ΔΙΑΦΗΜΙΣΗ

Μέσα κοινωνικής δικτύωσης και ιατρική: Πώς οι αναρτήσεις μπορούν να βοηθήσουν στην πρόβλεψη ιατρικών καταστάσεων

Ιατρικοί επιστήμονες από το Πανεπιστήμιο της Πενσυλβάνια ανακάλυψαν ότι οι ιατρικές καταστάσεις θα μπορούσαν να προβλεφθούν από το περιεχόμενο των αναρτήσεων στα μέσα κοινωνικής δικτύωσης

Τα social media είναι πλέον αναπόσπαστο κομμάτι της ζωής μας. Το 2019, τουλάχιστον 2.7 δισεκατομμύρια άνθρωποι χρησιμοποιούν τακτικά διαδικτυακές πλατφόρμες κοινωνικών μέσων όπως το Facebook, το Twitter και το Instagram. Αυτό σημαίνει ότι περισσότερα από ένα δισεκατομμύριο άτομα μοιράζονται πληροφορίες σε καθημερινή βάση για τη ζωή τους σε αυτές τις δημόσιες πλατφόρμες. Οι άνθρωποι μοιράζονται ελεύθερα τις σκέψεις, τις προτιμήσεις και τις αντιπάθειες, τα συναισθήματα και τις προσωπικότητες τους. Οι επιστήμονες διερευνούν εάν αυτές οι πληροφορίες, που παράγονται εκτός του συστήματος κλινικής υγειονομικής περίθαλψης, θα μπορούσαν να αποκαλύψουν πιθανούς παράγοντες πρόβλεψης ασθενειών στην καθημερινή ζωή του pacientes το οποίο διαφορετικά μπορεί να κρυφτεί στο υγειονομικό προσωπικό και στους ερευνητές. Προηγούμενες μελέτες έχουν δείξει πώς το Twitter μπορεί να προβλέψει το ποσοστό θνησιμότητας από καρδιακές παθήσεις ή να παρακολουθήσει το δημόσιο αίσθημα σε θέματα που σχετίζονται με ιατρικά θέματα, όπως η ασφάλιση. Ωστόσο, οι πληροφορίες των μέσων κοινωνικής δικτύωσης δεν έχουν χρησιμοποιηθεί μέχρι στιγμής για την πρόβλεψη ιατρικών καταστάσεων σε ατομικό επίπεδο.

Μια νέα μελέτη που δημοσιεύθηκε στις 17 Ιουνίου στο PLoS ONE έχει δείξει για πρώτη φορά τη σύνδεση των ηλεκτρονικών ιατρικών αρχείων ασθενών (που έχουν δώσει τη συγκατάθεσή τους) με τα προφίλ τους στα μέσα κοινωνικής δικτύωσης. Οι ερευνητές στόχευαν να διερευνήσουν – πρώτον, εάν οι ιατρικές καταστάσεις ενός ατόμου μπορούν να προβλεφθούν από τη γλώσσα που δημοσιεύτηκε στους λογαριασμούς μέσων κοινωνικής δικτύωσης του χρήστη και δεύτερον, εάν μπορούν να εντοπιστούν συγκεκριμένοι δείκτες ασθένειας.

Οι ερευνητές χρησιμοποίησαν μια αυτοματοποιημένη τεχνική συλλογής δεδομένων για να αναλύσουν το πλήρες ιστορικό Facebook 999 ασθενών. Αυτό σήμαινε την ανάλυση ενός τεράστιου αριθμού 20 εκατομμυρίων λέξεων σε περίπου 949,000 ενημερώσεις κατάστασης στο Facebook με αναρτήσεις που περιέχουν τουλάχιστον 500 λέξεις. Οι ερευνητές ανέπτυξαν τρία μοντέλα για να κάνουν προβλέψεις για κάθε ασθενή. Το πρώτο μοντέλο ανέλυσε τη γλώσσα των αναρτήσεων στο Facebook προσδιορίζοντας λέξεις-κλειδιά. Το δεύτερο μοντέλο ανέλυσε τις δημογραφικές πληροφορίες των ασθενών, όπως την ηλικία και το φύλο τους. Το τρίτο μοντέλο συνδύαζε αυτά τα δύο σύνολα δεδομένων. Εξετάστηκαν συνολικά 21 ιατρικές καταστάσεις, όπως διαβήτης, άγχος, κατάθλιψη, υπέρταση, κατάχρηση αλκοόλ, παχυσαρκία, ψυχώσεις.

