Nicholas Christakis: Como as redes sociais predizem epidemias

Nos últimos 10 anos, eu tenho investido o meu tempo tentando descobrir como e por que os seres humanos se reúnem em redes sociais. E o tipo de rede social sobre a qual eu estou falando não é a recente variedade online, pelo contrário, é sobre o tipo de redes sociais em que os seres humanos têm se reunido por centenas de milhares de anos, desde que emergimos da savana africana. Então, eu tenho relações de amizade, de colega de trabalho, de irmão e relações de família com outras pessoas que, por sua vez, têm relações similares com outras pessoas. E isso se espalha em uma distância infinita. E você tem uma rede parecida com essa. Cada ponto é uma pessoa. Cada linha entre eles é uma relação entre duas pessoas -- diferentes tipos de relações. E você pode obter esse vasto tipo de rede da humanidade. em que nós todos estamos envolvidos.

O meu colega, James Fowler, e eu temos estudado há bastante tempo quais são as regras matemáticas, sociais, biológicas e psicológicas que governam como essas redes são organizadas e quais são as regras similares que governam como elas operam, como elas afetam as nossas vidas. E recentemente, nós temos questionado se seria possível tirar vantagem desse entendimento, para realmente encontrar formas de melhorar o mundo, para fazer algo melhor, para, na verdade, corrigir as coisas, não apenas entendê-las. Então uma das primeiras coisas que nós pensamos que atacaríamos seria sobre como prever epidemias.

E o atual estado da arte em predizer uma epidemia -- se você é o CDC (centro de controle de doenças) ou algum outro órgão nacional -- é sentar no meio de onde você está e coletar dados de médicos e laboratórios da área que relatam a prevalência ou a incidência de certas condições. Tal, tal e tal pacientes têm sido diagnosticados com alguma coisa [por aqui], ou outros pacientes têm sido diagnosticados [ali], e todos esses dados alimentam um repositório central com algum atraso. E se tudo correr bem, em uma ou duas semanas, você saberá onde a epidemia estava hoje. Na verdade, cerca de um ano ou mais atrás, houve esse tipo de propagação dessa noção de Tendências de Gripe no Google, com relação à gripe, onde por pesquisar o comportamento de busca das pessoas hoje, nós poderíamos saber aonde a gripe ... qual o status da epidemia hoje, qual é a prevalência da epidemia hoje.

Mas o que eu gostaria de mostrar hoje é um meio pelo qual nós podemos chegar não apenas a um alerta rápido de uma epidemia, mas também à detecção precoce de uma epidemia. E de fato, essa ideia pode ser usada não apenas para predizer epidemias de germes, mas também para predizer epidemias de todos os tipos. Por exemplo, qualquer coisa que se espalha pela forma de contágio social poderia ser entendida dessa forma, desde idéias abstratas sobre a esquerda, como patriotismo, ou altruísmo, ou religião, até práticas como comportamento alimentar ou compras de livros ou beber ou capacete de bicicleta e outras práticas de segurança, ou produtos que pessoas podem comprar, compra de produtos eletrônicos, qualquer coisa em que há um tipo de propagação interpessoal. Um tipo de difusão de inovação poderia ser entendida e prevista pelo mecanismo que eu vou mostrar agora.

Como todos vocês provavelmente sabem, a clássica forma de pensar sobre isso é a difusão da inovação ou a "curva de adoção." Aqui no eixo Y, nós temos o percentual de pessoas afetadas, e no eixo X, nós temos o tempo. E bem no começo, não muitas pessoas são afetadas, e você tem essa clássica sigmoide. ou curva em forma de S. E a razão para essa forma é que bem no começo, vamos dizer uma ou duas pessoas são afetadas, ou infectadas pela coisa, e então eles afetam ou infectam duas pessoas que, por sua vez, afetam quatro, oito, 16 e assim por diante, e você tem a fase de crescimento epidêmico da curva. E finalmente, você satura a população. Há menos e menos pessoas que ainda estão disponíveis para você infectar, e então você chega ao platô da curva, e você tem essa clássica curva sigmoide. E isso vale para os germes, idéias adoção de produtos, comportamentos e assim por diante. Mas as coisas não se difundem em população humanas aleatoriamente. Elas, na verdade, se difundem através de redes. Por que, como eu disse, nós vivemos nossas vidas em redes, e essas redes têm um tipo particular de estrutura.

