Nicholas Christakis : Comment les réseaux sociaux peuvent prédire les épidémies

Pendant les 10 dernières années, j'ai passé mon temps à essayer de comprendre comment et pourquoi les êtres humains se rassemblent dans des réseaux sociaux. Et le type de réseau social dont je parle n'est pas la nouvelle variété en ligne, mais plutôt, le genre de réseaux sociaux que les êtres humains ont construit depuis des centaines de milliers d'années, depuis que nous avons émergé [de] la savane africaine. Donc, je construis un réseau d’amis, de collègues, fraternel et familial avec d'autres personnes qui à leur tour ont des relations similaires avec d'autres personnes. Et cela s'étend à l'infini avec la distance. Et vous obtenez un réseau qui ressemble à ceci. Chaque point est une personne. Chaque ligne entre elles est une relation entre deux personnes -- différents types de relations. Et vous pouvez obtenir ce genre de vaste tissu de l'humanité, dans lequel nous sommes tous intégrés.

Et mon collègue, James Fowler, et moi avons étudié pendant quelques temps quelles sont les règles mathématiques, sociales, biologiques et psychologiques qui régissent la façon dont ces réseaux sont assemblés et quelles sont les règles similaires qui régissent la façon dont ils fonctionnent, dont ils affectent nos vies. Et récemment, nous nous sommes demandés s'il ne serait pas possible de tirer parti de cette idée, pour effectivement trouver des moyens d’améliorer le monde, de faire quelque chose de mieux, pour en réalité réparer les choses, pas seulement les comprendre. Ainsi, l'une des premières choses que nous pensions aborder serait de savoir comment nous pouvions prévoir des épidémies.

Et l'état de la situation concernant la prédiction d’une épidémie -- si vous êtes le CDC ou un autre organisme national -- est de rester dans le milieu où vous vous trouvez et recueillir des données des médecins et des laboratoires sur le terrain qui rapportent la prévalence ou l'incidence de certaines conditions. Ainsi, tel et tel patients ont été diagnostiqués avec quelque chose [ici], ou d'autres patients ont été diagnostiqués [là-bas], et toutes ces données sont enregistrées dans un référentiel central, avec un certain retard. Et si tout se passe bien, dans une à deux semaines à partir de maintenant, vous saurez où était l'épidémie aujourd'hui. Et en fait, environ un an auparavant, il y avait cette promulgation de l'idée de Google Flu Trends, à l'égard de la grippe, où, en regardant le comportement de recherche des gens aujourd'hui, on pourrait savoir où la grippe ... quel est le statut de l'épidémie aujourd'hui, quelle est la prévalence de l'épidémie en ce moment.

Mais ce que je voudrais vous montrer aujourd'hui est un moyen par lequel nous pourrions obtenir pas seulement une alerte rapide sur une épidémie, mais aussi la détection précoce d'une épidémie. Et, en fait, cette idée peut être utilisée non seulement pour prévoir les épidémies de microbes, mais aussi pour prévoir les épidémies en tout genre. Par exemple, tout ce qui se propage par une forme de contagion sociale pourrait être interprété de cette façon, des idées abstraites sur la gauche comme le patriotisme, ou l'altruisme, ou la religion, aux pratiques comme le comportement alimentaire, ou l'achat de livres, ou la boisson, ou le port du casque [et] autres pratiques de sécurité, ou les produits que les gens peuvent acheter, achats de biens électroniques, tout ce qui a une sorte de propagation interpersonnelle. Une sorte de diffusion de l'innovation pourrait être comprise et prédite par le mécanisme que je vais vous montrer maintenant.

Donc, comme vous le savez probablement, la façon classique de penser à ça est la diffusion de l'innovation, ou la courbe d'adoption. Donc, ici, sur l'axe Y, nous avons le pourcentage de personnes touchées, et sur l'axe X, nous avons le temps. Et dès le début, peu de personnes sont touchées, et vous obtenez ce sigmoïde classique, ou courbe en S. Et la raison de cette forme est qu’au début, disons une ou deux personnes sont affectés ou infectés, par la chose, puis elles affectent, ou infectent, deux personnes, qui affectent à leur tour quatre, huit, 16 et ainsi de suite, et vous obtenez la phase de croissance de la courbe de l'épidémie. Et finalement, vous saturez la population. Il y a de moins en moins de gens qui sont encore disponibles que vous pourriez infecter, et puis vous obtenez le plateau de la courbe, et donc cette courbe sigmoïde classique. Et ceci est vrai pour les germes, les idées, l'adoption d’un produit, les comportements, et autres. Mais les choses ne diffusent pas dans les populations humaines au hasard. En fait, ils diffusent à travers les réseaux. Parce que, comme je l'ai dit, nous vivons notre vie dans les réseaux, et ces réseaux ont une architecture particulière.

