Nicholas Christakis: Como as redes sociais predizem epidemias

Nos últimos 10 anos, passei o meu tempo a tentar perceber como e porquê os seres humanos constroem redes sociais. E o tipo de rede social de que estou a falar não é a recente versão online, mas antes o tipo de redes sociais que os seres humanos têm vindo a construir há centenas de milhares de anos, desde que nós emergimos [para] a savana africana. Assim, eu formo relações de amizade e de colega e de irmão e de parentesco com outras pessoas que por sua vez têm relações semelhantes com outras pessoas. e isto espalha-se sem fim a perder de vista. E obtemos uma rede que se parece com isto. Cada ponto é uma pessoa. Cada linha entre eles é uma relação entre duas pessoas - diferentes tipos de relações. E obtemos este vasto tecido de humanidade, no qual estamos todos envolvidos.

E o meu colega, James Fowler e eu temos estudado há bastante tempo quais as regras matemáticas, sociais, biológicas e psicológicas que governam como estas redes são criadas e quais as regras semelhantes que governam como operam, como afectam as nossas vidas. E recentemente, tenho-me questionado se é possível tirar partido deste conhecimento, para, na realidade, encontrar formas de melhorar o mundo, para fazer algo melhor, para na realidade corrigir as coisas, não apenas perceber as coisas. Uma das primeiras coisas que pensamos que deveríamos abordar seria como conseguiríamos prever as epidemias.

E o actual estado-da-arte na previsão de epidemias - se forem o CDC ou outra entidade nacional - é sentar-se no meio onde estás e recolher dados de médicos e laboratórios na área que reportam a prevalência ou incidência de certas condições. Tantos e tantos pacientes foram diagnosticados com algo [aqui] ou outros pacientes foram diagnosticados [além], e toda esta informação é colocada num repositório central, com algum atraso. E se tudo corre bem, daqui a uma ou duas semanas, saberás onde a epidemia está hoje. E na realidade, há cerca de um ano atrás, houve a promulgação da ideia de Tendência da Gripe Google, no que respeita à gripe, onde, analisando o comportamento de pesquisa das pessoas hoje, podiamos saber onde a gripe... qual a situação da epidemia hoje, qual a prevalência da epidemia hoje.

Mas o que gostaria de vos mostrar hoje é um meio através do qual podemos obter não apenas um aviso rápido acerca de uma epidemia, mas também uma detecção rápida da epidemia. E, de facto, esta ideia pode ser utilizada não apenas para prever epidemias de germes mas também para prever epidemias de todo o tipo de coisas. Por exemplo, qualquer coisa que se espalhe por uma qualquer forma de contágio social pode ser compreendida desta maneira, desde ideias abstractas do lado esquerdo como patriotismo ou altruísmo ou religião, a práticas como comportamentos de dieta ou compra de livros, ou beber ou capacetes de bicicleta e outras medidas de segurança, ou produtos que as pessoas possam comprar, compra de equipamentos electrónicos, qualquer coisa em que exista uma forma de contágio interpessoal. Uma espécie de difusão da inovação pode ser compreendida e prevista através do mecanismo que vos vou mostrar.

Como talvez saibam, a forma clássica de pensar sobre isto é a difusão-da-inovação, ou a curva da adopção. Aqui no eixo do Y, temos a percentagem de pessoas afectadas, e no eixo X, temos o tempo. E no início, muito poucas pessoas estão afectadas, e obtemos esta curva sigmóide, ou em forma de S. E a razão para esta forma é que no início, digamos uma ou duas pessoas são afectadas ou infectadas, pela coisa, e depois afectam, ou infectam, duas pessoas, que depois afectam quatro, oito, 16 e assim sucessivamente, e obtemos a fase de crescimento da epidemia da curva. E, eventualmente, saturamos a população. Restam cada vez menos pessoas disponíveis para infectar, e obtemos o planalto da curva, e obtemos esta curva sigmóide clássica. E isto é válido para germes, ideias, adopção de produto, comportamentos e afins. Mas as coisas não se difundem nas populações humanas ao acaso. Elas difundem-se através de redes. Porque, como disse, vivemos as nossas vidas em redes, e estas redes têm um tipo particular de estrutura.

Se olharem para uma rede como esta... Isto são 105 pessoas. E as linhas representam...os pontos são as pessoas, e as linhas representam relações de amizade. Podem ver que as pessoas ocupam diferentes localizações dentro da rede. E existem diferentes tipos de relações entre pessoas. Podemos ter relações de amizade, relações de irmandade, relações conjugais, relações de colegas, relações de vizinhança e afins. E diferentes tipos de coisas espalham-se através de diferentes tipos de ligações. Por exemplo, doenças sexualmente transmissíveis espalhar-se-ão por ligações sexuais. Ou, por exemplo, o comportamento de fumar das pessoas pode ser influenciado pelos seus amigos. Ou o seu comportamento altruísta ou de fazer caridade pode ser influenciado pelos seus colegas, ou pelos seus vizinhos. Mas nem todas as posições na rede são as mesmas.

Assim se virem isto, podem imediatamente perceber que pessoas diferentes têm números diferentes de conexões. Algumas pessoas têm uma conexão, algumas têm duas, algumas têm seis, algumas têm 10 conexões. E isto é chamado o "grau" do nó, ou o número de conexões que um nó tem. Mas, adicionalmente, existe mais qualquer coisa. Assim, se olharem para os nós A e B, ambos têm seis conexões. Mas podem ver esta imagem [da rede] da perspectiva de um pássaro, e podem apreciar que existe algo completamente diferente acerca dos nós A e B. Deixem-me perguntar-vos isto - posso cultivar esta intuição fazendo uma pergunta - quem preferiam ser se um germe mortífero se estivesse a espalhar através da rede, A ou B? (Audiência: B) Nicholas Christakis: B, obviamente. B está localizado no extremo da rede. Agora, quem gostariam de ser se um mexerico interessante estivesse a espalhar-se através da rede? A. E têm uma percepção imediata de que A irá provavelmente ter a coisa que se está a espalhar e tê-la mais cedo em virtude da sua localização estrutural dentro da rede. A, de facto, é mais central, e isto pode ser formalizado matematicamente. Por isso, se querem seguir algo que se propague por uma rede, o que preferencialmente gostamos de fazer é preparar sensores nos indivíduos centrais dentro da rede, incluindo o nó A, monitorizar essas pessoas que estão lá no meio da rede, e que de alguma forma têm uma detecção atempada do que quer que se esteja a espalhar pela rede

Isto é, se os vêem contrair um germe ou um pedaço de informação, saberão que, brevemente, toda a gente está prestes a contrair esse germe ou esse pedaço de informação. E isto seria muito melhor do que monitorizar seis pessoas escolhidas aleatóriamente, sem referência à estrutura da população. E de facto, se pudéssemos fazê-lo o que veríamos seria algo como isto. No painel do lado esquerdo, mais uma vez, temos a curva de adopção em forma de S. Na linha pontilhada a vermelho, mostramos qual a adopção seria em pessoas aleatórias, e na linha à esquerda, inclinada para a esquerda mostramos qual seria a adopção com os indivíduos centrais dentro da rede. No eixo Y estão as instâncias de contágio acumuladas, e no eixo X está o tempo. E no lado direito, mostramos os mesmos dados, mas aqui com incidência diária. E o que mostramos aqui é - como, aqui - muito poucas pessoas são afectadas, e mais e mais e mais até aqui, e aqui está o pico da epidemia. Mas deslocado para a esquerda está o que ocorre com os indivíduos centrais. E esta diferença no tempo entre as duas é a detecção atempada, o aviso antecipado que podemos obter, acerca de uma epidemia iminente na população humana.