Agora se você olhar para uma rede como essa ... Aqui há 105 pessoas. E as linhas representam ... os pontos são as pessoas, e as linhas representam as relações de amizade. Você pode ver que as pessoas ocupam diferentes localizações dentro da rede. E há diferentes tipos de relações entre as pessoas. Você poderia ter relações de amizade, relações de irmãos, relações conjugais, relações de trabalho, relações de vizinhos e assim por diante. E os diferentes tipos de coisas se espalham através de diferentes tipos de laços. Por exemplo, doenças sexualmente transmissíveis se espalharão através de laços sexuais. Ou por exemplo, o comportamento de fumar pode ser influenciado por amigos. Ou seus comportamentos atruístas ou de caridade podem ser influenciados pelos seus colegas de trabalho, ou por seus vizinhos. Mas nem todas as posições na rede são as mesmas.

Se você olhar para isso, você pode imediatamente compreender que diferentes pessoas têm diferentes números de conexões. Algumas pessoas têm uma conexão, algumas têm duas, algumas têm seis, algumas têm 10 conexões. E isso é chamado de grau de enredo, ou o número de conexões de um nó. Mas além disso, há uma coisa também. Então, se você olha para os nós A e B, ambos têm seis conexões. Mas se você olhar para essa imagem [da rede] do ponto de vista de um pássaro, você pode notar que há alguma coisa muito diferente sobre os nós A e B. Deixa eu perguntar a vocês isso -- eu posso cultivar essa intuição fazendo uma questão -- quem vocês gostariam de ser se um germe mortal estivesse se espalhando através da rede, A ou B? (Platéia: B) Nicholas Christakis: B, é óbvio. B está localizado na borda da rede. Agora, quem vocês gostariam de ser se fofocas estivessem se espalhando através da rede? A. E você tem uma apreciação imediata que A é mais provável de pegar uma coisa que está se espalhando e pegá-la mais rápido em função de sua localização estrutural na rede. A, de fato, é mais central, e isso pode ser formalizado matematicamente. Se nós quisermos monitorar alguma coisa que estivesse se espalhando através de uma rede, o que nós idealmente gostaríamos de fazer é configurar os sensores sobre os indivíduos centrais dentro da rede incluindo o nó A, monitorar aquelas pessoas que estão bem no meio da rede, e de alguma forma conseguir uma detecção precoce de tudo o que estiver se espalhando pela rede.

Se vocês vissem eles contraírem um germe ou alguma informação, vocês saberiam que, breve o suficiente, todos estariam próximos de contrair esse germe ou essa informação. E isso seria muito melhor que monitorar seis pessoas aleatoriamente, sem referência à estrutura da população. E de fato, se você pudesse fazer isso, o que você veria é alguma coisa como isso, no painel do lado esquerdo, de novo, temos a curva de adoção em forma de S. Na linha vermelha pontilhada, nós mostramos o que seria a adoção em pessoas randômicas, e na linha esquerda deslocada para a esquerda, nós mostramos o que a adoção seria nos indivíduos centrais à rede. No eixo Y, estão os casos acumulados de contágio, e no eixo X está o tempo. E no lado direito, nós mostramos os mesmos dados, mas aqui com incidências diárias. E o que nós mostramos aqui é -- como, aqui -- muito poucas pessoas são afetadas, mais e mais e mais até aqui, e aqui está o pico da epidemia. Mas deslocada para a esquerda nos indivíduos centrais. E essa diferença em tempo entre os dois é a detecção precoce, o alarme precoce que nós podemos obter acerca de uma epidemia iminente na população humana.

