پیشبینی شیوع بیماری با استفاده از شبکه های اجتماعی
به گزارش سلامت، محققان کانادایی یک مدل یادگیری ماشینی را ارایه کرده اند که با تحلیل پست های انتشار یافته در رسانه های اجتماعی می تواند به پیشبینی محل وقوع شیوع بیماری کمک نماید.
به گزارش سلامت به نقل از ایسنا، میزان واکسیناسیون در خیلی از جوامع به علت گسترش اطلاعات نادرست رو به کاهش است و بیماری هایی مانند سرخک که پیش تر ریشه کن شده یا کنترل شده بودند، در سراسر آمریکا و کانادا رو به افزایش هستند.
به نقل از میراژ نیوز، محققان «دانشگاه واترلو»(UWaterloo) در کانادا روش تازه ای را عرضه کرده اند که می تواند به مقامات بهداشت عمومی در پیش بینی محل وقوع شیوع بیماری کمک نماید. این تکنیک با تحلیل پست های پخش شده در رسانه های اجتماعی، نشانه های اولیه افزایش تردید را در رابطه با واکسن شناسایی می کند. این یک سیگنال هشداردهنده است که می تواند قبل از آغاز شیوع هر بیماری ظاهر شود.
دکتر «کریس باوخ»(Chris Bauch)، استاد دانشگاه واترلو اظهار داشت: در طبیعت، ما سیستم های مسری مانند بیماریها را داریم. ما تصمیم گرفتیم به پویایی اجتماعی مانند یک سیستم اکولوژیکی نگاه نماییم و بررسی کردیم که چطور اطلاعات نادرست می توانند بوسیله یک شبکه رسانه اجتماعی به شکل مسری از کاربری به کاربر دیگر منتقل شوند.
این گروه پژوهشی یک مدل یادگیری ماشینی را برمبنای مفهوم ریاضی نقطه اوج -لحظه ای که یک سیستم ناگهان به حالت جدیدی تغییر می کند- آموزش دادند. باوخ اظهار داشت: فرقی نمی کند که بدن یک فرد دچار صرع را بررسی کنید یا یک سیستم اکولوژیکی مانند دریاچه اشغال شده توسط جلبک ها یا از دست دادن ایمنی جمعی در یک جمعیت. از نظر ریاضی، یک مکانیسم اساسی مشترک وجود دارد.
محققان برای آزمایش مدل خود، ده ها هزار پست عمومی پخش شده در پلت فرم ایکس از کالیفرنیا را درست قبل از شیوع گسترده سرخک در سال ۲۰۱۴ تحلیل کردند. روش های سنتی مانند شمارش ساده توییت های شکاکانه قبل از شیوع، اخطار بسیار کمی را نشان می دادند.
باوخ اظهار داشت: روش های معمول پیش بینی شیوع بیماری با انجام دادن تحلیل آماری توییت های شکاکانه، زمان زیادی را قبل از شیوع بیماری عرضه نمی دهند. ما با بهره گیری از نظریه ریاضی نقاط اوج توانستیم زمان بسیار بیشتری را به دست بیاوریم و الگوهای موجود در داده ها را بسیار مؤثرتر تشخیص دهیم.
محققان با مقایسه الگوهای ارسال پست در کالیفرنیا با مناطق دیگری در همان زمان که هیچ شیوعی در آنها رخ نداده بود، دقت روش نقطه اوج را تأیید کردند.
باآنکه این مدل در ابتدا روی ایکس آزمایش شد اما می توان آنرا به آسانی با پلت فرم هایی مانند «تیک تاک» یا «اینستاگرام» هم تطبیق داد. با این وجود، در مقایسه با فرمت به طور عمده مبتنی بر متن پلت فرم ایکس، برای تحلیل تصاویر و ویدیو های این دو پلت فرم به منابع محاسباتی بیشتری نیاز خواهد داشت.
باوخ اظهار داشت: ما در نهایت می خواهیم این مدل را به روشی برای مقامات بهداشت عمومی تبدیل نماییم تا بر جمعیت هایی که در معرض بیشترین خطر برای رسیدن به نقطه اوج هستند، نظارت کنند. ریاضیات کاربردی می تواند روش قدرتمندی برای پیش بینی، نظارت و رسیدگی به تهدیدات سلامت عمومی باشد.
بطور خلاصه به گزارش سلامت به نقل از ایسنا، میزان واکسیناسیون در بسیاری از جوامع به دلیل گسترش اطلاعات ناصحیح رو به کاهش است و بیماری هایی مانند سرخک که قبل تر ریشه کن شده یا کنترل شده بودند، در سراسر آمریکا و کانادا رو به افزایش هستند. با این حال، در مقایسه با فرمت بطور عمده مبتنی بر متن پلتفرم ایکس، برای تحلیل تصاویر و ویدیو های این دو پلتفرم به منابع محاسباتی بیشتری نیاز خواهد داشت.
منبع: salamatpic.ir
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب