Nicholas Christakis: Wie soziale Netzwerke Epidemien vorhersagen

Die letzten 10 Jahre habe ich meine Zeit damit verbracht, herauszufinden wie und warum menschliche Wesen sich in sozialen Netzwerken zusammenfinden. Und die Art sozialer Netzwerke, die ich meine ist nicht die jüngste Online-Variante, sondern vielmehr die Art sozialer Netzwerke, die menschliche Wesen seit hundert tausenden von Jahren gebildet haben, seit wir aus der afrikanischen Savanne hervorgingen. Ich gehe also Freundschaften und kollegiale und geschwisterliche und Verwandtschafts-Beziehungen mit anderen Leuten ein, die wiederum ähnliche Beziehungen mit anderen Leuten haben. Und das geht endlos so weiter. Und man bekommt ein Netzwerk, das so aussieht. Jeder Punkt ist eine Person. Jede Linie dazwischen ist eine Beziehung zwischen zwei Leuten -- unterschiedliche Arten von Beziehungen. Und man kann diese quasi enorme Struktur der Menschheit bekommen, in die wir alle eingebettet sind.

Und mein Kollege James Fowler und ich untersuchen seit einer ganzen Weile, was die mathematischen, sozialen, biologischen und psychologischen Regeln sind, die bestimmen, wie diese Netzwerke sich zusammensetzen, und was die ähnlichen Regeln sind, die bestimmen, wie sie funktionieren, wie sie sich auf unser Leben auswirken. Und kürzlich haben wir uns gefragt, ob es möglich wäre, diese Erkenntnis zu nutzen, um tatsächlich Wege zu finden, die Welt zu verbessern, etwas besser zu machen, die Dinge tatsächlich in Ordnung zu bringen, nicht nur zu verstehen. Eine der ersten Sachen, die wir dachten anzugehen, sollte die Art sein, wie wir Epidemien vorhersagen.

Und der aktuelle Stand der Technik bei der Vorhersage einer Epidemie -- ob man die CDC oder eine andere nationale Einrichtung ist -- ist, in der Mitte zu sitzen, wo man ist, und Daten von Ärzten und Labors im Feld zu sammeln, die die Prävalenz oder Inzidenz bestimmter Leiden berichten. Bei diesen und jenen Patienten wurde etwas diagnostiziert [hier drüben], oder andere Patienten wurden diagnostiziert [da drüben], und all diese Daten werden mit etwas Verspätung in einen zentralen Speicher gespeist. Und wenn alles glatt läuft wird man in ein oder zwei Wochen wissen, wo die Epidemie heute war. Und vor ungefähr einem Jahr gab es tatsächlich diese Art Verkündiung dieser Idee der Google Grippe-Trends, wo man in Bezug auf die Grippe, indem man sich das Suchverhalten der Leute heute anschaut, wissen konnte, wo die Grippe... was der Stand der Epidemie heute war, was die Prävalenz der Epidemie heute ist.

Aber was ich Ihnen heute zeigen möchte, ist ein Mittel, durch das wir nicht nur schnelle Warnungen vor einer Epidemie bekommen könnten, sondern tatsächlich auch Früherkennung einer Epidemie. Und in der Tat kann diese Idee nicht nur benutzt werden, um Epidemien von Krankheitserregern vorherzusagen, sondern um alle möglichen Epidemien vorherzusagen. Zum Beispiel kann alles, was sich durch eine Form sozialer Ansteckung verbreitet, so verstanden werden, von abstrakten Ideen auf der einen Seite, wie Patriotismus oder Altruismus oder Religion, bis zu Praktiken wie Diätverhalten oder Buchkäufen oder Trinken oder Fahrradhelm-Nutzung und anderen Sicherheitspraktiken, oder Produkten, die Leute vielleicht kaufen, der Kauf elektronischer Güter, alles, wo es eine Art zwischenmenschliche Verbreitung gibt. Eine Art Diffusion von Innovationen könnte verstanden und vorhergesagt werden durch den Mechanismus, den ich Ihnen jetzt zeigen werde.

Wie also alle von Ihnen wahrscheinlich wissen ist die klassische Art, darüber nachzudenken, die Diffusion von Innovationen oder die "Adoptionskurve". Hier auf der Y-Achse haben wir also die Prozent der betroffenen Leute, und auf der X-Achse haben wir die Zeit. Und ganz am Anfang sind nicht allzu viele Leute betroffen und man bekommt diese klassisch sigmoidale oder S-förmige Kurve. Und der Grund für diese Form ist, dass ganz am Anfang sagen wir ein oder zwei Leute von der Sache betroffen oder angesteckt sind, und die beeinflussen oder stecken dann zwei Leute an, die wiederum vier, acht, 16 und so weiter beeinflussen, und man bekommt die epidemische Wachstumsphase der Kurve. Und irgendwann sättigt man die Population. Es gibt immer weniger Leute, die noch verfügbar sind, die man anstecken könnte, und dann erreicht man dieses Plateu der Kurve und man bekommt diese klassische sigmoidale Kurve. Und das trifft zu auf Krankheitserreger, Ideen, Produkt-Akzeptanz, Verhalten und so weiter. Aber Dinge verbreiten sich in menschlichen Populationen nicht zufällig. Sie verbreiten sich tatsächlich durch Netzwerke. Denn, wie ich sagte, leben wir in Netzwerken und diese Netzwerke haben eine bestimmte Art Struktur.

Wenn Sie sich nun ein Netzwerk wie dieses anschauen... Das sind 105 Leute. Und die Linien stellen... die Punkte sind die Leute, und die Linien stellen Freundschaftsbeziehungen dar. Sie können sehen, dass Leute unterschiedliche Orte innerhalb des Netzwerks besetzen. Und es gibt verschiedene Arten von Beziehungen zwischen den Leuten. Man könnte Freundschaftsbeziehungen, Geschwisterbeziehungen, eheliche Beziehungen, kollegiale Beziehungen, nachbarschaftliche Beziehungen und so weiter haben. Und unterschiedliche Arten Dinge verbreiten sich entlang unterschiedlicher Arten Verbindungen. Sexuall übertragbare Krankheiten verbreiten sich zum Beispiel entlang sexualler Beziehungen. Oder das Rauchverhalten der Leute könnte zum Beispiel von ihren Freunden beeinflusst werden. Oder ihr altruistisches oder Spenden-Verhalten könnte beeinflusst sein durch ihre Kollegen oder ihre Nachbarn. Aber nicht alle Positionen im Netzwerk sind gleich.

Wenn Sie sich das also anschauen, können Sie sofort verstehen, dass unterschiedliche Leute unterschiedlich viele Verbindungen haben. Manche Leute haben eine Verbindung, manche zwei, manche sechs, manche haben 10 Verbindungen. Und das nennt man den Grad eines Knotens oder die Anzahl der Verbindungen, die ein Knoten hat. Aber zusätzlich ist da etwas anderes. Wenn Sie sich also Knoten A und B anschauen haben sie beide sechs Verbindungen. Aber wenn Sie dieses Bild aus der Vogelperspektive sehen können Sie einsehen, dass da etwas ganz verschieden ist zwischen den Knoten A und B. Lassen Sie mich also fragen -- ich kann diese Intuition durch eine Frage fördern -- wer wären Sie lieber, wenn ein tödlicher Erreger sich im Netzwerk verbreiten würde, A oder B? (Publikum: B.) Nicholas Christakis: B, das ist klar. B befindet sich am Rand des Netzwerks. Nun, wer wären Sie lieber wenn sich ein saftiges Gerücht im Netzwerk verbreiten würde? A. Und Sie haben eine unmittelbare Einschätzung, dass A mit einer höheren Wahrscheinlichkeit das Ding bekommt, das sich ausbreitet, und es früher bekommt, aufgrund der strukturellen Lage innerhalb des Netzwerks. A ist in der Tat zentraler, und das kann mathematisch formalisiert werden. Wenn wir also etwas verfolgen wollen, das sich in einem Netzwerk ausbreitet, würden wir idealerweise Sensoren auf den zentralen Personen im Netzwerk einrichten, inklusive Knoten A, die Leute beobachten, die genau da in der Mitte des Netzwerks sind, und irgendwie eine Früherkennung bekommen von dem, was sich da auch immer im Netzwerk verbreitet.

Wenn Sie die also einen Erreger oder eine Information einfangen sehen würden, wüssten Sie, dass in nicht allzu langer Zeit sich jeder diesen Erreger einfangen würde, oder diese Information. Und das wäre viel besser als sechs zufällig ausgewählte Leute zu beobachten ohne Bezug auf die Struktur der Population. Wenn Sie das tatsächlich machen könnten würden Sie so etwas sehen: Auf der linken Seite haben wir wieder die s-förmige Adoptionskurve. Mit der gepunkteten roten Linie zeigen wir, wie die Adoption bei den zufälligen Leuten sein würde und in der linken Linie, die nach links verschoben ist, zeigen wir, wie die Adoption bei den zentralen Personen im Netzwerk sein würde. Auf der Y-Achse sind die kumulativen Ansteckungsfälle und auf der X-Achse ist die Zeit. Und auf der rechten Seite zeigen wir die selben Daten, aber hier mit täglichen Fällen. Und was wir hier zeigen ist -- wie hier -- dass sehr wenige Leute betroffen sind, immer mehr, immer mehr und bis hier, und hier ist der Höhepunkt der Epidemie. Aber nach links verschoben ist, was mit den zentralen Personen passiert. Und diese zeitliche Differenz zwischen den beiden ist die Früherkennung, die Frühwarnung, die wir über eine bevorstehende Epidemie in der menschlichen Population bekommen können.

Das Problem ist aber, dass es nicht immer möglich ist, menschliche soziale Netzwerke abzubilden. Das kann teuer [nicht machbar], unethisch, oder einfach nicht möglich sein. Wie können wir also herausfinden, wer die zentralen Leute in einem Netzwerk sind, ohne das Netzwerk tatsächlich abzubilden? Worauf wir gekommen sind war die Idee, eine sehr alte Tatsache auszunutzen, oder einen bekannten Fakt über soziale Netzwerke, und der geht so: Wussten Sie, dass Ihre Freunde mehr Freunde haben als Sie? Ihre Freunde haben mehr Freunde als Sie. Und das ist als Freundschafts-Paradox bekannt. Stellen Sie sich eine sehr beliebte Person in dem sozialen Netzwerk vor -- wie den Gastgeber einer Party, der hunderte Freunde hat -- und einen Menschenfeind, der nur einen Freund hat, und sie wählen jemanden zufällig aus der Population aus; die Person kennt mit einer viel größeren Wahrscheinlichkeit den Gastgeber. Und wenn sie den als ihren Freund nennen hat der Gastgeber der Party hundert Freunde, und daher mehr Freunde als sie. Und das ist im Wesentlichen, was als Freundschafts-Paradox bekannt ist. Die Freunde zufällig ausgewählter Leute haben höhere Grade und sind zentraler als die zufälligen Leute selbst.

Und Sie können ein intuitives Verständnis dafür bekommen, wenn Sie sich nur die Leute am Rand des Netzwerks vorstellen. Wenn Sie diese Person auswählen kann die als einzigen Freund diese Person benennen, die naturgemäß mindestens zwei haben muss, und meistens mehr Freunde. Und das passiert an jedem äußeren Knoten. Und tatsächlich passiert es im ganzen Netzwerk während man tiefer rückt, jeden, den man auswählt, wenn der eine zufällige... wenn eine zufällige Person einen Freund benennt bewegt man sich näher zur Mitte des Netzwerks. Wir dachten also, wir würden diese Idee nutzen, um zu prüfen, ob wir Phänomene in Netzwerken vorhersagen können. Denn mit dieser Idee können wir jetzt eine Zufallsstichprobe an Leuten ziehen, sie ihre Freunde benennen lassen, diese Freunde wären zentraler, und wir könnten das tun, ohne das Netzwerk abbilden zu müssen.

