En 2015, une importante épidémie de rougeole à Disneyland a bouleversé les parents et a bouleversé les perspectives en matière de vaccination. Au cours des années précédentes, la nécessité perçue du vaccin ROR avait diminué et, avec elle, le pourcentage d'enfants protégés contre la rougeole. Après que des centaines de personnes soient tombées malades, poussant les parents à se faire vacciner, les taux ont encore augmenté.
Il devrait peut-être être évident que sauter les vaccins conduirait à un plus grand nombre d'enfants malades, mais la plupart des parents américains de nos jours n'ont jamais eu à se soucier de la rougeole. Il existe une interaction dynamique entre le risque perçu de maladie et le risque perçu de vaccins, explique Chris Bauch. Professeur de mathématiques appliquées à l’Université de Waterloo, Bauch a examiné les tendances des médias sociaux avant et après l’épidémie de Disneyland. Il a constaté que, statistiquement, il pouvait suivre l’opinion du public à l’égard des vaccins et constater le risque accru de maladies avant qu’il ne se produise. Avec ses collaborateurs, il a publié les travaux dans les Actes de la National Academy of Sciences en novembre.
«Tout le monde a l’intuition de faire basculer les balances en dents de scie. Si vous avez plus de poids d'un côté que de l'autre, il bascule du côté le plus lourd. Mais si vous ajoutez de plus en plus de poids au camp adverse, il finira par basculer », dit-il. «Ces points de basculement présentent des signaux caractéristiques avant qu’ils ne se produisent… La question est de savoir si nous pouvons rechercher la présence d’un point de basculement conduisant à une baisse importante de l’absorption du vaccin, comme une alerte au vaccin?»
Les alertes à la vaccination en sont un exemple. Les épidémiologistes, les informaticiens et les professionnels de la santé appliquent maintenant l'apprentissage informatique aux données provenant de nouvelles sources - notamment les médias sociaux - afin de créer des modèles prédictifs similaires aux CDC, mais beaucoup plus rapides. Les tweets sur les maux de gorge ou les visites chez le médecin, Google cherche des remèdes contre le rhume et même votre Fitbit ou votre Apple Watch peuvent tous donner des indications sur les tendances en matière de santé dans une région, si elles correspondent aux données de localisation. Et les gens le suivent et le téléchargent.
«Nous avons soudainement accès à certaines données», déclare Marcel Salathe, responsable du laboratoire d'épidémiologie numérique de l'institut EPFL en Suisse. "Pour moi, c'est vraiment la plus grande image de ce qui se passe ici, parce que dans une certaine mesure, il s'agit d'un changement profond du flux de données de l'épidémiologie traditionnelle."
Pour Bauch et Salathe, qui ont collaboré à l’étude, Twitter était la principale source de données. Ils ont construit un robot pour rechercher des tweets mentionnant des vaccins et évaluer leur sentiment sur le fait qu'ils aient ou non indiqué leur acceptation ou leur doute. Ensuite, ils ont considéré les résultats comme un système complexe avec une boucle de rétroaction, appliquant un modèle mathématique pour voir s’il prédirait de manière rétroactive le ralentissement de la vaccination qui a conduit à l’épidémie de Disneyland. Ça faisait.
Dans des systèmes comme celui-ci, certains signaux mesurables apparaissent lorsque le système approche d'un point de basculement. Dans ce cas, les chercheurs ont assisté à un «ralentissement critique», dans lequel le retour à la normale des vaccins était plus lent après qu'un article de presse ou un tweet d'une célébrité l'avait influencé. Être capable de voir ce qui précède le point critique signifie que, compte tenu des données géographiques, les responsables de la santé publique pourraient organiser des campagnes ciblant les zones présentant un risque accru de panique provoqué par la vaccination et, partant, d’épidémie.