Maintenant, si vous regardez un réseau comme celui-ci ... C'est 105 personnes. Et les lignes représentent ... les points sont les gens, et les lignes représentent les relations d'amitié. Vous pouvez voir que les gens occupent différents endroits dans le réseau. Et il y a différents types de relations entre les personnes. Vous pourriez avoir des relations d'amitié, des relations fraternelles, des relations conjugales, des relations professionnelles, des relations de voisinage, etc. Et différentes sortes de choses diffusent suivant différents types de liens. Par exemple, les maladies sexuellement transmissibles diffuseront sur les liens sexuels. Ou, par exemple, le comportement tabagique des gens peut être influencé par leurs amis. Ou leur comportement altruiste ou leurs dons de charité peuvent être influencés par leurs collègues, ou par leurs voisins. Mais tous les nœuds du réseau ne sont pas les mêmes.

Donc, si vous regardez cela, vous pouvez saisir immédiatement que des personnes différentes ont des nombres différents de connexions. Certaines personnes ont une connexion, certains en ont deux, certains six, certains ont 10 connexions. Et c'est ce qu'on appelle le "degré" d'un nœud, ou le nombre de connexions que le nœud a. Mais, en plus, il y a autre chose. Donc, si vous regardez les nœuds A et B, ils ont tous deux six connexions. Mais si vous pouvez avoir cette image [du réseau] vue de haut, vous pouvez le constater qu'il y a quelque chose de très différent au sujet des nœuds A et B. Alors, laissez-moi vous poser cette question -- je peux confirmer cette intuition en posant une question -- qui préféreriez-vous être si un germe mortel se propageait à travers le réseau, A ou B? (Audience: B.) Nicholas Christakis: B, c'est évident. B est situé sur la périphérie du réseau. Maintenant, qui préféreriez-vous être si un morceau juteux de ragots se propageait à travers le réseau? A. Et vous avez une appréciation immédiate : A va être plus susceptible d’obtenir la chose qui se propage et de l'obtenir plus tôt en vertue de sa situation structurelle au sein du réseau. A, en fait, est plus central, et cela peut être une formalisation mathématique. Donc, si nous voulons suivre quelque chose qui se propageait à travers un réseau, ce que nous aimerions idéalement faire est de mettre en place des capteurs sur les individus centraux du réseau, y compris le nœud A, surveiller les personnes qui sont là au milieu du réseau, et en quelque sorte avoir une détection précoce de quoi que ce soit qui se répand à travers le réseau.

Autrement dit, si vous les avez vus contracter une maladie ou un morceau d'information, vous savez que, assez vite, tout le monde était sur le point de contracter cette maladie ou cette information. Et ce serait beaucoup mieux que de suivre six personnes choisies au hasard, sans référence à la structure de la population. Et en fait, si vous pouviez le faire, ce que vous voyez est quelque chose comme ça. Sur le panneau de gauche, encore une fois, nous avons la courbe en S de l'adoption. Dans la ligne pointillée rouge, nous montrons ce que l'adoption serait avec des gens choisis au hasard, et dans la ligne de gauche, déplacé vers la gauche, nous montrer ce que l'adoption serait avec des individus centraux au sein du réseau. Sur l'axe des Y on a le nombre cumulé de contagions, et sur l'axe X, le temps. Et sur le côté droit, nous montrons les mêmes données, mais ici avec une incidence quotidienne. Et ce que nous montrons ici est que -- comme, ici -- très peu de gens sont touchés, puis de plus en plus jusqu'à ici, et voici le pic de l'épidémie. Mais vers la gauche est ce qui se passe chez les individus centraux. Et cette différence de temps entre les deux est la détection précoce, l'alerte précoce que nous pouvons obtenir, au sujet d'une épidémie imminente dans la population humaine.

