Nu de vaccinatiegraad in diverse landen, ook in Nederland, blijft dalen en desinformatie zich schier ongehinderd verspreidt, stijgt het risico op terugkerende infectieziekten zoals mazelen opnieuw aanzienlijk. In de Verenigde Staten en Canada leidt dat al tot nieuwe uitbraken van ziekten die decennialang onder controle waren. Wetenschappers van de University of Waterloo hebben daarom een datagedreven methode ontwikkeld die publieke gezondheidsdiensten kan helpen om eerder en nauwkeuriger in te grijpen.
De onderzoekers analyseerden hoe vaccinscepsis zich via sociale media ontwikkelt en ontwikkelden een model dat deze digitale dynamiek beschouwt als een ecologisch systeem. Net zoals virussen zich onder mensen verspreiden, kan misinformatie zich razendsnel verplaatsen tussen gebruikers op sociale platforms. “We zien sociale dynamiek als een besmettelijk proces,” legt Chris Bauch, hoogleraar Toegepaste Wiskunde, uit. “Misinformatie kan zich op dezelfde manier verspreiden als een ziekte, en dat geeft ons de mogelijkheid om wiskundige modellen toe te passen die kantelpunten in een systeem kunnen voorspellen.”
Tipping point
Centraal in het onderzoek staat het concept van het tipping point. Dit is het kritieke moment waarop een systeem abrupt omslaat van stabiliteit naar crisis. Dit principe is bekend uit ecologie en geneeskunde, maar blijkt ook toepasbaar op maatschappelijke processen zoals de afname van groepsimmuniteit. Het team trainde een machinelearning-model om patronen in sociale-mediaberichten te herkennen die wijzen op zo’n naderend omslagpunt.
De methode werd getest op tienduizenden openbare berichten op X (voorheen Twitter) uit Californië in de periode voorafgaand aan de grote mazelenuitbraak van 2014. Traditionele voorspellingsmethoden, zoals het simpelweg tellen van sceptische posts, boden slechts enkele dagen waarschuwingstijd. De kantelpuntanalyse gaf daarentegen veel eerder signalen af dat vaccinscepsis in de regio voldoende momentum kreeg om een uitbraak mogelijk te maken. Door data te vergelijken met regio’s waar géén uitbraken plaatsvonden, konden de onderzoekers de betrouwbaarheid van hun model bevestigen.
Evidence-based besluitvorming
Deze aanpak past binnen de bredere strategie van de University of Waterloo om evidence-based besluitvorming en vertrouwen in wetenschap te versterken. Via het TRuST-initiatief werken onder meer filosofen, datawetenschappers en communicatiespecialisten samen om beter te begrijpen hoe en waarom wetenschappelijk vertrouwen erodeert en hoe dat kan worden hersteld.
Hoewel het model is getest op een tekstgericht platform als X, kan het worden aangepast voor TikTok of Instagram. Het analyseren van beeld- en videodata vereist wel meer rekenkracht. Uiteindelijk willen de onderzoekers een praktische tool ontwikkelen die gezondheidsinstanties helpt om populaties te monitoren en vroegtijdig in te grijpen voordat een infectieziekte zich daadwerkelijk verspreidt.
Een pandemie voorkomen met de smartwatch
Sinds de coronapandemie is en wordt er veel onderzoek gedaan naar laagdrempelige methoden om een volgende (grote) ziekte-uitbraak of pandemie te voorkomen of in ieder geval tijdig te voorspellen zodat eerder ingegrepen kan worden. Vorig jaar hebben onderzoekers van de Universiteit van Tel Aviv en Stanford University aangetoond dat smartwatches met fysiologische biomarkers een belangrijke rol kunnen spelen bij het vroegtijdig opsporen van infectieziekten zoals COVID-19, griep en groep A-streptokokken.
In een tweejarig onderzoek droegen 4.795 volwassenen een smartwatch die continu parameters zoals hartslag monitorde, aangevuld met dagelijkse vragenlijsten over hun welzijn. Deze combinatie leverde meer dan 800.000 datapunten op, waaronder duizenden gevallen van infecties.
De studie laat zien dat infecties vaak beginnen zonder duidelijke symptomen, waardoor mensen te laat testen en onbewust bijdragen aan verdere verspreiding. Smartwatches kunnen deze stille fase echter vroeg signaleren, waardoor gebruikers hun gedrag sneller aanpassen. Volgens de onderzoekers kan dit de R-waarde van bijvoorbeeld COVID-19 verlagen tot onder de 1, waardoor een mogelijke pandemie kan worden voorkomen.
Pandemische paraatheid verbeteren met AI en data
Uiteraard wordt ook gekeken naar de meerwaarde van AI en data-analyses in het streven naar een betere pandemische paraatheid. Experts stellen dat die paraatheid drastisch kan worden verbeterd door data en geavanceerde analytics structureel te integreren in de epidemiologie. Daarmee kunnen drie doelen worden bereikt: signalen sneller oppikken, deze tijdig vertalen naar effectief beleid en de bevolking beter informeren. Tijdens de coronacrisis bleken klassieke databronnen, zoals huisarts- en GGD-meldingen, te traag. Nieuwe bronnen. zoals luchtvaartgegevens, medische verslagen en sociale media, kunnen veel eerder waarschuwingssignalen geven, maar er is nog onvoldoende analysecapaciteit en expertise om deze breed te benutten.
Daarnaast is internationale samenwerking noodzakelijk. Een netwerk van nationale en internationale Centres of Excellence zou data-uitwisseling, beleidsvorming en respons versnellen. Nu staan uiteenlopende privacy-interpretaties, zoals de striktere AVG-invulling in Nederland, snelle gegevensdeling in de weg. Tot slot moet de communicatie richting burgers beter. Transparante publieksdashboards met actuele data kunnen wantrouwen verminderen en voorkomen dat mensen hun toevlucht zoeken tot onbetrouwbare informatiebronnen.
