1854. aastal esitas Suurbritannia arst John Snow vastusena hävitavale kooleraepideemiale, mis levis Londoni kaudu, rahvatervise valdkonna revolutsioonilise idee: epidemioloogilise kaardi. Salvestades koolerajuhtumeid linna erinevates linnaosades ja kaardistades need patsientide elukohtade põhjal kaardil, avastas ta, et suure osa nakkustest põhjustas üksainus saastunud veepump.
Kaart veenis teda - ja lõpuks ka riigiasutusi -, et haiguste miasma teooria (mis väitis, et haigused levivad kahjulike gaaside kaudu) oli vale ja et iduteooria (mis väitis õigesti, et mikroorganismid on süüdi) oli tõene. Nad panid puhangu eest vastutava pumba käepidemele luku, mis annab märku paradigma muutumisest, mis muutis jäädavalt nakkushaiguste ja seeläbi kanalisatsiooni käsitlemist.
Kaardistamistehnoloogia, nagu ka haigus, on üsna erinev, kuid Snow'i kaardi ja Rochesteri ülikooli Henry Kautzi juhitud teadlaste rühma uue projekti vahel on teatav sarnasus. Luues algoritme, mis suudavad tuvastada gripitrende ja teha prognoose avalikkusele kättesaadavate geograafilise tähisega säutsude märksõnade põhjal, kasutavad nad haiguse leviku uurimisel uut lähenemisviisi - see võiks muuta seda, kuidas me uurime ja jälgime haiguste liikumist ühiskonnas. .
“Me võime mõelda inimestele kui sensoritele, kes vaatavad ümbritsevat maailma ja annavad seejärel sotsiaalmeedias teada, mida nad näevad ja kogevad, ” selgitab Kautz. "See võimaldab meil teha üksikasjalikke mõõtmisi rahvastiku skaalal ja ei vaja aktiivset kasutajate osalemist."
Teisisõnu, kui piiksume, et meid on just valulik köha ja palavik lasknud madalale, anname tahtmatult rikasid andmeid tohutu rahvatervise eksperimendi jaoks - teavet, mida teadlased saavad kasutada selliste haiguste nagu gripp liikumise jälgimiseks kõrge eraldusvõimega ja reaalajas.
Kautzi projekt nimega SocialHealth on mitmesuguste rahvatervisega seotud probleemide jälgimiseks kasutanud säutsu ja muud laadi sotsiaalmeediat - hiljuti hakkasid nad tweetide abil jälgima toidumürgituse juhtumeid New Yorgi restoranides, logides sisse kõik postitanud inimesed geograafilise märgistusega tweetsid restoranist, järgides nende tweete järgmise 72 tunni jooksul, kontrollides oksendamise, kõhulahtisuse, kõhuvalu, palaviku või külmavärinate esinemist. Seejuures avastasid nad 480 tõenäolist toidumürgituse juhtu.
Kuid hooaja muutumisel on nende töö gripiviiruse jälgimine kõige silmatorkavam. Google Gripitrendid on sarnaselt püüdnud kasutada Google'i otsijaid gripi liikumise jälgimiseks, kuid mudel hindas eelmise aasta puhangu suuresti üles, võib-olla seetõttu, et gripi meedias kajastamine ajendas inimesi alustama gripiga seotud päringute tegemist. Twitteri analüüs esindab uut väheste omadustega andmekogumit - suuremat geograafilist eraldusvõimet ja võimalust tabada kasutaja liikumist aja jooksul -, mis võiks anda paremaid ennustusi.
Gripi jälgimisprojekti alustamiseks vaatasid SocialHealthi teadlased spetsiaalselt New Yorki, kogudes 600 000 kasutajalt kolme kuu jooksul umbes 16 miljonit geograafilise tähisega avalikku säutsu kuus. Allpool on esitatud ühe New Yorgi Twitteri päeva aeg, kus erinevad värvid tähistavad selles kohas säutsude erinevat sagedust (sinine ja roheline tähendavad vähem säutsu, oranž ja punane tähendavad rohkem):
Kõigi nende andmete kasutamiseks töötas tema meeskond välja algoritmi, mis määrab kindlaks, kas iga säutsu esindab gripilaadsete sümptomite aruannet. Kui varem olid teised teadlased seda lihtsalt teinud, otsides märksõnu säutsudest (näiteks „haige”), kuid tema meeskond leidis, et selline lähenemine toob kaasa valepositiivseid tulemusi: palju rohkem kasutajaid piiksub, et nad on kodutöödest vaevatud, kui nad on haigena tundma.