Und wir untersuchten diese Idee anhand eines Ausbruchs der H1N1-Grippe an der Harvard Universität im Herbst und Winter 2009, vor nur ein paar Monaten. Wir nahmen 1.300 zufällig ausgewählte Studierende, ließen sie ihre Freunde benennen, und wir verfolgten sowohl die zufälligen Studierenden als auch ihre Freunde täglich über die Zeit, um zu sehen ob sie die Grippe-Epidemie hatten oder nicht. Und das machten wir passiv, indem wir uns ansahen, ob sie den Gesundheitsdienst der Universität aufsuchten oder nicht. Und wir ließen uns ein paarmal pro Woche E-Mails von ihnen schicken. Es passierte genau das, was wir vorhergesagt hatten. Die zufällige Gruppe ist also die rote Linie. Die Epidemie in der Freundes-Gruppe hat sich nach links verschoben, hier drüben. Und der Unterschied zwischen den beiden beträgt 16 Tage. Durch das Beobachten der Freundes-Gruppe konnten wir 16 Tage Vorabwarnung vor einer bevorstehenden Epidemie in dieser menschlichen Population bekommen.

Wenn Sie ein Analytiker wären, der versucht, eine Epidemie zu erforschen oder zum Beispiel die Annahme eines Produkts vorherzusagen, könnten Sie nun zusätzlich eine Zufallsstichprobe der Population ziehen und die ihre Freunde benennen lassen und den Freunden folgen, und sowohl den Zufälligen als auch den Freunden folgen. Bei den Freunden wäre der erste Hinweis einer Zacke über Null, bei der Annahme der Innovation zum Beispiel, ein Hinweis auf eine bevorstehende Epidemie. Oder Sie könnten das erste Mal ansehen, wo die zwei Kurven auseinander gehen, wie hier links. Wann hoben die Zufälligen... wann hoben die Freunde ab und ließen die Zufälligen zurück, und deren Kurve begann, sich zu verschieben? Und das, wie durch die weiße Linie angezeigt, passierte 46 Tage vor dem Höhepunkt der Epidemie. Das wäre also eine Methode, durch die wir mehr als anderthalb Monate Warnung vor einer Grippe-Epidemie in einer bestimmten Population bekommen könnten.

Ich sollte erwähnen, dass, wie weit im Voraus wir Nachricht über etwas bekommen können, von einer Menge Faktoren abhängt. Es könnte von der Art des Erregers abhängen -- für unterschiedliche Erreger würde man mit dieser Methode unterschiedliche Warnungen bekommen -- oder andere Phänomene, die sich verbreiten, oder, offen gesagt, die Struktur des menschlichen Netzwerks. In unserem Fall konnten wir nun, obwohl das nicht nötig war, das Netzwerk der Studierenden auch tatsächlich abbilden.

Das ist also eine Karte von 714 Studierenden und ihren Freundschafts-Verbindungen. Und in einer Minute werde ich diese Karte in Bewegung setzen. Wir werden 120 Tage lang tägliche Schnitte durch das soziale Netz machen. Die roten Punkte werden die Grippe-Fälle sein, und die gelben Punkte werden Freunde der Leute mit Grippe sein. Und die Größe der Punkte wird proportional dazu sein, wie viele ihrer Freunde die Grippe haben. Größere Punkte bedeuten, dass mehr Ihrer Freunde die Grippe haben. Und wenn Sie sich das Bild anschauen -- hier haben wir jetzt den 13. September -- sehen Sie ein paar Fälle aufleuchten. Sie werden die Grippe in der Mitte sozusagen aufblühen sehen. Hier sind wir am 19. Oktober. Der Anstieg der Epidemie-Kurve kommt jetzt im November. Peng, peng, peng, peng, peng, Sie werden viel Aufblühen in der Mitte sehen, und dann werden Sie eine Art Abflachen sehen, immer weniger Fälle gegen Ende Dezember. Und diese Art Visualisierung kann zeigen, dass Epidemien wie diese Fuß fassen und zentrale Personen zuerst betreffen, bevor sie andere betreffen.