O problema, porém, é que mapear redes sociais humanas nem sempre é possível. Isso pode ser caro, [muito difícil], antiético, ou, francamente, simplesmente poderia não ser possível fazer uma coisa dessas. Então, como podemos descobrir quem são as pessoas centrais na rede sem, na verdade, mapear a rede? O que surgiu foi uma idéia para explorar um fato antigo, ou um conhecido fato sobre redes sociais, que é o seguinte: você sabe que seus amigos têm mais amigos do que você? Seus amigos têm mais amigos do que você. Esse é o conhecido paradoxo da amizade. Imagine uma pessoa muito popular na rede social -- como o anfitrião de uma festa com centenas de amigos -- e um misantropo que tem apenas um amigo, e você pega alguém aleatoriamente da população; é muito mais provável que eles conheçam o anfitrião da festa. E se eles mencionarem o anfitrião da festa como um amigo, esse anfittrião tem uma centena de amigos, portanto, tem mais amigos que eles. E isso, em essência, é o que se conhece por paradoxo da amizade. Os amigos de uma pessoa randomicamente escolhida têm maior grau e maior centralidade que as próprias pessoas randomicamente escolhidas.

E você pode obter uma apreciação intuitiva a partir disso se você imagina apenas as pessoas no perímetro da rede. Se você pega essa pessoa, o único amigo que eles têm a mencionar é essa pessoa, que, pela estrutura, deve ter pelo menos dois e tipicamente mais amigos. E isso acontece com todos os nós periféricos. E de fato, isso acontece através da rede quando você se move para dentro, cada uma que você pega, quando eles mencionarem um randômico ... quando uma pessoa randômica mencionar um amigo seu, você se move para mais perto do centro da rede. Então, nós pensamos que nós exploraríamos essa idéia a fim de estudar se nós poderíamos prever fenômenos dentro das redes. Em função disso, com essa idéia, nós podemos pegar uma amostra randômica de pessoas, que indiquem os seus amigos, esses amigos seriam mais centrais, e nós poderíamos fazer isso sem ter mapeado a rede.

E nós testamos essa idéia com um surto de gripe H1N1 na faculdade de Harvard no outono e no inverno de 2009, apenas alguns meses atrás. Nós pegamos 1300 estudantes de graduação aleatoriamente selecionados, que indicaram seus amigos, e nós seguimos ambos os estudantes aleatoriamente escolhidos e seus amigos diariamente em tempo de ver se eles tinham ou não a gripe epidêmica. E nós fizemos isso passivamente por olhar se eles procuravam ou não os serviços de saúde da universidade. E também nós enviamos e-mails [ativamente] a eles algumas vezes por semana. Exatamente o que nós prevíamos aconteceu. O grupo randômico está na linha vermelha. A epidemia no grupo de amigos está deslocada para a esquerda, aqui. E a diferença entre os dois é de 16 dias. Monitorando o grupo de amigos, nós poderíamos alertar com 16 dias de antecedência sobre uma iminente epidemia nessa população humana.

Agora, além disso, se você fosse um analista que estivesse tentando estudar uma epidemia ou prever a adoção de um produto, por exemplo, o que você poderia fazer é pegar uma amostra randômica da população, que também nomeasse os seus amigos e seguir esses amigos, e seguir ambos os randômicos e amigos. Entre os amigos, a primeira evidência de um pontinho acima de zero em adoção ou inovação, por exemplo, seria evidência de uma epidemia iminente. Ou você poderia observar o primeiro momento em que as duas curvas divergem, como mostrado na esquerda. Quando os randômicos... quando os amigos se deslocaram e deixaram os randômicos, e sua curva começou a mudar? Isso, como indicado pela linha branca, ocorreu 46 dias antes do pico da epidemia. Então essa seria uma técnica pela qual nós poderíamos obter um alerta de mais de um mês e meio sobre a epidemia de gripe em uma população particular.

E deveria dizer que o quão avançado um aviso pode ser sobre alguma coisa depende de uma série de fatores. Isso poderia depender da natureza do patógeno -- diferentes patógenos, usando essa técnica, você obteria diferentes alertas -- ou outro fenômeno que está se espalhando, ou, francamente, da estrutura da rede humana. Agora, no nosso caso, embora não tenha sido necessário, nós poderíamos também mapear a rede de estudantes.

