Ученые нашли в твитах признаки надвигающейся эпидемии

Giphy.com
По изменениям количества твитов, в которых население поддерживает вакцинацию, или выступает против, можно предсказать наступление переломной точки, в которой количество людей, отказавшихся привиться становится так велико, что это приводит к вспышке эпидемии. Такие выводы сделали ученые из университетов Канады, США и Швейцарии в своей работе, опубликованной в журнале Proceedings of the National Academy of Sciences.
Эпидемии болезней можно сдержать при помощи массовой вакцинации, а некоторые болезни, которые могут достичь эпидемических масштабов, можно полностью ликвидировать. Всемирная организация здравоохранения разрабатывает планы ликвидации полиомиелита, кори, и других болезней. Отказ от вакцинации замедляет процесс искоренения болезни и может привести к новым эпидемическим вспышкам. Так, например, вспышке кори в период с 2014 по 2015 год в Диснейленде предшествовало снижение охвата вакцинацией против кори, краснухи и свинки (MMR vaccine) в штате Калифорния в период с 2010 по 2014 год.
Ученые разрабатывают сложные математические модели для подобных динамических систем, чтобы предсказывать коллапсы. Также ученые разрабатывают индикаторы, которые позволяют как можно раньше судить о приближении к критической точке. Крис Баух (Chris Bauch) из департамента прикладной математики Университета Ватерлоо вместе с коллегами из Канады, США и Швейцарии решили испытать существующие модели и ранние предупреждающие индикаторы на примере эпидемии кори в Диснейленде, а в качестве индикатора настроений вокруг вакцинации использовать данные социальных сетей и запросов в Google.
Они выбрали модель динамики болезней и поведения людей, в которую входят показатели динамики болезни (индексы рождаемости и смертности, число больных и восприимчивых к болезни), социальных норм (является ли вакцинация нормой, и насколько социальные нормы вообще сильны в данном обществе) и воспринимаемых рисков (как от болезни, так и риски от принятия вакцины). Также они использовали теорию критического замедления (critical slowing down), согласно которой в случаях, когда система близка к критической точке опрокидывания, скорость ее восстановления должна уменьшаться. О критическом замедлении авторы судили по изменениям индикаторов дисперсии, автокорреляции и коэффициента вариации: все три должны продемонстрировать значительный рост перед эпидемией, и спад после. Автокорреляционную функцию используют для идентификации циклов в поведении динамических систем, и она удобна для выявления критического замедления. Индикатором настроений населения стали запросы в Google и посты в Twitter с геотегами США и, в частности, Калифорнии. Все твиты c 2011 по 2016 год разделили на три категории по их содержанию: «за вакцинацию», «против вакцинации», и «другие», в которых настроения автора не поддавались классификации «за» или «против». Данные разбили на недельные промежутки, для позитивных и негативных твитов рассчитали значения индикаторов, которые затем сравнили с предсказаниями модели. Данные Google Trends не раскрывают настроений населения, но, поскольку спорные темы провоцируют увеличение поисковых запросов, эти данные могут отражать несогласие в обществе по поводу вакцинации.
Поскольку на решение прививаться влияет разница между представлениями о том, что рискованнее, болезнь или прививка, ученые предположили, что готовность населения прививаться становится критической вблизи порога устранения болезни, когда социальные нормы ослабевают.
Другая компьютерная модель показала, что заболеваемость корью увеличивается в три раза, когда охват детей вакцинацией падает на пять процентов, а вот связи этой прививки с аутизмом ученые не нашли. Ранее мы провели обзор малоизвестных прививок, и рассказали о проблеме распространения ложной информации в онлайн среде.
Анна Зинина