Selle arvessevõtmiseks otsib tema meeskonna algoritm kolme sõna järjest (ühe asemel) ja kaalub, kui sageli see konkreetne jada haigusele viitab, nende säutsude komplekti alusel, millele nad oleksid käsitsi sildistanud. Näiteks väljend „grippi haige” on tugevalt korrelatsioonis haigusega, samas kui „haige ja väsinud” on seda vähem. Mõned konkreetsed sõnad - peavalu, palavik, köha - on haigusega tugevalt seotud, hoolimata sellest, millisesse kolme sõna jada nad kuuluvad.
Kui need miljonid säutsud olid kodeeritud, said teadlased nendega teha paar intrigeerivat asja. Alustuseks vaatasid nad gripiga seotud säutsude muutusi aja jooksul ja võrdlesid neid CDC teatel gripitasemega, kinnitades, et säutsud kinnitasid täpselt gripi üldise suundumuse. Erinevalt CDC andmetest on see saadaval peaaegu reaalajas, mitte nädal või kaks pärast fakti saabumist.
Kuid nad läksid ka sügavamale, uurides erinevate kasutajate vahelist suhtlust - mida esindavad kaks kasutajat, kes piiksuvad samast asukohast (GPS-i eraldusvõime on umbes pool linnakest) sama tunni jooksul -, et modelleerida, kui tõenäoline on, et terve inimene jääks haigeks pärast kokkupuudet gripiga. Ilmselt ei kohtunud kaks samast blokist 40-minutise vahega piiksuvat inimest tingimata isiklikult, kuid nende kohtumise tõenäosus on pisut suurem kui kahe juhusliku kasutaja korral.
Selle tulemusel ilmneb piisavalt suur koostoimete andmekogum, edastamise pilt. Nad leidsid, et kui tervislik kasutaja kohtub 40 teise kasutajaga, kes teavad end olevat gripisümptomitega haigestunud, suureneb tema tõenäosus järgmisel päeval gripisümptomite tekkeks vähem kui ühe protsendilt 20 protsendini. 60 koostoime korral tõuseb see arv 50 protsendini.
Meeskond vaatas ka suhtlemist Twitteris, eraldades teineteisele järgnevaid kasutajapaare ja nimetades neid „sõprussuheteks”. Ehkki paljud Twitteri suhted eksisteerivad ainult veebis, vastavad mõned reaalajas toimuvale suhtlusele ja nad leidsid, et kasutaja kellel on kümme sõpra, kes väidavad end olevat haige, on 28 protsenti suurem tõenäosus haigestuda järgmisel päeval. Kokkuvõttes suutis nende mõlemat tüüpi interaktsioone kasutades nende algoritm 90-protsendilise täpsusega ennustada, kas terve inimene haigestub (ja piiksuma sellest).
Oleme alles selle uurimise algusjärgus ja seal on palju piiranguid: Enamik inimesi ei kasuta ikka veel Twitterit (jah, tõesti) ja isegi kui nad seda teeksid, ei pruugi nad haigestumise kohta piiksuda.
Kuid kui seda tüüpi süsteemi saaks edasi arendada, on igasuguseid rakendusi lihtne ette kujutada. Nutitelefon võib teid automaatselt hoiatada, näiteks kui olete veetnud liiga palju aega grippi põdevate inimeste kohtades, ajendades teid koju minema, et mitte seada ennast nakkuse teele. Terve linna elanikke võidakse isegi hoiatada, kui see oleks puhangu äärel.
Hoolimata 150 aastast, mil oleme John Snow haiguse kaardistamise läbimurdest eemaldatud, on selge, et endiselt on haiguse kohta teabe osas aspekte, millest me ei saa täielikult aru. Nüüd, nagu siis, võiks andmete kaardistamine aidata vastuseid saada.