Wie ich bereits angedeutet habe, ist diese Methode nicht auf Krankheitserreger beschränkt, sondern auf alles, was sich in Populationen verbreitet. Informationen verbreiten sich in Populationen. Normen können sich in Populationen verbreiten. Verhalten kann sich in Populationen verbreiten. Und unter Verhalten kann man Dinge wie Kriminalverhalten verstehen oder Wahlverhalten oder Gesundheitsverhalten wie Rauchen oder Impfen oder die Annahme eines Produkts oder andere Arten von Verhalten, die mit zwischenmenschlichem Einfluss zu tun haben. Wenn ich mit hoher Wahrscheinlichkeit etwas tue, das andere um mich herum beeinflusst, kann diese Methode eine Frühwarnung oder Früherkennung über die Annahme innerhalb der Population geben. Das Ding ist, damit das funktioniert, muss es zwischenmenschlichen Einfluss geben. Das kann nicht durch irgendeine Art Rundsendung sein, die jeden gleichermaßen betrifft.

Die selben Einsichten können auch ausgenutzt werden -- in Bezug auf Netzwerke -- können auch auf andere Art ausgenutzt werden, zum Beispiel, indem man bestimmte Leute für Interventionen auswählt. Zum Beispiel sind die meisten von Ihnen wahrscheinlich vertraut mit dem Gedanken der Herdenimmunität. Wenn wir also eine Population von tausend Leuten haben und wir die gegen ein Pathogen immunisieren wollen, brauchen wir nicht jede einzelne Person zu immunisieren. Wenn wir 960 von ihnen immunisieren ist es als ob wir hundert [Prozent ]von ihnen immunisiert hätten. Denn selbst wenn ein oder zwei der nicht-immunen Leute infiziert werden, gibt es keinen, den sie anstecken können. Sie sind von immunen Leuten umgeben. 96 Prozent sind also so gut wie 100 Prozent. Nun, einige andere Wissenschaftler haben eingeschätzt, was passieren würde, wenn man eine Zufallsstichprobe von 30% dieser 1.300 Leute nehmen und die immunisieren würde. Würde man Immunität auf Populations-Ebene erhalten? Die Antwort ist nein. Aber wenn man diese 30 Prozent, diese 300 Leute nehmen würde und sie ihre Freunde benennen lassen würde, und die selbe Anzahl Impfstoff-Dosen nehmen würde, und die Freunde der 300 impfen würde, die 300 Freunde, würde man das gleiche Maß an Herdenimmunität erreichen wie wenn man 96 Prozent der Population geimpft hätte, sehr viel effizienter, mit einem knappen Budget.

Und ähnliche Ideen können zum Beispiel genutzt werden, um das Austeilen von Dingen wie Moskitonetzen in Entwicklungsländern zu planen. Wenn wir die Struktur von Netzwerken in Dörfern verstehen könnten, könnten wir planen, wem wir die Interventionen geben sollten, um diese Art Verbreitung zu unterstützen. Oder, offen gesagt, für Werbung für alle möglichen Produkte. Wenn wir verstehen könnten, auf wen wir zielen, könnte das die Effizienz dessen, was wir zu erreichen versuchen, beeinflussen. Und in der Tat können wir heutzutage [dazu] Daten aus allen möglichen Quellen nutzen.

Das ist eine Karte von acht Millionen Telefon-Nutzern in einem europäischen Land. Jeder Punkt ist eine Person und jede Linie stellt ein Anruf-Volumen zwischen den Leuten dar. Und wir können solche Daten, die passiv erhoben wurden, nutzen, um diese ganzen Länder abzubilden und zu verstehen, wer sich wo innerhalb des Netzwerks befindet. Ohne die alle tatsächlich befragen zu müssen können wir diese Art strukturelle Einsicht erlangen. Und andere Informationsquellen, wie Sie zweifellos wissen, sind verfügbar über Informationen aus E-Mail-Interaktionen, Online Interaktionen, sozialen Netzwerken online und so weiter. Und in der Tat sind wir in der Ära dessen, was ich "massiv-passive" Datenerhebungs-Bemühungen nennen würde. Das sind alles mögliche Arten, massiv gesammelte Daten zu nutzen, um Sensoren-Netzwerke zu schaffen, um die Population zu verfolgen, zu verstehen, was in der Population passiert, und in der Population zum Besseren zu intervenieren. Weil diese neuen Technologien uns nicht nur sagen, wer mit wem spricht, sondern wo jeder ist und was sie denken, basierend auf dem, was sie ins Internet hochladen und was sie kaufen, basierend auf ihren Käufen. Und all diese Überwachungs-Daten können zusammengezogen und verarbeitet werden, um menschliches Verhalten auf eine nie dagewesene Art zu verstehen.