O problema, no entanto, é que mapear as redes sociais humanas nem sempre é possível, Pode ser caro, [muito difícil], pouco ético, ou, francamente, mesmo impossível de se fazer. Então, como podemos descobrir quem são as pessoas centrais numa rede sem na realidade mapear a rede? O que desenvolvemos foi uma ideia para explorar um facto antigo, ou um facto conhecido, acerca de redes sociais, que diz o seguinte: Sabes que os teus amigos têm mais amigos que tu? Os teus amigos têm mais amigos que tu tens. E isto é conhecido como o paradoxo da amizade. Imaginem uma pessoa muito popular na rede social - como um anfitrião de uma festa que tem centenas de amigos - e um misantropo que tem apenas um amigo, e escolhes alguém ao acaso da população é mais provável que conheça o anfitrião da festa. E se eles nomearem o anfitrião como seu amigo, esse anfitrião tem uma centena de amigos, logo, tem mais amigos que eles. E isto, básicamente, é o que se conhece como paradoxo da amizade. Os amigos de pessoas escolhidas aleatóriamente têm um "grau" mais elevado e são mais centrais, que as próprias pessoas escolhidas.

E podem obter uma análise intuitiva para isto se imaginarem apenas pessoas no perímetro da rede. Se escolhem esta pessoa, o único amigo que têm de nomear é esta pessoa, que, por construção, têm de ter pelo menos dois, e tipicamente mais amigos. E isso acontece em qualquer nó periférico. E de facto, isso acontece ao longo da rede à medida que se avança, qualquer pessoa que escolhes, quando nomeiam aleatóriamente... quando uma pessoa ao acaso nomeia um dos seus amigos, movem-se mais perto do centro da rede. Portanto, pensamos que iríamos explorar esta ideia para estudarmos se podíamos predizer fenómenos dentro das redes. Porque agora, com esta ideia, podemos pegar numa amostra aleatória de pessoas, pedir-lhes que nomeiem os seus amigos, esses amigos seriam mais centrais, e podíamos fazer isto sem ter de mapear a rede.

E testamos esta idea com um surto da gripe H1N1 na Universidade de Harvard no outono e inverno de 2009, há apenas alguns meses. Pegámos em 1.300 estudantes escolhidos aleatóriamente, pedimos-lhes que nomeassem os seus amigos, e seguimos quer os estudantes escolhidos quer os seus amigos diáriamente ao longo do tempo para saber se tinham ou não a epidemia de gripe. E fizemos isto passivamente, sabendo se tinham recorrido ou não aos serviços de saúde da universidade. E também, nos enviaram [activamente] emails várias vezes por semana. Aconteceu exactamente o que prevíamos. O grupo aleatório é esta linha vermelha. A epidemia no grupo de amigos mudou para a esquerda, por aqui. E a diferença nos dois grupos é 16 dias. Monitorizando o grupo de amigos, pudemos obter 16 dias de aviso antecipado de uma epidemia eminente na população humana.

Ora, acrescentando a isso, se fossem um analista que tentava estudar uma epidemia ou prever a adopção de um produto, por exemplo, o que podiam fazer era escolher uma amostra aleatória da população, também pedir-lhes que nomeassem os seus amigos e seguirem os amigos, e seguirem ambos, os aleatórios e os amigos. Entre os amigos, a primeira evidência que vissem de um movimento acima de zero na adopção da inovação, por exemplo, seria a evidência de uma epidemia eminente. Ou podiam ver a primeira vez que as duas curvas divergissem, como mostrado à esquerda. Quando é que os aleatórios...quando é que os amigos descolam e deixam os aleatórios, e [quando] a sua curva começa a mover-se? E isso, como indicado pela linha branca, ocorreu 46 dias antes do pico da epidemia. Portanto isto pode ser uma técnica através da qual poderíamos obter um alerta de mais de um mês e meio acerca da epidemia da gripe numa população particular.