Então, esse é um mapa de 714 estudantes e seus laços de amizade. E em um minuto agora, eu vou colocar esse mapa em movimento. Nós pegaremos cortes diários através da rede por 120 dias. Os pontos vermelhos são os casos de gripe, e os amarelos são os amigos das pessoas com gripe. E o tamanho desses pontos é proporcional a quantos de seus amigos têm gripe. Quanto maiores os pontos, mais de seus amigos têm gripe. E se você olhar para essa imagem -- aqui nós estamos em 13 de setembro -- você verá alguns casos surgirem. Você verá uma espécie de florescência de gripe no meio. Aqui nós estamos em 19 de outubro. A inclinação da curva epidêmica está se aproximando agora, em novembro. Bang, bang, bang, bang, bang, você verá um monte de florescências no meio, e você verá uma espécie de nivelamento, cada vez menos casos no fim de dezembro. E esse tipo de visualização mostra que epidemias como essa se enraizam e afetam indivíduos centrais primeiro, antes de afetar os outros indivíduos.

Agora, como eu tenho sugerido, esse método não é restrito aos germes, mas, na verdade, serve para qualquer coisa que se espalha nas populações. Informação se espalha em populações. Normas podem se espalhar em populações. Comportamentos podem se espalhar em populações. E por comportamento, eu quero dizer algo como comportamento criminoso, ou comportamento de voto, ou comportamento de cuidado com a saúde, como fumar, ou vacinação, ou adoção de produtos, ou outros tipos de comportamentos relacionados à influência interpessoal. Se eu vou provavelmente fazer algo que afeta os outros em minha volta, essa técnica pode obter um alerta precoce, ou detecção precoce, sobre a adoção dentro da população. O aspecto chave é que, para isso funcionar, deve haver influência interpessoal. Não pode acontecer em função de um mecanismo de difusão afetando todos uniformemente.

Os mesmos insights podem também ser explorados -- com respeito a redes -- podem também ser explorados de outras formas, por exemplo, no uso de alvos, pessoas específicas, para intervenções. Por exemplo, a maioria de vocês está provavelmente familiarizado com a noção de imunidade de rebanho. Se nós temos uma população de mil pessoas, e nós queremos torná-la imune a um patógeno, nós não temos que imunizar cada uma das pessoas. Se nós imunizarmos 960 delas, será como se nós tivessemos imunizado cem por cento delas. Por que mesmo se uma ou duas pessoas não imunizadas forem infectadas, não há ninguém para elas infectarem. Elas estão cercadas por pessoas imunizadas. Então 96 por cento é tão bom quanto 100 por cento. Bem, alguns outros cientistas têm estimado o que aconteceria se você pegasse uma amostra randômica de 30 por cento dessas 1000 pessoas, 300 pessoas e as imunizasse. Você obteria uma imunização em nível de população? E a resposta é não. Mas se você pegasse esses 30 por cento, essas 300 pessoas, e elas indicassem os seus amigos, e você pegasse o mesmo número de doses de vacina e vacinasse os amigos dos 300, os 300 amigos, você teria o mesmo nível de imunidade de rebanho como se você tivesse vacinado 96 por cento da população, com muito mais eficiência, com uma restrição orçamentária.

E idéias semelhantes podem ser usadas, por exemplo, para atingir a meta de distribuição de mosqueteiros no mundo em desenvolvimento. Se você pudesse entender a estrutura das redes nas aldeias, você poderia atingir o alvo a quem dar essas intervenções para promover esse tipo de propagação. Ou, francamente, para publicidade de todo o tipo de produtos. Se nós pudéssemos entender atingir o alvo, isso poderia afetar a eficiência do que nós estamos tentanto atingir. E de fato, nós podemos usar esses dados de todos os tipos de fontes hoje em dia [para fazer isso].

