En 2015, un brote de sarampión de alto perfil en Disneyland sorprendió a los padres en un cambio fundamental en la perspectiva de las vacunas. En los años anteriores, la necesidad percibida de la vacuna MMR había disminuido, y con ella, el porcentaje de niños que estaban protegidos contra el sarampión. Después de que cientos de personas se enfermaron, lo que llevó a los padres a vacunarse, las tasas volvieron a subir.
Tal vez debería ser obvio que omitir las vacunas conduciría a más niños enfermos, pero la mayoría de los padres estadounidenses en estos días nunca han tenido que preocuparse por el sarampión. Hay una interacción dinámica entre el riesgo percibido de enfermedad y el riesgo percibido de vacunas, explica Chris Bauch. Profesor de matemática aplicada en la Universidad de Waterloo, Bauch observó las tendencias de las redes sociales antes y después del brote de Disneyland, y notó que, estadísticamente hablando, podía rastrear el sentimiento público hacia las vacunas y ver el mayor riesgo de enfermedad antes de que ocurriera. Él y sus colaboradores publicaron el trabajo en las Actas de la Academia Nacional de Ciencias en noviembre.
“Todos tienen cierta intuición para los puntos de inflexión de las sierras. Si tiene más peso en un lado que en el otro, se inclina hacia el lado más pesado. Pero a medida que agrega más y más peso al lado opuesto, eventualmente se volcará ”, dice. "Estos puntos de inflexión muestran señales características antes de que ocurran ... la pregunta es, ¿podemos buscar la presencia de un punto de inflexión que conduzca a una gran disminución en la absorción de la vacuna, como un susto de vacuna?"
Los sustos de las vacunas son solo un ejemplo. Los epidemiólogos, los informáticos y los profesionales de la salud ahora están aplicando el aprendizaje informático a los datos de nuevas fuentes, especialmente las redes sociales, para crear modelos predictivos similares a los CDC, pero mucho más rápidos. Los tweets sobre el dolor de garganta o las visitas al médico, Google busca remedios para el resfriado e incluso su Fitbit o Apple Watch pueden dar pistas sobre las tendencias de salud en un área, si coinciden con los datos de ubicación. Y la gente lo rastrea y lo carga.
"De repente tenemos acceso a algunos de los datos", dice Marcel Salathe, jefe del laboratorio de epidemiología digital en el instituto EPFL de Suiza. "Para mí, esa es realmente la imagen más amplia de lo que está sucediendo aquí, porque hasta cierto punto es un cambio profundo del flujo de datos de la epidemiología tradicional".
Para Bauch y Salathe, que colaboraron en el estudio, Twitter fue la principal fuente de datos. Crearon un bot para buscar tweets que mencionaran vacunas y evaluar el sentimiento de esos tweets, ya sea que indicaran aceptación o duda de las vacunas. Luego, observaron los resultados como un sistema complejo con un circuito de retroalimentación, aplicando un modelo matemático para ver si predeciría retroactivamente la desaceleración de la vacunación que condujo al brote de Disneyland. Lo hizo.
En sistemas como este, ciertas señales medibles ocurren cuando el sistema se acerca a un punto de inflexión. En este caso, los investigadores vieron una "desaceleración crítica", donde el sentimiento sobre las vacunas fue más lento para volver a la normalidad después de que un artículo de noticias o un tweet de una celebridad lo influenciara. Ser capaz de ver este período previo al punto de inflexión significa que, dados los datos de ubicación, los funcionarios de salud pública podrían construir campañas dirigidas a áreas que tienen un mayor riesgo de un susto de vacuna y, por lo tanto, un brote.
Por supuesto, existen barreras para el uso de datos disponibles públicamente de las redes sociales, incluida la privacidad, aunque los investigadores que usan datos de Twitter señalan que se supone que si tuiteas sobre tu salud, alguien puede leerlo. También puede ser un desafío crear programas de computadora para analizar la información contenida, señala Graham Dodge, cofundador y CEO de Sickweather, un servicio basado en aplicaciones que genera pronósticos de salud y mapas en vivo de informes de enfermedades.
Dodge y sus cofundadores colaboraron con investigadores de Johns Hopkins para analizar miles de millones de tweets que mencionan enfermedades. El proceso implicó la separación de informes intencionales y calificados ("Tengo gripe") de comentarios más vagos ("Me siento enfermo") e incluso frases engañosas ("Tengo fiebre de Bieber"). También han tenido que compensar los datos de ubicación ausentes o inexactos: todos los usuarios de Twitter que simplemente marcan "Seattle" como su ubicación, por ejemplo, se colocan en un pequeño código postal del centro de Seattle, en lugar de extenderse por toda la ciudad.
Sickweather se lanzó en 2013 con una aplicación móvil que permite a los usuarios informar enfermedades directamente a Sickweather, así como ver las condiciones en su ubicación. Los investigadores clínicos y las compañías farmacéuticas utilizan el modelo predictivo de la aplicación para anticipar los picos de la enfermedad varias semanas antes que los CDC, pero con una precisión comparable.
"Una vez que esto esté en manos de millones de personas, en lugar de 270, 000, la forma en que esto se desarrolle a gran escala podría realmente detener la propagación de la enfermedad en muchos lugares", dice Dodge.
Otros proyectos han intentado diferentes enfoques. Flu Near You captura los síntomas mediante una encuesta autoinformada, GoViral ha estado enviando un kit para el autoanálisis de moco y saliva, y Google Flu Trends aprovechó los datos de esa compañía para rastrear la gripe y publicó sus resultados en Nature, aunque el proyecto se cerró después de un fallo de encendido en 2013. El experimento, en el que Google utilizó búsquedas relacionadas con la gripe para estimar cuántas personas estaban enfermas, sobrestimó la prevalencia de la enfermedad, posiblemente porque la cobertura de los medios de una temporada de gripe mala hizo que las personas buscaran términos relacionados con la gripe más a menudo.
Si bien Twitter puede usarse para rastrear las enfermedades, Salathe dice que algunos de los desafíos mencionados por Dodge explican por qué el metanálisis de aceptación de vacunas tiene más sentido que las enfermedades autoinformadas.
"No estoy seguro de que Twitter sea la mejor fuente de datos para eso, porque las personas dan declaraciones tan extrañas sobre sí mismas cuando tienen que autodiagnosticarse", dice Salathe. "En realidad no se trata tanto de rastrear la enfermedad en sí misma, sino más bien rastrear la respuesta humana a la misma".
GoViral tiene una ventaja adicional, explica Rumi Chunara, el profesor de ciencias de la computación e ingeniería de la NYU que dirige ese proyecto. No se basa en autoinformes, sino en pruebas de laboratorio que evalúan definitivamente la propagación de virus y los compara con los informes de síntomas.
"Hay muchas oportunidades, pero también hay desafíos, y creo que allí es donde se podría enfocar gran parte de la ciencia", dice Chunara. ¿Cómo complementa los datos clínicos? ¿Cómo reducimos el ruido y aplicamos la información? ¿Qué campos más específicos o comportamiento humano podemos mirar?
Las tecnologías más nuevas, especialmente los rastreadores de actividad física y otras medidas directas de salud, proporcionarán más y mejores datos que son menos subjetivos, dice ella.
"Muchas veces, recibimos este rumor, esto es algo increíble, la salud de las redes sociales", dice ella. "La cuestión de su uso es algo que creo que toda la comunidad debería mirar".