Le problème, cependant, est que la cartographie des réseaux sociaux humains n'est pas toujours possible. Ca peut être coûteux, [très difficile], contraire à l'éthique, ou, franchement, tout simplement impossible de faire une telle chose. Alors, comment pouvons-nous comprendre qui sont les personnages centraux sont dans un réseau sans faire la cartographie du réseau ? Ce que nous avons mis en place est d'exploiter un fait ancien, ou un fait connu, sur les réseaux sociaux, qui est la chose suivante : Savez-vous que vos amis ont plus d'amis que vous ? Vos amis ont plus d'amis que vous. Et c'est ce qu'on appelle le paradoxe de l'amitié. Imaginez une personne très populaire dans le réseau social -- comme un organisateur de soirées qui a des centaines d'amis -- et un misanthrope qui n'a qu'un seul ami, et vous prenez quelqu'un au hasard dans la population ; ils sont beaucoup plus susceptibles de connaître l'hôte. Et s'ils désignent l'hôte comme leur ami, cette personne a une centaine d'amis, par conséquent, a plus d'amis qu’eux. Et ce, en substance, est ce qu'on appelle le paradoxe de l'amitié. Les amis de personnes choisies au hasard ont un plus haut degré, et sont plus centraux, que les gens au hasard eux-mêmes.

Et vous pouvez vous faire une idée intuitive de cela si vous regardez juste les gens de la périphérie du réseau. Si vous choisissez cette personne, le seul ami qu'ils peuvent nommer est celui-ci, qui, par construction, doit avoir au moins deux, et donc plus d’amis. Et c’est ce qui se passe à chaque nœud périphérique. Et en fait, cela arrive dans tout le réseau à mesure que vous vous déplacez, quiconque vous choisissez, quand ils nomment au hasard ... quand une personne tirée au sort désigne un de ses amis, vous vous rapprochez du centre du réseau. Donc, nous avons pensé à exploiter cette idée afin de voir si nous pouvions prévoir les phénomènes au sein des réseaux. Parce que maintenant, avec cette idée, nous pouvons prendre un échantillon aléatoire de personnes, les inviter à désigner leurs amis, ceux-ci seraient plus centraux, et nous pourrions le faire sans avoir à la carte du réseau.

Et nous avons testé cette idée avec une épidémie de grippe H1N1 au Collège Harvard à l'automne et l'hiver 2009, il y a quelques mois. Nous avons pris 1 300 étudiants choisis au hasard, ils ont indiqué leurs amis, et nous avons suivi à la fois les étudiants tirés au sort et leurs amis tous les jours pour voir si ils avaient ou non contracté la grippe. Et nous avons fait cela passivement en regardant si oui ou non ils étaient allés aux services de santé universitaires. Et aussi, nous leur avions demandé de nous envoyer un email plusieurs fois par semaine. Ce que nous avions exactement prédit est arrivé. Le groupe aléatoire est cette ligne rouge. L'épidémie dans le groupe d'amis s'est déplacée vers la gauche, par ici. Et la différence entre les deux est de 16 jours. En surveillant le groupe d'amis, nous avons pu obtenir une alerte 16 jours à l'avance d'une épidémie imminente dans cette population humaine.

Maintenant, en plus de cela, si vous étiez un analyste qui essaie d'étudier une épidémie ou de prévoir l'adoption d'un produit, par exemple, ce que vous pouvez faire est de choisir un échantillon aléatoire de la population, leur demander d’indiquer leurs amis et suivre ces amis, et suivre la population aléatoire et les amis. Parmi les amis, la première preuve que vous avez vu d'un top au-dessus de zéro dans l'adoption de l'innovation, par exemple, serait la preuve d'une épidémie imminente. Ou vous pouvez chercher la première fois que les deux courbes divergent, comme indiqué sur la gauche. Quand les aléatoires... quand les amis ont-ils décollé et laissé les "aléatoires", et [quand] la courbe a-t-elle commencé à virer ? Et ceci, comme indiqué par la ligne blanche, s’est produit 46 jours avant le pic de l'épidémie. Ce serait donc une technique avec laquelle nous pourrions obtenir une alerte plus d'un mois et demi avant une épidémie de grippe dans une population donnée.

Je dois dire que l’avance avec laquelle on peut obtenir une information sur quelque chose dépend d'une multitude de facteurs. Cela peut dépendre de la nature de l'agent pathogène - différents agents pathogènes, avec cette technique, vous obtiendrez des alertes différentes -- ou d'autres phénomènes qui se répandent, ou, franchement, de la structure du réseau humain. Maintenant, dans notre cas, bien que ce n’était pas nécessaire, nous pourrions également faire la carte du réseau des étudiants.

