Nicholas Christakis: Come i social network possono predire le epidemie

Negli ultimi 10 anni, ho passato il tempo a tentare di capire come e perché gli esseri umani si riuniscono in reti sociali. E il tipo di social network di cui sto parlando non è la più recente varietà online, ma piuttosto, il tipo di social network che gli esseri umani hanno sempre creato per centinaia di migliaia di anni, sin da quando siamo emersi dalla savana africana. Perciò, creo amicizie, rapporti di lavoro, di fratellanza o di parentele con altre persone che a loro volta creano relazioni simili con altre persone. E questo si propaga all'infinito. E ottenete una rete che somiglia a questa Ogni puntino rappresenta una persona. Ogni linea che li collega rappresenta un legame tra due persone -- diversi tipi di relazione. E si ottiene questo fitto tessuto umano, in cui siamo tutti collegati.

Assieme al mio collega, James Fowler, abbiamo studiato questo fenomeno a lungo per capirne le regole matematiche, sociali, biologiche e psicologiche quelle regole che governano la creazione di queste reti e quali sono le regole che ne governano le dinamiche, come influenzano le nostre vite E recentemente, ci siamo chiesti se potrebbe essere possibile sfruttare questa prospettiva a nostro vantaggio per trovare nuovi modi per migliorare il mondo, per fare le cose meglio, per riparare i danni, non solo capire le cose. Una delle prime cose che abbiamo deciso di affrontare è stato come avremmo potuto prevedere le epidemie.

E l'attuale stato dell'arte nella previsione delle epidemie -- se lavorate per la CDC o un altro ente nazionale -- consiste nel sedersi al centro e raccogliere dati dai medici e dai laboratori sul campo che riportano la prevalenza o l'incidenza di determinate condizioni. In questo modo, ad alcuni pazienti viene diagnosticata una malattia [qui], e ad altri un'altra malattia [qui], e tutti i dati vengono raccolti in un archivio, con un certo ritardo. Se va tutto liscio, tra una, due settimane da oggi, scoprirete lo stato dell'epidemia di oggi. E in effetti, circa un anno fa, era stata presentata l'idea di "Google Flu Trends", per l'influenza, in cui si proponeva di rilevare l'insorgenza dei focolai, analizzando il comportamento delle persone tentando di capire in questo modo lo stato dell'epidemia, la prevalenza epidemica in tempo reale.

Ma ciò che voglio mostrarvi oggi è uno strumento attraverso il quale potremmo non solo muoverci repentinamente in caso di rilevamento dell'epidemia ma addirittura rilevare con largo anticipo lo scoppio dei focolai. E, in effetti, questa idea potrebbe essere utilizzata non solo per prevedere le epidemie virali o batteriche ma prevedere ogni sorda di dinamica epidemica Per esempio, qualsiasi cosa che si propaga per contagio sociale potrebbe essere compresa in questo modo, dalle idee astratte sulla sinistra come il patriottismo, l'altruismo, la religione a pratiche sociali come le diete, l'acquisto di libri, il bere, l'uso del casco in bicicletta e altre procedure di sicurezza, o prodotti da far comprare ai consumatori, l'acquisto di prodotti elettronici, qualsiasi cosa legata ai rapporti interpersonali. Un tipo di diffusione dell'innovazione potrebbe essere compreso e previsto attraverso un meccanismo che sto per mostrarvi

