenschaft konzentriert werden", sagt Chunara. Wie ergänzt es klinische Daten? Wie reduzieren wir Lärm und wenden die Informationen an? Welche spezifischeren Bereiche oder menschliches Verhalten können wir betrachten?
Neuere Technologien - insbesondere Fitness-Tracker und andere direkte Gesundheitsmessungen - liefern mehr und bessere Daten, die weniger subjektiv sind, sagt sie.
"Oft haben wir das Gefühl, dass dies etwas Tolles für die Gesundheit der sozialen Medien ist", sagt sie. "Die Frage, wie man sich daran gewöhnt, sollte meines Erachtens die gesamte Community berücksichtigen."