Wir könnten also zum Beispiel die Benzinkäufe der Lkw-Fahrer nehmen. Die Fahrer gehen also nur ihrer Arbeit nach und kaufen Benzin. Und wir sehen eine Zacke nach oben in den Benzinkäufen der Lkw-Fahrer, und wir wissen, dass eine Rezession bald endet. Oder wir können die Geschwindigkeit beobachten, mit der Leute sich mit ihren Handys auf einer Autobahn bewegen, und die Telefongesellschaft kann daran, wie die Geschwindigkeit abnimmt, sehen, dass es einen Stau gibt. Und sie können diese Information ihren Vertragskunden rückmelden, aber nur den Vertragskunden auf der selben Autobahn, die sich hinter dem Stau befinden. Oder wir können das Verschreibungsverhalten von Ärzten passiv beobachten und sehen, wie die Verbreitung von pharmazeutischen Innovationen unter Ärzten passiert. Oder wiederum können wir Kaufverhalten von Leuten beobachten und sehen, wie diese Phänomene sich in menschlichen Populationen verbreiten können.

Und es gibt, denke ich, drei Arten auf die diese massiv-passiven Daten genutzt werden können. Eine ist vollkommen passiv, wie ich gerade beschrieben habe. Das Lkw-Szenario zum Beispiel, wo wir auf überhaupt nicht in die Population eingreifen. Eine ist quasi-aktiv, wie mein Grippebeispiel, wo wir einige Leute dazu bekommen, ihre Freunde zu nennen, und dann deren Freunde passiv beobachten -- haben sie die Grippe oder nicht? -- und dann eine Warnung erhalten. Oder ein anderes Beispiel wäre, wenn Sie als Telefongesellschaft herausfinden, wer im Netzwerk zentral ist, und diese Leute fragen: "Schauen Sie, könnten Sie uns einfach jeden Tag ihre Temperatur per SMS schicken? Schicken Sie uns einfach Ihre Temperatur." Und riesige Mengen Informationen über die Körpertemperatur der Leute sammeln, aber von zentralen Personen. Und in großem Maßstab in der Lage sein, eine bevorstehende Epidemie zu beobachten mit minimalem Input von Leuten. Oder das kann aktiver sein -- wie ich weiß werden kommende Vortragende heute auch darüber sprechen -- wo Leute global vielleicht bei Wikis mitmachen, oder fotografieren, oder Wahlen beobachten und Informationen hochladen, so dass wir sie sammeln können, um soziale Prozesse zu verstehen, und soziale Phänomene.

In der Tat glaube ich, dass die Verfügbarkeit dieser Daten eine Art neues Zeitalter einläutet das ich und andere gerne "Computergestützte Sozialwissenschaft" nennen würden. (computational social science) Das ist fast so wie als Galileo das Teleskop erfand -- oder nein, nicht erfand, benutzte -- und den Himmel auf eine neue Art sehen konnte, oder als Leeuwenhoek sich des Mikroskops bewusst wurde -- oder es tatsächlich erfand -- und die Biologie auf neue Art sehen konnte. Aber nun haben wir Zugang zu dieser Art Daten, die uns erlauben, soziale Prozesse zu verstehen, und soziale Phänomene, und einen völlig neuen Weg, der nie zuvor möglich war. Und mit dieser Wissenschaft können wir verstehen, wie genau es kommt, dass das Ganze größer als die Summe seiner Teile ist. Und tatsächlich können wir diese Erkenntnisse nutzen, um die Gesellschaft und menschliches Wohlbefinden zu verbessern.

Danke.