Donc, voici la carte des 714 étudiants et leurs liens d'amitié. Et dans une minute, je vais mettre cette carte en mouvement. Nous allons prendre des photos quotidiennes à travers le réseau pendant 120 jours. Les points rouges vont être les cas de grippe, et les points jaunes, les amis des personnes atteintes de la grippe. Et la taille des points va être proportionnelle au nombre d’amis qui ont la grippe. Donc, plus les points sont gros, plus de vos amis ont la grippe. Et si vous regardez cette image -- nous voici maintenant le 13 Septembre -- vous allez voir quelques cas se déclarer. Vous allez voir une sorte d’éclosion de la grippe au milieu. Ici nous sommes le 19 Octobre. La pente de la courbe de l'épidémie est proche maintenant, en Novembre. Bang, bang, bang, bang, bang, vous allez voir beaucoup d’éclosions au milieu, et puis vous allez voir une sorte de nivellement, de moins en moins de cas vers la fin de Décembre. Et ce type de visualisation peut montrer que les épidémies comme celle-ci prennent racine et affectent les individus du centre d'abord, avant qu'ils n'affectent les autres.

Maintenant, comme je l'ai laissé entendre, cette méthode n'est pas limitée aux germes, mais en fait, à tout ce qui se propage dans les populations. L'information se répand dans les populations. Des normes peuvent se propager dans les populations. Des comportements peuvent se propager dans les populations. Et par des comportements, je veux dire des choses comme un comportement criminel, ou le comportement de vote, ou le comportement relatif à la santé comme le tabagisme, ou la vaccination, l'adoption d'un produit ou, ou d'autres types de comportements qui ont trait à l'influence interpersonnelle. Si je suis susceptible de faire quelque chose qui affecte les autres autour de moi, cette technique peut donner une alerte précoce, ou une détection précoce, sur l'adoption au sein de la population. Le point clé est que, pour que cela fonctionne, il doit y avoir de l'influence interpersonnelle. Cela ne marche pas avec un mécanisme de diffusion qui touche tout le monde de manière uniforme.

Maintenant, les mêmes idées peuvent également être exploitées - à l'égard de réseaux - peuvent également être exploitées d'autre façons, par exemple, dans l'utilisation du ciblage de personnes en particulier pour les interventions. Ainsi, par exemple, la plupart d'entre vous sont probablement familiers avec la notion d'immunité collective. Donc, si nous avons une population d'un millier de personnes, et nous voulons en faire une population immunitaire à un agent pathogène, nous n'avons pas à immuniser chaque personne. Si nous immunisons 960 d'entre eux, c'est comme si nous avions vacciné la population tout entière. Parce que même si un ou deux des personnes non immunisées sont infectées, il n'y a personne d’autre à infecter. Ils sont entourés par des gens immunisés. Ainsi, 96 % est aussi bon que 100 %. Eh bien, d'autres scientifiques ont estimé ce qui arriverait si vous aviez pris un échantillon aléatoire de 30 % de ces 1000 personnes, 300 personnes et les faire vacciner. Obtiendrez-vous une immunité au niveau de la population ? Et la réponse est non. Mais si vous avez suivi ces 30%, ces 300 personnes, et leur avez fait nommer leurs amis puis pris le même nombre de vaccins pour vacciner les amis de ces 300, les 300 amis, vous pouvez obtenir le même niveau d'immunité de groupe que si vous aviez vaccinés 96 % de la population avec une plus grande efficacité, et une contrainte budgétaire stricte.

Et des idées similaires peuvent être utilisés, par exemple, pour cibler la distribution de choses comme les moustiquaires dans les pays en voie de développement. Si nous pouvions comprendre la structure des réseaux dans les villages, nous pourrions cibler les interventions pour promouvoir ce type de structure. Ou, franchement, pour la publicité de toutes sortes de produits. Si nous pouvions comprendre comment cibler, cela pourrait influencer l'efficacité de ce que nous essayons de réaliser. Et en fait, nous pouvons utiliser les données de toutes sortes de sources de nos jours [pour le faire].

