Detectarea timpurie a prăbușirii vaccinării prin modele epidemiologice comportamentale și deep learning

În era pre-vaccinală, boli precum rujeola provocau epidemii extinse și o mortalitate ridicată, în special în rândul copiilor. Odată cu introducerea vaccinurilor, incidența acestor boli a scăzut dramatic, iar protecția colectivă a devenit un pilon esențial în prevenirea reapariției epidemiilor. Totuși, această protecție depinde critic de menținerea unor rate ridicate ale vaccinării. Exemple precum scăderea acoperirii vaccinale în California între 2000 și 2013, urmată de epidemia de rujeolă de la Disneyland din 2014, arată cât de rapid pot apărea focare atunci când imunitatea de comunitate se pierde.
Monitorizarea ratelor de vaccinare se bazează tradițional pe sondaje anuale sau bianuale derulate de instituții precum CDC în Statele Unite, Public Health Agency of Canada sau Public Health England. Aceste instrumente, deși standardizate, sunt afectate de bias de răspuns și dificultăți legate de actualizarea lentă a datelor. Între două colectări succesive, tendințele pot evolua rapid, iar modificările în comportamentul public pot rămâne nedetectate până când este prea târziu.

Spre deosebire de aceste metode, social media oferă informații generate continuu, reflectând în timp real atitudinile și comportamentele populației față de vaccinare. Activitatea online poate anticipa schimbări epidemiologice, iar analizele anterioare au arătat că fluctuații în discuțiile despre vaccinuri pot preceda focare majore. Această dinamică deschide oportunități pentru dezvoltarea unor sisteme de avertizare timpurie bazate pe date digitale și algoritmi avansați de învățare automată.

Integrarea comportamentului uman în modelele epidemiologice a devenit un domeniu în expansiune. Modelele matematice tradiționale de tip SIR pot fi extinse pentru a include decizii individuale privind vaccinarea, influențate de factori precum rețelele sociale, normele grupului, alerte media sau nivelul de încredere în autorități. În paralel, teoria tranzițiilor critice oferă un cadru pentru identificarea momentelor în care un sistem se apropie de o schimbare abruptă.

Semnalele de avertizare timpurie, precum creșterea varianței sau autocorelația de ordinul întâi, sunt utilizate pentru a anticipa apropierea de un punct critic. Totuși, aplicarea lor în contexte reale este complicată de faptul că datele din social media prezintă zgomot cu distribuții heavy-tailed, afectate de postări virale sau de evenimente izolate cu impact disproporționat. În astfel de situații, metodele clasice își pierd precizia.

În acest context, învățarea profundă devine un instrument valoros. Modelele de deep learning pot identifica tipare subtile în serii temporale zgomotoase, fiind capabile să recunoască semnale precursoare ale colapsului vaccinării chiar și atunci când semnalele statistice tradiționale sunt denaturate.

Despre studiu

SCercetătorii de la Universitatea din Waterloo au propus o metodă integrată ce combină simulări teoretice ale unui model comportamental-epidemiologic cu algoritmi de deep learning pentru a detecta semne precoce ale declinului atitudinilor pro-vaccinare. Autorii au folosit un model stocastic ce descrie interacțiunile dintre utilizatorii de social media și persoanele mai puțin expuse online, incluzând procese de imitație socială, influență media, norme de grup și zgomot Lévy pentru a reproduce dinamica imprevizibilă a mediului online.

Modelele de deep learning

• Un model CNN-LSTM construit pentru a detecta structuri temporale complexe, combinând filtrare convoluțională și memorie recurentă.
• O arhitectură ResNet adaptată pentru serii temporale, cu blocuri reziduale capabile să surprindă niveluri multiple de abstractizare.

Ambele modele au fost antrenate pe un set vast de date sintetice generate din modelul teoretic, incluzând atât scenarii cu prăbușire a vaccinării, cât și scenarii stabile. Serii temporale „pozitive” au fost definite ca intervalele de dinaintea tranzițiilor critice, iar cele „negative” ca serii stabile, fără declin.

Date teoretice și simulări

• Modelul folosește două grupuri sociale – utilizatori de social media și non-utilizatori – cu dinamici diferite ale adoptării vaccinului.
• Zgomotul Lévy simulează evenimente rare, dar cu impact puternic, caracteristice mediului online.
• Seriile au fost etichetate automat în funcție de apropierea unui punct critic definit prin devieri repetate de la starea de echilibru.
• Au fost generate 20.000 de exemple echilibrate pentru antrenare.

Date empirice

• Date colectate de pe Twitter între 2011 și 2019 folosind cuvintele-cheie „measles (pojar)” și „MMR (ROR)”.
• Tweet-urile au fost curățate, geocodate și clasificate în funcție de poziția față de vaccinare cu ajutorul unui model lingvistic BERT.
• Regiuni analizate: focare majore de rujeolă în California, New York, Washington și Columbia Britanică, precum și țări cu acoperire vaccinală ridicată.

Rezultate

Seriile temporale provenite din modelul teoretic au arătat creșteri consistente ale varianței înaintea tranzițiilor critice, în timp ce autocorelația s-a dovedit instabilă și adesea neinformativă. Pe aceste date, atât CNN-LSTM, cât și ResNet au detectat eficient apropierea unei prăbușiri a vaccinării, obținând valori ale ariei de sub curbă apropiate de 1 atunci când întreaga perioadă pre-tranziție a fost disponibilă pentru analiză.

Principalele rezultate:

• Deep learning a depășit semnificativ metodele tradiționale de tip EWS, indiferent de intensitatea zgomotului.
• Modelul CNN-LSTM a reacționat mai rapid la schimbări subtile, oferind avertizări timpurii.
• ResNet a fost mai conservator, reducând numărul de alarme false.
• Pe date reale, înaintea epidemiilor din California, New York și Washington, ambele modele au detectat creșteri consistente ale probabilității de tranziție.
• Țările cu vaccinare obligatorie au prezentat serii stabile, cu probabilități constant scăzute de tranziție.

Analiza variabilității în seria Tweet-urilor a confirmat că înaintea fiecărui focar de rujeolă a existat o creștere semnificativă în varianța discuțiilor, ceea ce sugerează un declin al coeziunii atitudinilor pro-vaccinare. Totuși, aceste semnale au fost mult mai slabe în țările fără focare.

Concluzii

Studiul demonstrează potențialul utilizării modelelor de deep learning pentru detectarea timpurie a scăderilor în atitudinile pro-vaccinare, cu aplicabilitate directă în supravegherea epidemiologică modernă. În contextul intensificării discuțiilor din social media și al zgomotului negausian, metodele clasice de avertizare sunt adesea insuficiente. Modelele de învățare profundă reușesc însă să extragă structuri semnificative din date complexe și să ofere avertizări înainte ca vaccinarea să scadă sub pragurile critice.

Puncte finale:

• Integrarea social media în sistemele de alertă epidemiologică este fezabilă și promițătoare.
• Simulările comportamentale reprezintă o soluție robustă pentru generarea de date de antrenament în absența unor serii reale detaliate.
• Combinația dintre sensibilitatea LSTM și stabilitatea ResNet oferă un cadru echilibrat pentru monitorizarea în timp real.
• Pe termen lung, aceste metode pot ghida intervențiile de sănătate publică și pot preveni resurgerea bolilor evitabile prin vaccinare.