Esse é um mapa de oito milhões de usuários de telefone em um país europeu. Cada ponto é uma pessoa e cada linha representa um volume de chamadas entre as pessoas. E nós podemos usar dados como esses, que são passivamente obtidos, para mapear esses países e entender quem está localizado dentro da rede. Sem, na verdade, ter de consultar a todos, nós podemos obter esse tipo de compreensão estrutural. E outras fontes de informação, como vocês conhecem, sem dúvida são disponíveis através de informações sobre interações por e-mail, interações online, redes sociais online e assim por diante. E de fato, nós estamos na era do que eu poderia chamar esforços massivos e passivos de coleta de dados. Elas são as formas pelas quais nós podemos coletar dados massivamente para criar redes de sensores para seguir a população, entender o que está acontecendo na populção e intervir na população para o melhor. Por que essas novas tecnologias nos dizem, não apenas quem está falando com quem, mas onde cada um está e o que eles estão pensando baseados no que eles uploading na internet, e o que eles estão comprando baseados na suas compras. E todos esses dados administrativos podem ser obtidos juntos e processados para entender o comportamento humano de uma forma que nós nunca conseguimos antes.

Por exemplo, nós poderíamos usar as compras de combustível dos caminhoneiros. Os caminhoneiros estão apenas fazendo o seu negócio, e eles estão comprando combustível. E nós vemos um pontinho nas compras de combustíveis dos caminhoneiros, e nós sabemos que a recessão está próxima do fim. Ou nós podemos monitorar a velocidade com que cada pessoa está se movimentando com seu telefone em uma rodovia, e a companhia telefônica pode ver quando a velocidade está reduzindo, que há um congestionamento. E eles podem alimentar os seus assinantes com essa informação, mas apenas os seus assinantes que estão na mesma rodovia, localizados atrás do congestionamento! Ou nós podemos monitorar os doutores que prescrevem comportamentos, passivamente, e ver como a difusão de inovação de fármacos ocorre entre [redes] os médicos. Ou de novo, nós podemos monitorar o comportamento de compras das pessoas, e assistir como esse tipo de fenômeno se difunde dentro das populações humanas.

E há três formas, eu acho, que esses dados massivos e passivos podem ser usados. Uma é inteiramente passiva, como eu já descrevi. como o exemplo do caminhoneiro, em que nós não intervimos na população de nenhuma forma. Uma é quase ativa, como o exemplo da gripe que eu dei, em que nós pegamos algumas pessoas para indicarem os seus amigos e então monitoramos passivamente os seus amigos -- eles têm ou não gripe? -- e então demos o alerta. Ou outro exemplo seria, se você é de uma companhia telefônica, você descobre quem é central na rede, e você pede a essas pessoas: "Olhe, você nos envia por texto sua temperatura todos os dias? Apenas nos envie sua temperatura." E coleta vastos conjuntos de informação sobre a temperatura das pessoas, mas de indivíduos centralmente localizados. E é capaz, em larga escala, de monitorar uma epidemia iminente com o mínimo de informação das pessoas. Ou pode ser inteiramente ativo -- como eu sei que palestrantes seguintes falarão hoje -- em que pessoas podem participar globalmente em wikis, ou fotografando, ou monitorando eleições, ou uploading informação de uma forma que nós possamos compartilhá-la para entender os processos sociais e o fenômeno social.

De fato, a disponibilidade desses dados, eu acho, anuncia um tipo de nova era, que eu e outros gostaríamos de chamar "ciência social computacional." É como quando Galileu inventou -- ou ele não inventou -- usou o telescópio e pôde ver o céu de uma nova maneira, ou Leeuwenhoek se tornou consciente do microscópio -- ou na verdade, inventou -- e pôde ver a biologia de uma nova maneira. Mas agora nós temos acesso a esse tipo de dados que nos permite entender os processos sociais e o fenômeno social e uma forma inteiramente nova que antes não era possível. E com essa ciência, nós podemos entender como, exatamente, o conjunto passa a ser maior que a soma de suas partes. E na verdade, nós podemos usar esses insights para melhorar a sociedade e o bem-estar humano.

Obrigado.