Allora, come probabilmente sapete tutti, è molto comune pensare alla diffusione dell'innovazione o alla cosidetta "curva di adozione". Qui sull'asse Y, abbiamo la percentuale di persone che ne sono influenzate, e sull'asse delle X, abbiamo il tempo. E all'inizio, non sono in tanti ad essere colpiti, ottenete la classica sigmoidale, o curva ad "S". E la ragione è che questa è la forma tipica degli stadi iniziali. diciamo che una o due persone vengono colpite, o infettate, da questa cosa. e poi loro colpiscono o contagiano altre due persone, che a loro volta ne colpiscono quattro, otto, 16 e così via, e raggiungiamo la fase di crescita epidemica sulla curva. E alla fine, l'intera popolazione viene saturata. Ci sono sempre meno persone che rimangono e possono essere infettate, e quindi si attiva all'appiattimento della curva, e si raggiunge la classica curva sigmoidale. Questo vale per i germi, le idee, l'acquisto di prodotti, comportamenti sociali, e così via. Ma le cose non si diffondono solo in maniera casuale nella società. Si diffondono attraverso le reti. Perché, come ho detto, viviamo le nostre vite all'interno di reti e queste reti hanno un particolare tipo di struttura.

Se date un'occhiata ad una rete di questo tipo... Queste sono 105 persone. E le linee rappresentano... i puntini sono le persone, e le linee rappresentano le relazioni di amicizia. Potete vedere che le persone occupano una posizione diversa all'interno di questa rete. E ci sono diversi tipi di relazioni tra le persone. Ci possono essere amicizie, relazioni di parentela, relazioni matrimoniali o lavorative, relazioni di vicinato e così via. E altre relazioni che si propagano attraverso una rete di connessioni. Per esempio, le malattie veneree si propagheranno attraverso relazioni sessuali O, per esempio, la tendenza della gente a fumare potrebbe essere determinata dagli amici. E questo vale per l'altruismo e la carità che possono essere influenzate dai colleghi di lavoro o dai vicini. Ma non tutte le posizioni nella rete sono uguali.

Se guardate qui, potrete capire immediatamente che persone diverse hanno un numero diverso di relazioni. Alcune persone hanno una connessione, altre ne hanno due altre ne hanno sei, alcune dieci connessioni. Questo viene chiamato "grado" di un nodo, ossia, il numero di connessioni che ha ogni nodo. Ma c'è qualcosa di più. Perciò, se guardate i nodi A e B, entrambi hanno 6 connessioni. Ma se guardate questa immagine [della rete] dall'alto, si può notare che c'è una grossa differenza tra il nodo A e quello B. Vi chiedo... posso stimolarvi l'intuito ponendovi questa domanda... chi preferireste essere se un virus letale si propagasse nella rete, A o B? (Audience: B) Nicholas Christakis: B, è ovvio. B si trova ai margini della rete. Allora, chi vorreste essere se venisse messa in giro un'indiscrezione per la rete? A. E capite immediatamente che A avrà maggiori possibilità di venire a conoscenza della diceria prima di altri proprio grazie alla sua posizione strutturale all'interno della rete. A, infatti, è più centrale, e questo può essere formalizzato matematicamente. Perciò, se vogliamo rintracciare qualcosa che si propaga per la rete, idealmente cercheremo di posizionare i nostri sensori sugli indivisui centrali della rete, incluso il nodo A, monitoreremo queste persone che stanno al centro della rete, e in un certo modo otterremo prima la rilevazione di qualunque cosa si stia propagando per la rete.

E cioè, se vedete che loro contraggono un germe od ottengono un'informazione, saprete, abbastanza presto, che anche agli altri accadrà lo stesso che si tratti di germi o informazioni. E questo sarà meglio che monitorare se persone scelte a caso, a prescindere dalla struttura della popolazione. E infatti, se poteste farlo, otterrete qualcosa del genere. Sulla sinistra, abbiamo la curva di adozione a forma di "S", Nella linea tartteggiata, mostriamo quale potrebbe essere l'adozione delle persone prese a caso, e nella linea a sinistra, più a sinistra, mostriamo quale sarebbe l'adozione degli individui in posizione centrale nella rete. Sull'asse delle Y è riportata l'accumulazione del contagio, e sull'asse delle X il tempo. E sulla destra, mostriamo alcuni dati ma in questo caso con l'incidenza giornaliera. E qui mostriamo... ecco, qui... che molte poche persone vengono infettate e sempre di più fino a qui, e a questo punto si parla di epidemia. ma spostato a sinistra avviene quel che già rileviamo per gli individui centrali. E questa differenza di tempistica tra i due è il fattore di diagnosi o allarme precoce che possiamo ottenere in relazione alle epidemie imminenti sulla popolazione.

