Ученые научились предсказывать вспышки кори по настроениям в соцсетях

Исследователи из Университета Ватерлоо в Канаде создали инновационный метод прогнозирования вспышек инфекционных заболеваний. В основе метода лежит анализ настроений в социальных сетях с применением глубокого обучения. Эта разработка может стать прорывом для систем раннего оповещения в сфере общественного здоровья, позволяя действовать на опережение.

Проблема традиционного мониторинга вакцинации заключается в его медлительности. Официальные опросы проводятся раз в год или два и не успевают отслеживать быстрые изменения в общественных настроениях. Соцсети, в свою очередь, предоставляют мгновенные данные, отражая текущие дискуссии и опасения людей, в том числе и о вакцинации.

В своем исследовании ученые использовали две модели искусственного интеллекта — LSTM и ResNet. Эти нейросети были обучены не на реальных, а на смоделированных данных. Сначала математическая модель, учитывающая взаимодействие между распространением болезни и поведением людей в соцсетях, генерировала огромное количество сценариев. Модель включала два социальных класса — активных пользователей соцсетей и всех остальных, а также использовала специальный «шум Леви», который лучше описывает редкие, но мощные всплески активности в интернете, такие как вирусные посты.

Искусственный интеллект учился распознавать тонкие изменения в потоке смоделированных постов, которые предшествуют «критическому переходу» — моменту, когда уровень вакцинации падает настолько, что риск крупной вспышки становится неизбежным.

Затем обученные модели протестировали на реальных данных. Ученые собрали англоязычные твиты с упоминаниями кори за несколько лет, предшествовавших крупным вспышкам в Северной Америке, включая вспышку в Диснейленде в 2014-2015 годах. Результаты оказались обнадеживающими: на теоретических данных глубокое обучение значительно превзошло традиционные статистические индикаторы. А на реальных твитах модели успешно сигнализировали о растущем риске перед тремя из четырех изученных вспышек. При этом модель LSTM реагировала быстрее, а ResNet была более устойчивой к случайным всплескам обсуждений.

Для сравнения, в странах с обязательной вакцинацией, где вспышек не происходило, искусственный интеллект последовательно показывал низкую вероятность кризиса.

Это исследование демонстрирует, как можно объединить теоретическое моделирование и анализ больших данных для решения практических задач. В будущем такая система могла бы в реальном времени отслеживать соцсети и заранее предупреждать органы здравоохранения о надвигающемся снижении доверия к вакцинам, позволяя вовремя запустить просветительские кампании и предотвратить эпидемию.