Eu devo dizer que o quão antecipadamente podemos ter informação sobre algo depende de um conjunto de factores. Pode depender da natureza do patógeno -- diferentes patógeneos, utilizando esta técnica, obteriam diferentes alertas - ou outro fenómeno que esteja a alastrar, ou, francamente, sobre a estrutura da rede humana. Ora, no nosso caso, apesar de não ser necessário, podemos também mapear a rede dos estudantes.

Assim, este é um mapa de 714 estudantes e as suas ligações de amizade. E dentro de um minuto, vou por este mapa em movimento. Iremos ver cortes diários ao longo da rede durante 120 dias. Os pontos vermelhos serão casos de gripe, e os pontos amarelos serão amigos de pessoas com gripe. e o tamanho dos pontos será proporcional a quantos dos seus amigos têm gripe. Pelo que pontos maiores significa que mais amigos têm gripe. E se olharem para esta imagem - aqui estamos a 13 de setembro - irão ver alguns casos a surgir. Irão ver como que um florescer da gripe no meio. Aqui estamos a 19 de outubro. O declive da curva da epidemia está a aproximar-se agora, em novembro. Bang, bang, bang, bang, bang, irão ver muito florescimento no meio, e depois irão ver uma espécie de estabilização, cada vez menos casos para o final de dezembro. E este tipo de visualização pode mostrar que epidemias como esta enraizam e afectam primeiro indivíduos centrais, antes que eles infectem outros.

Bem, como tenho sugerido, este método não se restringe aos germes, mas na realidade a qualquer coisa que se espalhe em populações. Informação espalha-se em populações. Normas podem espalhar-se em populações. Comportamentos podem espalhar-se em populações. E por comportamentos, posso querer dizer comportamento criminal, ou comportamento de voto ou de cuidado com a saúde, como fumar ou vacinação, ou adopção de produto ou outros tipos de comportamentos que se relacionam com influência interpessoal. Se sou propenso a fazer algo que afecta outros à minha volta, esta técnica pode obter alerta precoce ou detecção precoce, acerca da adopção dentro da população. O factor chave, para que funcione, é têm que haver influência interpessoal. Não pode ser por causa de um mecanismo de transmissão que afecte toda a gente uniformemente.

Ora os mesmos conhecimentos também podem ser explorados - no que respeita às redes - também podem ser explorados de outros modos, por exemplo, utilizar para atingir pessoas específicas para intervenções. Por exemplo, provavelmente a maioria de vocês está familiarizado com a noção de imunidade de multidão. Bem, se temos uma população de mil pessoas, e queremos que essa população seja imune a um patógeno, não temos de imunizar todas as pessoas. Se imunizarmos 960, é como se tivéssemos imunizado cem [porcento]. Porque mesmo que uma ou duas das pessoas não-imunes seja infectada, não existe ninguém para elas infectarem. Estão rodeados por pessoas imunizadas. Logo 96 porcento é tão bom como 100 porcento. Bem, alguns cientistas estimaram o que aconteceria se pegássemos numa amostra aleatória de 30 porcento dessas 1000 pessoas, 300 pessoas e as imunizássemos. Obteríamos alguma imunidade populacional? E a resposta é, não. Mas se pegássemos nesses 30 porcento, essas 300 pessoas, e lhes pedíssemos que nomeassem os seus amigos e pegássemos no mesmo número de doses de vacinas e vacinássemos os amigos dos 300, os 300 amigos podiamos obter o mesmo nível de imunidade de multidão como se tivéssemos vacinado 96 porcento da população com muito maior eficiência, com um orçamental apertado.

e ideias similares podem ser utilizadas, por exemplo, para definir a distribuição de coisas como redes de cama nos países em desenvolvimento. Se pudermos perceber a estrutura das redes nas aldeias, podíamos definir a quem dar a ajuda para potenciar este tipo de propagações. Ou, francamente, para publicitar todo o tipo de produtos. Se pudermos compreender como atingir, podia afectar a eficácia do que estamos a tentar alcançar. E de facto, podemos utilizar informação de todo o tipo de fontes nos dias actuais [para fazer isto].