il problema, ad ogni modo, sta nella difficoltà di mappare e reti sociali umane. Può essere dispendioso, [molto difficile], non etico, o francamente, semplicemente impossibile. Quindi, come possiamo capire che sono gli individui al centro della rete che ci permettono di non mappare l'intera rete? Abbiamo escogitato un modo sfruttando un dato che già avevamo o un evento legato alla rete che già conoscevamo, in questo modo: Sapete che i vostri amici hanno più amici di voi? Ne hanno di più E questo è chiamato il paradosso dell'amicizia. Immaginate una persona molto popolare nella rete... come uno che ha organizzato una festa con centinaia di persone... e un misantropo che ha solo un'amico, e prendete una persona a caso dalla rete; è molto più semplice che questa persona conosca l'organizzatore della festa. E se si ha questa persona come amico, avendo 100 amici, egli ne ha più di voi. E questo, in pratica, è quel che viene definito il paradosso dell'amicizia. gli amici di persone scelte a caso hanno un grado più alto, sono più centrali, delle stesse persone scelte a caso

e si può intuire chiaramente se considerate gli individui che stanno ai margini della rete. Se scegliete questa persona, l'unica persona che può nominare è questa, che, per costruzione, deve avere almeno due amici, e in generale, di più. E questo avviene per ogni nodo periferico. E in fatti, questo avviene su tutta la rete, man mano che si procede verso l'interno, chiunque scegliate, quando nominano qualcuno a caso... quando una persona a caso nomina un suo amico, si riesce a penetrare all'interno della rete. Perciò, abbiamo pensato di sfruttare questa idea in maniera da studiare se fosse possibile prevedere dei fenomeni della rete. Perché ora, con questa idea, possiamo prendere un campione di persone a caso dalla rete, farci dare i nomi dei loro amici, che saranno più centrali rispetto alla rete, e possiamo farlo senza mappare tutta la rete,

E abbiamo testato questa idea con l'influenza H1N1 all'Harvard College nell'autunno e l'inverno del 2009, qualche mese fa. Abbiamo preso 1300 studenti a caso, ci siamo fatti dire i nomi dei loro amici, e abbiamo seguito sia gli studenti che gli amici giornalmente per vedere se avrebbero contratto o meno la malattia. E l'abbiamo fatto passivamente, guardando se si recassero o meno all'infermeria dell'università e anche attivamente, facendoci spedire email un paio di volte la settimana. è accaduto esattamente quanto abbiamo previsto. perciò il gruppo scelto a caso è rappresentato dalla linea rossa l'epidemia degli amici si è sviluppata a sinistra, qui. E la differenza di tempistica è stata di 16 giorni. monitorando il gruppo di amici, abbiamo potuto avere un rilevamento con 16 giorni di anticipo sullo scoppio dell'epidemia tra la popolazione.

Ora, in più, se voi foste analisti impegnati nello studio dell'epidemia o nella valutazione del grado di adozione di un nuovo prodotto potreste prendere un campione a caso nella popolazione, far nominare i loro amici e seguire gli amici assieme al gruppo preso a caso. Tra gli amici, il primo campanello di allarme è stata una luce intermittente sopra lo zero nell'adozione dell'innovazione, per esempio, che ci segnalava l'arrivo dell'ondata epidemica. O potete vedere quando le due curve si allontanano, come mostrato sulla sinistra. Quand'è che gli amici si allontanano dal gruppo campione, e quando le curve iniziano a divergere? Questo è successo, come indicato dalla linea bianca, dopo 46 giorni prima del picco epidemico. Perciò questa è la tecnica grazie alla quale possiamo avere un avvertimento dell'epidemia un mese e mezzo prima su una specifica popolazione.

