1854. године, као одговор на поражавајућу епидемију колере која је пролазила Лондоном, британски доктор Јохн Снов представио је идеју која ће извршити револуцију у области јавног здравља: епидемиолошка карта. Снимајући случајеве колере у различитим градским четвртима и цртајући их на мапи на основу пребивалишта пацијената, открио је да је једна велика контаминирана водена пумпа одговорна за велики део инфекција.
Мапа га је уверила - и на крају, јавне власти - да је теорија о миасми болести (која је тврдила да се болести шире штетним гасовима) била лажна и да је теорија клица (која је тачно тврдила да су криви микроорганизми) тачна. Ставили су браву на дршку пумпе која је одговорна за избијање, сигнализирајући промену парадигме која је трајно променила начин на који се боримо са заразним болестима и тиме санитарно.
Технологија мапирања је сасвим другачија, као и болест, али постоји одређена сличност између Снов-ове мапе и новог пројекта који је спровела група истраживача које је водио Хенри Каутз са Универзитета у Роцхестеру. Стварањем алгоритама који могу уочити трендове грипа и предвиђања заснована на кључним речима у јавно доступним твитовима са географским ознакама, они користе нови приступ проучавању преношења болести - онај који би могао променити начин на који проучавамо и пратимо кретање болести у друштву .
„О људима можемо размишљати као о сензорима који гледају свет око себе, а затим извештавају о ономе што виде и проживљавају на друштвеним медијима“, објашњава Каутз. „Ово нам омогућава детаљна мерења на популацијској скали и не захтева активно учешће корисника.“
Другим речима, када потврдимо да нас је управо спузао болни кашаљ и грозница, ми несвесно пружамо богате податке за огроман јавноздравствени експеримент, информације које истраживачи могу да користе за праћење кретања болести попут грипа у високој резолуцији и у реалном времену.
Каутзов пројекат, назван СоциалХеалтх, користио је твеетове и друге врсте друштвених медија да би пратио читав низ јавноздравствених проблема - недавно су почели да користе твитове за надгледање случајева тровања храном у ресторанима у Њујорку, тако што су евидентирали све који су објавили Географски означени твитови из ресторана, а затим пратећи твитове током наредних 72 сата, проверавајући да ли се спомињу повраћања, пролива, болова у трбуху, грознице или зимице. Радећи то, открили су 480 вероватних случајева тровања храном.
Али како се сезона мења, њихов посао праћења вируса грипе највише привлачи очи. Гоогле Трендови грипа слично су покушавали да користе Гоогле претраживаче за праћење кретања грипа, али модел је значајно преценио прошлогодишњу епидемију, можда зато што је медијска покривеност грипом подстакла људе да почну да постављају упите у вези са грипом. Твиттер анализа представља нови скуп података с неколико квалитета - већу географску резолуцију и способност да се забиљежи кретање корисника током времена - који би могао дати боље прогнозе.
Да би започели свој пројекат праћења грипа, истраживачи СоциалХеалтх-а посебно су погледали Нев Иорк, прикупивши око 16 милиона геотагованих јавних твитераша месечно од 600.000 корисника током три месеца. Испод је време истека једног њујоршког дана на Твиттеру, са различитим бојама које представљају различиту фреквенцију твитова на тој локацији (плави и зелени значе мање твитова, наранџасти и црвени значе више):
Да би искористио све ове податке, његов тим је развио алгоритам који утврђује да ли сваки твит представља извештај о симптомима сличним грипу. Раније су други истраживачи то једноставно радили тражећи кључне речи у твитовима (на пример „болесни“), али његов тим је открио да приступ води до лажних позитивних критика: Много више корисника твитне да им је мучно од домаћег посла него што је то случај осећај мучнине.
Да би то објаснио, алгоритам његовог тима тражи три речи заредом (уместо једне) и разматра колико често одређени низ указује на болест, на основу низа твитова које су ручно означили. На примјер, фраза "болестан од грипе" снажно је повезана са болешћу, док је "болесна и уморна". Неке одређене речи - главобоља, грозница, кашаљ - снажно су повезане са болешћу без обзира у низу од три речи чији су део.
Једном када су кодирани ови милиони твитера, истраживачи су могли да ураде неколико интригантних ствари са њима. За почетак су прегледали промене у твитовима повезаним са грипом и упоредили их са нивоима грипа како је известио ЦДЦ, потврђујући да су твитови тачно снимили укупни тренд стопе грипа. Међутим, за разлику од података о ЦДЦ-у, доступни су у готово реалном времену, пре недељу или две након тога.
Али они су такође отишли дубље, гледајући интеракције између различитих корисника - као што су представљени од стране два корисника који твитовају са исте локације (ГПС резолуција је око пола градског блока) у току истог сата - како би моделирали колико је вероватно да је здрава особа разболио би се након контакта са неким грипом. Очигледно је да двоје људи који цвркућу из истог блока 40 минута одвојено не морају се лично састати, али изгледи да су се срели нешто су већи од два случајна корисника.
Као резултат, када погледате довољно велики скуп интеракција, настаје слика преноса. Открили су да ако се здрав корисник суочи са 40 других корисника који се пријављују као болесни са симптомима грипе, његове изгледе за добијање симптома грипа наредног дана повећавају се са мање од један проценат на 20 процената. Са 60 интеракција, тај број се повећава на 50 процената.
Тим је такође погледао интеракције на самом Твиттеру, изоловајући парове корисника који прате једни друге и називајући их „пријатељствима.“ Иако многи односи на Твиттеру постоје само на Вебу, неки одговарају интеракцијама у стварном животу, и открили су да корисник који има десет пријатеља који се изјашњавају као болесни, вероватно ће се следећег дана разболети за 28 процената. Свеукупно, користећи обе ове врсте интеракција, њихов алгоритам је био у стању да предвиди да ли ће се здрава особа разбољети (и твитовати о томе) са 90 процената тачности.
Још смо у раним фазама овог истраживања, а ту су и многа ограничења: већина људи и даље не користи Твиттер (да, заиста), па чак и ако то ураде, можда неће твитнути о разболењу.
Али ако се овакав систем може даље развијати, лако је замислити све врсте апликација. На пример, ваш паметни телефон могао би вас аутоматски упозорити да бисте провели превише времена на местима која су заузела људи који пате од грипа, па вас натера да одете кући да престанете да се стављате на пут заразе. Становници целог града су чак могли бити упозорени када би били на ивици епидемије.
Упркос 150 година колико смо уклоњени из пробоја Јохна Снов-а, мапирање болести, јасно је да још увек постоје аспекти информација о болести које не разумемо у потпуности. Као и тада, мапирање података би могло помоћи у добијању одговора.