Η ανάλυση έδειξε ότι και οι 21 ιατρικές καταστάσεις ήταν προβλέψιμες μόνο από τις αναρτήσεις στο Facebook. Και, 10 συνθήκες είχαν προβλεφθεί καλύτερα από τις αναρτήσεις στο Facebook παρά ακόμη και τα δημογραφικά στοιχεία. Οι εξέχουσες λέξεις-κλειδιά ήταν, για παράδειγμα, «ποτό», «μεθυσμένος» και «μπουκάλι» που προμηνύουν κατάχρηση αλκοόλ και λέξεις όπως «Θεός» ή «προσεύχομαι» ή «οικογένεια» χρησιμοποιούνταν 15 φορές πιο πιθανό από άτομα με διαβήτη. Λέξεις όπως «χαζός» χρησίμευαν ως δείκτες για την κατάχρηση ναρκωτικών και την ψύχωση και λέξεις όπως «πόνος», «κλάμα» και «δάκρυα» συνδέθηκαν με συναισθηματική δυσφορία. Η γλώσσα του Facebook που χρησιμοποιούσαν τα άτομα ήταν πολύ αποτελεσματική στην πραγματοποίηση προβλέψεων – ιδιαίτερα για τον διαβήτη και την ψυχική υγεία καταστάσεις όπως άγχος, κατάθλιψη και ψύχωση.

Η τρέχουσα μελέτη προτείνει ότι θα μπορούσε να αναπτυχθεί ένα σύστημα επιλογής για ασθενείς όπου οι ασθενείς θα επέτρεπαν την ανάλυση των αναρτήσεών τους στα μέσα κοινωνικής δικτύωσης παρέχοντας πρόσβαση σε αυτές τις πληροφορίες στους κλινικούς γιατρούς. Αυτή η προσέγγιση θα μπορούσε να είναι πολύτιμη για άτομα που χρησιμοποιούν τακτικά τα μέσα κοινωνικής δικτύωσης. Δεδομένου ότι τα μέσα κοινωνικής δικτύωσης αντικατοπτρίζουν τις σκέψεις, την προσωπικότητα, την ψυχική κατάσταση και τις συμπεριφορές υγείας των ανθρώπων, αυτά τα δεδομένα θα μπορούσαν να χρησιμοποιηθούν για την πρόβλεψη της έναρξης ή της επιδείνωσης μιας ασθένειας. Όσον αφορά τα μέσα κοινωνικής δικτύωσης, το απόρρητο, η ενημερωμένη συγκατάθεση και η ιδιοκτησία δεδομένων θα είναι ζωτικής σημασίας. Η συμπύκνωση και η περίληψη του περιεχομένου των μέσων κοινωνικής δικτύωσης και η δημιουργία ερμηνειών είναι ο πρωταρχικός στόχος.

Η τρέχουσα μελέτη μπορεί να οδηγήσει στην ανάπτυξη νέων εφαρμογών τεχνητής νοημοσύνης για την πρόβλεψη ιατρικών καταστάσεων. Τα δεδομένα των μέσων κοινωνικής δικτύωσης είναι ποσοτικοποιήσιμα και παρέχουν νέους τρόπους αξιολόγησης των συμπεριφορικών και περιβαλλοντικών παραγόντων κινδύνου μιας ασθένειας. Τα δεδομένα μέσων κοινωνικής δικτύωσης ενός ατόμου αναφέρονται ως «κοινωνικό μέσο» (παρόμοιο με το γονιδίωμα - πλήρες σύνολο γονιδίων).

***

{Μπορείτε να διαβάσετε την αρχική ερευνητική εργασία κάνοντας κλικ στον σύνδεσμο DOI που δίνεται παρακάτω στη λίστα των αναφερόμενων πηγών}

Πηγές)

Merchant RM et al. 2019. Αξιολόγηση της προβλεψιμότητας των ιατρικών καταστάσεων από αναρτήσεις στα μέσα κοινωνικής δικτύωσης. PLOS ONE. 14 (6). https://doi.org/10.1371/journal.pone.0215476

Ομάδα SCIEU
Ομάδα SCIEUhttps://www.ScientificEuropean.co.uk
Scientific European® | SCIEU.com | Σημαντική πρόοδος στην επιστήμη. Επιπτώσεις στην ανθρωπότητα. Μυαλά που εμπνέουν.

Εγγραφείτε στο newsletter μας

Για ενημέρωση με όλες τις τελευταίες ειδήσεις, προσφορές και ειδικές ανακοινώσεις.

Τα πιο δημοφιλή άρθρα

Προέλευση COVID-19: Οι φτωχές νυχτερίδες δεν μπορούν να αποδείξουν την αθωότητά τους

Μια πρόσφατη μελέτη υποδηλώνει αυξημένο κίνδυνο σχηματισμού...

Γενετική του COVID-19: Γιατί μερικοί άνθρωποι αναπτύσσουν σοβαρά συμπτώματα

Η προχωρημένη ηλικία και οι συννοσηρότητες είναι γνωστό ότι είναι υψηλές...
- Διαφήμιση -
94,678ΑνεμιστήρεςΑρέσει
47,718οπαδούςΑκολουθώ
1,772οπαδούςΑκολουθώ
30ΣυνδρομητέςΕγγραφείτε