Pada 2015, wabah campak tingkat tinggi di Disneyland mengejutkan orangtua terhadap perubahan mendasar dalam perspektif vaksinasi. Pada tahun-tahun sebelumnya, kebutuhan yang dirasakan akan vaksin MMR telah menurun, dan dengan itu, persentase anak-anak yang dilindungi dari campak. Setelah ratusan orang sakit, mendorong orang tua untuk melakukan vaksinasi, tarif naik lagi.
Mungkin harus jelas bahwa melewatkan vaksinasi akan menyebabkan lebih banyak anak yang sakit, tetapi kebanyakan orang tua Amerika saat ini tidak pernah perlu khawatir tentang campak. Ada interaksi yang dinamis antara persepsi risiko penyakit dan risiko persepsi vaksin, jelas Chris Bauch. Seorang profesor matematika terapan di University of Waterloo, Bauch melihat tren media sosial sebelum dan sesudah wabah Disneyland, dan memperhatikan bahwa, secara statistik, ia dapat melacak sentimen publik terhadap vaksin dan melihat peningkatan risiko penyakit sebelum itu terjadi. Dia dan kolaboratornya menerbitkan karya dalam Prosiding National Academy of Sciences pada bulan November.
“Setiap orang memiliki beberapa intuisi untuk mendapatkan poin dari gergaji. Jika Anda memiliki lebih banyak berat badan di satu sisi daripada yang lain, itu ujung di sisi yang lebih berat. Tetapi ketika Anda menambahkan lebih banyak dan lebih banyak berat ke sisi yang berlawanan, pada akhirnya itu akan berakhir, “katanya. "Titik kritis ini menunjukkan sinyal karakteristik sebelum terjadi ... pertanyaannya adalah, bisakah kita mencari keberadaan titik kritis yang mengarah pada penurunan besar dalam penyerapan vaksin, seperti ketakutan vaksin?"
Ketakutan vaksin hanyalah satu contoh. Epidemiolog, ilmuwan komputer, dan profesional kesehatan kini menerapkan pembelajaran komputer ke data dari sumber baru - terutama media sosial - untuk membuat model prediksi yang mirip dengan CDC, tetapi jauh lebih cepat. Tweets tentang sakit tenggorokan atau kunjungan dokter, Google mencari obat flu, dan bahkan Fitbit atau Apple Watch Anda semua dapat memberikan petunjuk tentang tren kesehatan di suatu daerah, jika dicocokkan dengan data lokasi. Dan orang-orang melacaknya dan mengunggahnya.
"Tiba-tiba kami memiliki akses ke beberapa data, " kata Marcel Salathe, kepala lab epidemiologi digital di lembaga EPFL Swiss. "Itu bagi saya benar-benar gambaran yang lebih besar tentang apa yang terjadi di sini, karena sampai taraf tertentu ini adalah perubahan mendalam dari aliran data epidemiologi tradisional."
Bagi Bauch dan Salathe, yang berkolaborasi dalam penelitian ini, Twitter adalah sumber utama data. Mereka membuat bot untuk mencari tweet yang menyebutkan vaksin dan menilai sentimen dari tweet itu - apakah mereka mengindikasikan penerimaan atau keraguan vaksin. Kemudian, mereka melihat hasilnya sebagai sistem yang kompleks dengan umpan balik, menerapkan model matematika untuk melihat apakah itu akan memprediksi surutnya vaksinasi secara lambat yang menyebabkan wabah Disneyland. Itu benar.
Dalam sistem seperti ini, sinyal terukur tertentu terjadi ketika sistem mendekati titik kritis. Dalam hal ini, para peneliti melihat "pelambatan kritis, " di mana sentimen tentang vaksin lebih lambat untuk kembali normal setelah artikel berita atau tweet dari selebritas mempengaruhinya. Mampu melihat ini mengarah ke titik kritis berarti bahwa, mengingat data lokasi, pejabat kesehatan masyarakat dapat membangun kampanye yang menargetkan daerah-daerah yang berisiko lebih tinggi terhadap ketakutan vaksin, dan dengan demikian wabah.