Direi che la misura dell'anticipo che possiamo avere dipende da una serie di fattori. Può dipendere dalla natura del patogeno -- di diversi patogeni, con questa tecnica si otterrebbe una previsione diversa... o altri fenomeni che si propagano o, francamente, potrebbe dipendere dalla struttura della rete Ora, nel nostro caso, anche se non era necessario, potremmo mappare la rete degli studenti.

Perciò, questa è una mappa di 714 studenti e delle loro amicizie. E tra un minuto, attiverò questa mappa. vedremo come la mappa si modifica con cadenza giornaliera per 120 giorni. I puntini rossi saranno i casi di influenza, e i puntini gialli saranno gli amici di chi ha contratto la malattia. E la dimensione dei puntini sarà proporzionale al numero degli amici che hanno l'influenza. Perciò i puntini più grandi significano che molti tuoi amici hanno l'influenza. E se guardate questa immagine -- qui siamo al 13 di settembre -- vedrete pochi casi che si accendono. Vedrete lo scoppio della malattia al centro. Questo è il 19 ottobre. La curva epidemica si avvicina adesso, a novembre. Bang, bang, bang, bang, bang! si accendono le luci al centro, e poi si giunge ad uno stallo, con sempre meno casi alla fine di Dicembre. Questo tipo di visualizzazione può mostrare come l'epidemia insorge e infetta gli individui centrali, prima degli altri.

Ora, come vi ho detto, questo metodo non si limita alle malattie, ma può valere per qualsiasi evento nella popolazione. L'informazione si propaga nelle popolazioni. Le norme si propagano. I comportamenti si propagano. E per comportamenti, intendo sia quelli criminali, che i comportamenti elettorali, o i comportamenti sanitari, come il fumo, la vaccinazione, o l'adozione di prodotti, e altri tipi di comportamenti che sono legati ai rapporti interpersonale. Se io faccio qualcosa che potrebbe influenzare chi mi sta intorno, questa tecnica può darmi un vantaggio nel rilevamento, di un'adozione all'interno di una popolazione. il fattore chiave è che, perché funzioni, ci deve essere una forma di influenza interpersonale. Non può avvenire per meccanismi di divulgazione che influenzano tutti uniformemente.

Questi ragionamenti possono essere sfruttati -- rispetto alle reti -- anche in altri modi, per esempio, per individuare le persone da trattare. Per esempio, conoscerete probabilmente il concetto di immunità del gregge. Se avete una popolazione di mille persone, e vogliamo rendere quella popolazione immune ad un patogeno, non dobbiamo immunizzate tutti. Se ne immunizziamo 960 è come se ne avessimo immunizzati il 100%. Perché anche se i non immuni contraggono la malattia, non hanno nessuno da infettare. Sono circondati da persone immuni. Perciò il 96% è buono quanto il 100% Alcuni scienziati hanno stimato ciò che succederebbe se prendessimo il 30% di persone a caso di queste 1000, e le immunizzassimo. Quindi 300. Otterremmo un'immunità di qualche tipo a livello di popolazione? La risposta è no. Ma se prendessimo il 30%, queste 300 persone, e ci facessimo indicare i loro amici e vaccinassimo oltre alle 300 persone anche 300 dei loro amici, si otterrebbe lo stesso livello di immunità del gregge come se ne avessimo vaccinato il 96% con un'efficienza maggiore, ed un budget molto limitato.

Idee simili possono essere utilizzate, per esempio, per valutare la distribuzione di prodotti come le zanzariere nei paesi in via di sviluppo. Potremmo capire la struttura della rete dei villaggi, individuare gli individui che potrebbero promuovere questa idea per convincere gli altri. Francamente, questo vale per qualsiasi prodotto. Se capiamo come individuare il bersaglio, potremmo avere un grosso impatto in termini di efficienza per raggiungere il nostro scopo E in effetti, possiamo usare i dati che ci arrivano dalle fonti più disparate, oggi, [per farlo].

