Em 2015, um surto de sarampo de alto perfil na Disneylândia chocou os pais em uma mudança fundamental na perspectiva das vacinas. Nos anos anteriores, a necessidade percebida da vacina MMR havia diminuído e, com ela, o percentual de crianças que estavam protegidas do sarampo. Depois que centenas de pessoas adoeceram, levando os pais a vacinar, as taxas subiram novamente.
Talvez devesse ser óbvio que pular as vacinas levaria a mais crianças doentes, mas a maioria dos pais americanos hoje em dia nunca teve que se preocupar com o sarampo. Há uma interação dinâmica entre o risco percebido de doenças e o risco percebido de vacinas, explica Chris Bauch. Professor de matemática aplicada na Universidade de Waterloo, Bauch analisou as tendências das mídias sociais antes e depois do surto na Disneylândia e percebeu que, estatisticamente falando, ele podia rastrear o sentimento público em relação às vacinas e ver o aumento do risco da doença antes que acontecesse. Ele e seus colaboradores publicaram o trabalho no Proceedings of National Academy of Sciences em novembro.
“Todo mundo tem alguma intuição para pontos de inflexão de gangorra. Se você tiver mais peso de um lado do que do outro, ele cairá no lado mais pesado. Mas à medida que você adiciona mais e mais peso ao lado oposto, eventualmente ele vai tombar ”, diz ele. "Esses pontos de inflexão exibem sinais característicos antes que eles ocorram ... a questão é, podemos procurar a presença de um ponto de inflexão que leve a um grande declínio na absorção de vacina, como um susto de vacina?"
As crises de vacinas são apenas um exemplo. Epidemiologistas, cientistas da computação e profissionais de saúde estão agora aplicando o aprendizado de computadores a dados de novas fontes - especialmente mídias sociais - para criar modelos preditivos semelhantes aos do CDC, mas muito mais rápido. Tweets sobre dores de garganta ou consultas médicas, buscas no Google por remédios para resfriado, e até mesmo seu Fitbit ou Apple Watch podem dar dicas para as tendências de saúde em uma área, se combinadas com dados de localização. E as pessoas estão rastreando e enviando.
"De repente, temos acesso a alguns dados", diz Marcel Salathe, chefe do laboratório de epidemiologia digital do instituto EPFL, da Suíça. "Isso para mim é realmente o quadro maior do que está acontecendo aqui, porque até certo ponto esta é uma mudança profunda no fluxo de dados da epidemiologia tradicional."
Para Bauch e Salathe, que colaboraram no estudo, o Twitter foi a principal fonte de dados. Eles construíram um bot para procurar tweets mencionando vacinas e avaliar o sentimento desses tweets - se eles indicavam aceitação ou dúvida de vacinas. Em seguida, eles analisaram os resultados como um sistema complexo com um loop de feedback, aplicando um modelo matemático para ver se preveria retroativamente a desaceleração da vacinação que levou ao surto da Disneylândia. Isso aconteceu.
Em sistemas como este, certos sinais mensuráveis ocorrem quando o sistema se aproxima de um ponto de inflexão. Neste caso, os pesquisadores viram um “abrandamento crítico”, onde o sentimento sobre as vacinas era mais lento para voltar ao normal depois que uma reportagem ou um tweet de uma celebridade o influenciava. Conseguir enxergar esse avanço até o ponto de inflexão significa que, dados os dados de localização, as autoridades de saúde pública poderiam criar campanhas direcionadas a áreas com maior risco de um surto de vacina e, portanto, um surto.
Existem barreiras ao uso de dados disponíveis publicamente de fontes de mídia social, é claro, incluindo a privacidade, embora os pesquisadores que usam dados do Twitter apontem que é presumido que, se você tweeta sobre sua saúde, alguém pode lê-lo. Também pode ser desafiador construir programas de computador para analisar as informações contidas, aponta Graham Dodge, co-fundador e CEO da Sickweather, um serviço baseado em aplicativos que gera previsões de saúde e mapas ao vivo de relatórios de doenças.
Dodge e seus co-fundadores colaboraram com pesquisadores da Johns Hopkins para analisar bilhões de tweets que mencionam doenças. O processo envolveu a separação de relatórios intencionais e qualificados (“eu estou com gripe”) de comentários mais vagos (“estou passando mal”) e até frases enganosas (“tenho febre Bieber”). Eles também tiveram que compensar os dados de localização ausentes ou imprecisos - todos os usuários do Twitter que simplesmente marcam "Seattle" como sua localização, por exemplo, são jogados em um pequeno código postal de Seattle, em vez de se espalharem pela cidade.
A Sickweather foi lançada em 2013 com um aplicativo móvel que permite aos usuários relatar doenças diretamente ao Sickweather, bem como visualizar as condições em sua localização. Pesquisadores clínicos e empresas farmacêuticas usam o modelo preditivo do aplicativo para antecipar picos de doença várias semanas à frente do CDC, mas com precisão comparável.
"Uma vez que isso está nas mãos de milhões de pessoas, em vez de 270.000, como isso funciona em escala poderia realmente evitar a propagação da doença em muitos lugares", diz Dodge.
Outros projetos tentaram diferentes abordagens. O Flu Near You captura sintomas por meio de uma pesquisa autorreferida, a GoViral enviou um kit para auto-análise de muco e saliva, e o Google Flu Trends aproveitou os dados da empresa para rastrear a gripe e publicou seus resultados na Nature, embora o projeto O experimento, no qual o Google usou pesquisas relacionadas à gripe para estimar quantas pessoas estavam doentes, superestimou a prevalência da doença, possivelmente porque a cobertura da mídia sobre uma temporada de gripe ruim fez com que as pessoas pesquisassem termos relacionados à gripe. mais frequentemente.
Embora o Twitter possa ser usado para rastrear as doenças, Salathe diz que alguns dos desafios mencionados por Dodge explicam por que a metanálise da aceitação da vacina faz mais sentido do que as doenças autorreferidas.
“Não tenho certeza se o Twitter é a melhor fonte de dados para isso, porque as pessoas dão declarações estranhas sobre si mesmas quando precisam se diagnosticar”, diz Salathe. "Na verdade, não é muito sobre rastrear a doença em si, mas sim rastrear a resposta humana a ela."
O GoViral tem uma vantagem adicional, explica Rumi Chunara, o professor de ciências da computação e engenharia da NYU que gerencia esse projeto. Não se baseia no auto-relato, mas em testes de laboratório que avaliam definitivamente a disseminação de vírus e compara-os a relatos de sintomas.
"Há muitas oportunidades, mas há desafios também, e acho que é aí que muita da ciência poderia ser focada", diz Chunara. Como complementa os dados clínicos? Como reduzimos o ruído e aplicamos a informação? Quais campos ou comportamentos humanos mais específicos podemos observar?
Tecnologias mais recentes - especialmente rastreadores de condicionamento físico e outras medidas diretas de saúde - fornecerão mais dados melhores que são menos subjetivos, diz ela.
"Muitas vezes, temos esse burburinho, isso é algo incrível, a saúde da mídia social", diz ela. "A questão de se acostumar é algo que eu acho que toda a comunidade deve estar procurando."