Ada hambatan untuk menggunakan data yang tersedia untuk umum dari sumber media sosial, tentu saja, termasuk privasi, meskipun para peneliti yang menggunakan data Twitter menunjukkan bahwa itu diasumsikan bahwa jika Anda tweet tentang kesehatan Anda, seseorang mungkin membacanya. Mungkin juga merupakan tantangan untuk membangun program komputer untuk mengurai informasi yang terkandung, tandaskan Graham Dodge, salah satu pendiri dan CEO Sickweather, layanan berbasis aplikasi yang menghasilkan prakiraan kesehatan dan peta langsung laporan penyakit.
Dodge dan rekan-rekannya bekerja sama dengan para peneliti dari Johns Hopkins untuk menganalisis miliaran tweet yang menyebutkan penyakit. Prosesnya melibatkan pemisahan laporan yang disengaja dan memenuhi syarat ("Saya terserang flu") dari komentar yang lebih kabur ("Saya merasa sakit") dan bahkan ungkapan yang menyesatkan ("Saya menderita demam Bieber"). Mereka juga harus mengompensasi data lokasi yang tidak ada atau tidak akurat - semua pengguna Twitter yang hanya menandai "Seattle" sebagai lokasi mereka, misalnya, dimasukkan ke dalam kode pos Seattle pusat kota kecil, daripada menyebar ke seluruh kota.
Sickweather diluncurkan pada 2013 dengan aplikasi seluler yang memungkinkan pengguna melaporkan penyakit langsung ke Sickweather, serta melihat kondisi di lokasi mereka. Peneliti klinis dan perusahaan farmasi menggunakan model prediksi aplikasi untuk mengantisipasi puncak penyakit beberapa minggu ke depan dari CDC, tetapi dengan akurasi yang sebanding.
"Sekali ini ada di tangan jutaan orang, bukannya 270.000, bagaimana ini bermain dalam skala besar dapat benar-benar mencegah penyebaran penyakit di banyak tempat, " kata Dodge.
Proyek lain telah mencoba berbagai pendekatan. Flu Near You menangkap gejala dengan survei yang dilaporkan sendiri, GoViral telah mengirim kit untuk analisis diri lendir dan air liur, dan Google Flu Tren memanfaatkan data perusahaan untuk melacak flu, dan menerbitkan hasilnya di Nature, melalui proyek tersebut ditutup setelah macet pada tahun 2013. Eksperimen, di mana Google menggunakan pencarian terkait flu untuk memperkirakan berapa banyak orang yang sakit, meremehkan prevalensi penyakit, mungkin karena liputan media tentang musim flu yang buruk menyebabkan orang mencari istilah terkait flu lebih sering.
Sementara Twitter dapat digunakan untuk melacak penyakit itu sendiri, Salathe mengatakan beberapa tantangan yang disebutkan oleh Dodge menjelaskan mengapa meta-analisis penerimaan vaksin lebih masuk akal daripada penyakit yang dilaporkan sendiri.
"Saya tidak yakin Twitter adalah sumber data terbaik untuk itu, karena orang memberikan pernyataan aneh tentang diri mereka ketika mereka harus mendiagnosis diri, " kata Salathe. "Ini sebenarnya bukan tentang melacak penyakit itu sendiri, melainkan melacak respon manusia terhadapnya."
GoViral memiliki keunggulan lebih lanjut, jelas Rumi Chunara, profesor ilmu dan teknik komputer NYU yang menjalankan proyek itu. Itu tidak bergantung pada pelaporan diri, tetapi pada tes laboratorium yang secara definitif menilai penyebaran virus dan membandingkannya dengan laporan gejala.
"Ada banyak peluang, tetapi ada tantangan juga, dan saya pikir di situlah banyak ilmu bisa difokuskan, " kata Chunara. Bagaimana cara melengkapi data klinis? Bagaimana kita mengurangi kebisingan dan menerapkan informasi? Apa bidang yang lebih spesifik atau perilaku manusia yang bisa kita lihat?
Teknologi yang lebih baru - terutama pelacak kebugaran dan tindakan kesehatan langsung lainnya - akan memberikan lebih banyak data yang lebih baik yang kurang subyektif, katanya.
"Banyak kali, kita mendapatkan desas-desus ini, ini adalah sesuatu yang luar biasa, kesehatan media sosial, " katanya. "Pertanyaan tentang itu digunakan adalah sesuatu yang saya pikir seluruh masyarakat harus melihat ke arah."