Ceci est la carte de huit millions d'utilisateurs de téléphone dans un pays européen. Chaque point est une personne, et chaque ligne représente un volume d'appels entre les personnes. Et nous pouvons utiliser ces données, qui sont obtenues de manière passive pour cartographier ces pays entiers et comprendre qui est où dans le réseau. Sans avoir à les interroger tous, nous pouvons obtenir ce genre d'une vision structurelle. Et d'autres sources d'information, comme vous le savez sans doute, sont disponibles sur de telles caractéristiques, à partir des interactions e-mail, interactions en ligne, réseaux sociaux en ligne, et ainsi de suite. Et en fait, nous sommes à l'ère de ce que j'appellerais les efforts de collecte de données "massives et passives". Il y a toutes sortes de façons d’utiliser les données recueillies massivement de créer des réseaux de capteurs pour suivre la population, comprendre ce qui se passe dans la population, et d'intervenir dans la population pour le bien. Parce que ces nouvelles technologies nous disent non seulement qui parle à qui, mais où chacun se trouve, et ce qu'ils pensent sur ce qu'ils téléchargent sur Internet, et ce qu'ils achètent en fonction de leurs achats. Et toutes ces données administratives peuvent être rassemblées et traitées pour comprendre le comportement humain d'une manière que nous n'avons jamais pu faire auparavant.

Ainsi, par exemple, nous pourrions utiliser les achats de carburant des camionneurs. Donc, les camionneurs ne vaquent qu’à leurs occupations, et ils achètent du carburant. Et nous voyons un soubresaut dans les achats de carburant des camionneurs, et nous savons que la récession touche à sa fin. Ou nous pouvons contrôler la vitesse avec laquelle les gens se déplacent avec leurs téléphones sur une route, et l’opérateur téléphonique peut voir, lorsque la vitesse décroit, qu'il y a un embouteillage. Et ils peuvent transmettre cette information à leurs abonnés, mais seulement à leurs abonnés sur la même route situés derrière les embouteillages ! Ou nous pouvons surveiller les habitudes de prescription des médecins, passivement, et voir comment la diffusion de l'innovation avec des produits pharmaceutiques se produit dans les [réseaux] de médecins. Ou encore, nous pouvons surveiller le comportement d'achat des gens, et voir comment ces types de phénomènes peuvent se diffuser dans les populations humaines.

Et il y a trois façons, je pense, d’utiliser ces données massives-passives. L'une est entièrement passive, comme je viens de le décrire -- comme dans l'exemple du camionneur, où nous n'intervenons en aucune façon au sein de la population. L’une est quasi-active, comme dans l'exemple de grippe que j'ai donné, où nous demandons à des gens de nommer leurs amis pour suivre passivement ces amis -- ont-ils la grippe, ou pas? -- Puis obtenir une alerte. Ou un autre exemple serait, si vous êtes chez un opérateur de téléphone, vous déterminez qui est central dans le réseau, et vous demandez à ces gens : "Bon, pouvez-vous nous envoyer un SMS sur votre état de fièvre tous les jours ? Envoyez-nous juste votre température." Et vous recueillez de grandes quantités d'informations sur la température des gens, mais toutes d'individus centraux. Et vous êtes capable, à grande échelle, de surveiller une épidémie imminente avec une participation très minime de personnes. Ou, enfin, elle peut être complètement active -- Je sais que les orateurs suivants en parleront aussi aujourd'hui -- où les gens peuvent contribuer à l'échelle mondiale sur des wikis , ou sur la photographie, le suivi des élections, et télécharger des informations d'une manière qui nous permet de mettre en commun l'information afin de comprendre les processus sociaux et les phénomènes sociaux.

En fait, la disponibilité de ces données, je crois, annonce une sorte de nouvelle ère de ce que moi et d'autres aimeraient appeler "La science sociale numérique." C'est un peu comme lorsque Galilée a inventé – non, n’a pas inventé – est venu à utiliser un télescope et pu voir le ciel d'une manière nouvelle, ou Leeuwenhoek a pris connaissance du microscope -- ou l’a réellement inventé -- et pu voir la biologie d'une manière nouvelle. Mais maintenant nous avons accès à ces types de données qui nous permettent de comprendre les processus sociaux et les phénomènes sociaux d'une manière entièrement nouvelle qui n'a jamais été possible auparavant. Et avec cette science, nous pouvons comprendre exactement comment l'ensemble vient à être plus que la somme de ses parties. Et effectivement, nous pouvons utiliser ces données pour améliorer la société et améliorer le bien-être.

Je vous remercie.