Questa è una mappa di 8 milioni di utenti telefonici in un paese europeo. Ogni puntino è una persona, e ogni linea rappresenta un volume di chiamate tra le persone. E possiamo usare questi dati, che abbiamo ottenuto passivamente, per mappare l''intero paese e capire chi è posizionato all'interno della rete. Senza chiedere direttamente a loro, possiamo ottenere questo tipo di comprensione strutturale. E altre fonti di informazione, come sicuramente saprete, sono disponibili su meccanismi del genere, dall'interazione via email alle interazioni online, ai social network, e così via. E in effetti, siamo nell'era che io definirei di raccolta "massiva-passiva" di informazioni. Ci sono moltissimi modi per raccogliere enormi quantità di informazioni in maniera passiva per creare delle reti di sensori per seguire la popolazione, capire cosa accade nella popolazione, e intervenire sulla popolazione per il bene comune. perché tutte queste nuove tecnologie ci dicono non solo chi parla con chi ma dove si trovano, cosa pensano in base a quello che caricano su internet, e quel che comprano in base ai loro acquisti. E tutti questi dati amministrativi possono essere messi assieme ed elaborati per capire il comportamento umano in una maniera senza precedenti.

Perciò, ad esempio, potremmo usare i dati sull'acquisto di carburante per i TIR I camionisti viaggiano per lavoro e comprano il carburante. E vediamo una luce che si accende quando un camionista compra del carburante, e vediamo che la recessione sta per finire. O possiamo monitorare la velocità con cui le persone si muovono con i loro cellulari in autostrada e le compagnie telefoniche vedono quando la velocità diminuisce, che c'è un ingorgo. Possono mandare l'informazione ai loro clienti, ma solo ai clienti su quella particolare autostrada che stanno per arrivare ad un ingorgo! O possiamo monitorare il comportamento dei dottori nelle ricette mediche, passivamente, e vedere la diffusione dell'innovazione dei prodotti para-farmaceutici che avviene all'interno della rete dei dottori. O ancora, possiamo monitorare i comportamenti di acquisto delle pesone, e guardare come tutti questi tipi di fenomeni si diffondono tra le popolazioni.

E ci sono tre modi, io credo, i cui possiamo usare questi dati massivo-passivi. Uno è totalmente passivo come ho già descritto -- come nell'esempio dei camionisti, in cui non si interviene all'interno della popolazione. Uno è semi-attivo, come nel caso dell'influenza, in cui le persone fanno i nomi dei loro amici e poi monitoriamo passivamente gli amici... per vedere se hanno l'influenza, e avere un certo preavviso. Un altro esempio, potrebbe essere, se siete una compagnia telefonia, individuate chi è centrale alla rete, e chiedete a questa gente, "Invia un sms con il livello di febbre che hai ogni giorno. Solo un semplice sms." Si raccolgono i dati sulla febbre delle persone ma da individui al centro della rete. E sarete in grado, su larga scala, di monitorare l'epidemia imminente con un imput minimo O, in ultima istanza, si può essere pienamente attivi -- come diranno gli altri relatori oggi -- laddove le persone partecipano ai wiki, fotografando, monitorando le elezioni, o caricando informazioni che ci permettono di monitorare e capire alcuni processi sociali o fenomeni sociali.

In effetti, la reperibilità di questi dati, credo, può portare ad una nuova era che io ed altri amiamo definire "scienza sociale computazionale" E' un po' come quando Galileo inventò -- beh non l'inventò -- iniziò ad utilizzare il telescopio per guardare i cieli in un modo diverso, o Leeuwenhoek si rese conto delle capacità del microscopio -- beh lo inventò in effetti -- e fu in grado di guardare alla biologia in maniera diversa. E ora abbiamo accesso ai dati più disparati che ci permettono di capire i processi sociali e i fenomeni sociali in maniera completamente diversa dal passato. E con questa scienza, possiamo capire esattamente come l'insieme diventa più grande della somma delle parti. E in effetti, possiamo usare queste conoscenze per migliorare la società e migliorare il benessere dell'umanità.

Grazie.