Bien sûr, y compris la protection de la vie privée, il existe des obstacles à l’utilisation des données accessibles au public provenant de médias sociaux, bien que les chercheurs qui utilisent les données de Twitter soulignent qu’il est en quelque sorte présumé que si vous tweetez à propos de votre santé, quelqu'un peut la lire. Il peut également être difficile de concevoir des programmes informatiques pour analyser les informations contenues, souligne Graham Dodge, cofondateur et PDG de Sickweather, un service basé sur une application qui génère des prévisions de santé et des cartes en direct de rapports de maladie.
Dodge et ses cofondateurs ont collaboré avec des chercheurs de Johns Hopkins pour analyser des milliards de tweets mentionnant des maladies. Le processus impliquait de séparer les rapports intentionnels et qualifiés («J'ai la grippe») des commentaires plus vagues («Je me sens malade») et même de formuler des phrases trompeuses («J'ai la fièvre de Bieber»). Ils ont également dû compenser les données de localisation absentes ou inexactes - tous les utilisateurs de Twitter qui marquent simplement «Seattle» comme leur emplacement, par exemple, sont insérés dans un petit code postal du centre-ville de Seattle, plutôt que répartis dans toute la ville.
Sickweather a été lancé en 2013 avec une application mobile qui permet aux utilisateurs de signaler des maladies directement à Sickweather, ainsi que de visualiser les conditions sur place. Les chercheurs cliniques et les sociétés pharmaceutiques utilisent le modèle prédictif de l'application pour anticiper les pics de maladie plusieurs semaines avant le CDC, mais avec une précision comparable.
«Une fois que cela est entre les mains de millions de personnes, au lieu de 270 000, son impact à grande échelle pourrait réellement freiner la propagation de la maladie dans de nombreux endroits», a déclaré Dodge.
D'autres projets ont essayé différentes approches. Flu Near Near You capture les symptômes à l'aide d'une enquête auto-déclarée. GoViral a envoyé une trousse d'auto-analyse du mucus et de la salive. Google Flu Trends a exploité les données de cette société pour suivre le virus de la grippe et en a publié les résultats dans Nature . arrêtée après un raté d'allumage en 2013. L'expérience, dans laquelle Google a utilisé des recherches liées à la grippe pour estimer le nombre de personnes malades, a surestimé la prévalence de la maladie, peut-être parce que la couverture médiatique d'une mauvaise saison grippale a poussé les gens à rechercher des termes liés à la grippe plus souvent.
Bien que Twitter puisse être utilisé pour suivre les maladies elles-mêmes, M. Salathe explique que certains des problèmes mentionnés par Dodge expliquent pourquoi la méta-analyse de l'acceptation d'un vaccin est plus logique que les maladies auto-déclarées.
«Je ne suis pas sûre que Twitter soit la meilleure source de données pour cela, car les gens font des déclarations si étranges sur eux-mêmes lorsqu'ils doivent auto-diagnostiquer», déclare Salathe. "Il ne s'agit pas vraiment de dépister la maladie elle-même, mais plutôt de suivre la réponse humaine à la maladie."
GoViral a un autre avantage, explique Rumi Chunara, professeur d’ingénierie et d’informatique à la NYU, qui dirige ce projet. Il ne repose pas sur l'autodéclaration, mais sur des tests de laboratoire qui évaluent de manière définitive la propagation des virus et les comparent aux rapports de symptômes.
«Les opportunités sont nombreuses, mais il y a aussi des défis, et je pense que c'est sur cela que la science pourrait être concentrée», dit Chunara. Comment cela complète-t-il les données cliniques? Comment pouvons-nous réduire le bruit et appliquer les informations? Quels domaines ou comportement humain plus spécifiques pouvons-nous examiner?
Les nouvelles technologies, notamment les suivis de fitness et d'autres mesures directes de la santé, donneront plus de données, meilleures, moins subjectives, dit-elle.
«Souvent, nous avons cette sensation, c'est quelque chose de génial, la santé des médias sociaux», dit-elle. "Je pense que toute la communauté devrait s'intéresser à cela."
