Группа ученых из Канады разработала революционную технологию, позволяющую предугадывать эпидемии инфекционных заболеваний благодаря глубокому изучению мнений, выражаемых пользователями в социальных медиа. Данный подход способен существенно повысить эффективность систем предупреждения и управления кризисами в области здравоохранения.
Основная проблема традиционных методов контроля состоит в низкой скорости сбора данных. Регулярные опросы проводятся редко — каждые полтора-два года, что недостаточно для отслеживания текущих тенденций в обществе. В отличие от официальных исследований, социальные сети обеспечивают доступ к оперативной информации, фиксируя общественные настроения практически мгновенно.
Научная группа использовала две современные нейросетевые модели — Long Short-Term Memory (LSTM) и Residual Network (ResNet). Изначально обе сети проходили обучение на синтезированных данных, полученных путем компьютерного моделирования возможных ситуаций.
Компьютерная модель строилась таким образом, чтобы учитывать влияние виртуального пространства на динамику развития инфекционного процесса. Она содержала категории пользователей соцсетей и тех, кто ими не пользуется, а также особый алгоритм учета редких, но значимых всплесков активности («леви-шум»), характерных для интернет-пространства.
Нейросети учились выявлять едва заметные признаки ухудшения ситуации задолго до наступления критического момента, когда падение уровня коллективного иммунитета повышает вероятность масштабной эпидемии.
Далее методики проверялись на реальных публикациях. Специалисты проанализировали английские записи в Twitter, содержащие упоминания о заболевании корью, накопленные за годы до значительных вспышек в Северной Америке, включая известный инцидент в Диснейленде в 2014-2015 гг.
Эксперимент показал превосходство нового подхода над традиционными методами анализа эпидемиологических рисков. Обе нейросети уверенно зафиксировали рост угрозы эпидемии перед тремя из четырех случаев вспышек, причем модель LSTM отличалась быстротой реакции, тогда как ResNet демонстрировала большую устойчивость к временным шумовым возмущениям. В регионах с введенной обязательной программой вакцинации, где эпизоды массовых заражений отсутствовали, программа стабильно оценивала риски возникновения эпидемий как низкие.
Таким образом, эта работа открывает перспективы интеграции сложных математических моделей и анализа массивов цифровых данных для профилактики пандемий и улучшения качества медицинского обслуживания. В перспективе подобная технология позволит органам власти своевременно реагировать на снижение интереса к профилактической медицине и проводить необходимые меры профилактики ещё до начала серьезных осложнений.
