Ιατρικός scientists from University of Pennsylvania have found that medical conditions could be predicted from contents of social media posts
Social Media Διαχείριση is now an integral part of our lives. In 2019, at least 2.7 billion ατομα regularly use online social media platforms like Facebook, Twitter and Instagram. This means that more than a billion individuals share information on a daily basis about their lives on these public platforms. People freely share their thoughts, likes and dislikes, sentiments and personalities. Scientists are exploring whether this information, generated outside the κλινικός healthcare system, could reveal possible disease predictors in daily lives of 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.
The current study can lead way to develop new τεχνητή νοημοσύνη applications for predicting medical conditions. Social media data is quantifiable and provides new avenues to assess behavioural and environmental risk factors of a disease. Social media data of an individual is being referred to as ‘social mediome’ (similar to genome – complete set of genes).
***
{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