Isto é um mapa de oito milhões de utilizadores de telefone num país europeu. Cada ponto é uma pessoa e cada linha representa o volume de chamadas entre as pessoas. E podemos utilizar esta informação, que se está a obter passivamente, para mapear todos estes países e perceber quem está localizado onde dentro da rede. Sem, na realidade, termos de os questionar a todos, podemos obter uma espécie de visão estrutural. E outras fontes de informação, que não tenho dúvida estão a par, estão disponíveis acerca dessas características, desde interacções por email, interacções online, redes sociais online e por aí adiante. E de facto, estamos numa era do que chamaria esforços de recolha de informação "massivo-passivos". São todas as formas que podemos utilizar para recolher informação massivamente para criar redes sensoras para seguir a população, perceber o que está a acontecer na população, e intervir na população para melhorar. Porque estas novas tecnologias dizem-nos não apenas quem fala com quem, mas onde está toda a gente, e o que estão a pensar baseado no que colocam na internet, e o que estão a comprar baseado nas suas aquisições. E toda esta informação administrativa pode ser colocada junta e processada para perceber o comportamento humano de uma forma que nunca antes conseguimos.

Por exemplo, podiamos utilizar as compras de combustível de camionistas. Os camionistas andam no seu negócio, e compram combustível. E vemos um movimento positivo nas compras de combustível dos camionistas e sabemos que a recessão está a acabar. Ou podemos monitorizar a velocidade com que as pessoas se movem com os seus telemóveis na auto-estrada, e a empresa de telemóveis pode ver, quando a velocidade abranda, que existe um engarrafamento. E podem fazer chegar essa informação aos seus clientes, mas apenas aos clientes na mesma auto-estrada localizados antes do engarrafamento! Ou podemos monitorizar os comportamentos de prescrição dos médicos, passivamente, e ver como a difusão de inovação com fármacos ocorre entre [a rede de] médicos. Ou mais uma vez, podíamos monitorizar o comportamento de compras nas pessoas, e verificar como estes tipos de fenómenos se podem difundir entre a população humana.

E existem três formas, penso eu, em que esta informação massiva-passiva pode ser utilizada. Uma é completamente passiva, como acabei de descrever - como, por exemplo, no caso do camionista, onde não intervimos na população de nenhuma forma. Uma é quasi-activa, como o exemplo da gripe que dei, onde pedimos a algumas pessoas que nomeiem os seus amigos e de depois, passivamente, monitorizamos os seus amigos - têm gripe ou não? - e então obtemos o alerta. Ou outro exemplo podia ser, se são uma empresa telefónica, perceberem quem é central na rede, e pedir a essas pessoas, "Olhe, podia-nos enviar uma mensagem com a sua febre todos dias? Envie-nos apenas uma mensagem com a sua temperatura." E recolher grandes quantidades de informação acerca da temperatura das pessoas, mas de indivíduos localizados centralmente. E ser capaz, em grande escala, de monitorizar uma epidemia eminente com muito pouca colaboração das pessoas. Ou, finalmente, pode ser completamente activa - como sei que os oradores seguintes irão falar também hoje - onde as pessoas podem globalmente participar em wikis, ou fotografando ou monitorizando eleições, e carregar informação de forma a permitir-nos procurar informação de forma a percebermos processos sociais e fenómenos sociais.

De facto, a disponibilidade desta informação, penso eu, abre uma espécie de nova era do que eu e outros gostaríamos de chamar "ciência social computacional". É como quando Galileu inventou - ou, não inventou - passou a usar um telescópio e pôde ver os céus duma nova forma, ou Leeuwenhoek tomou conhecimento do microscópio - ou na realidade inventou-o - e pôde ver a biologia duma nova maneira. Mas agora temos acesso a estas formas de informação que nos permitem perceber os processos sociais e os fenómenos sociais duma forma inteiramente nova que nunca tinha sido possível. E com esta ciência, podemos perceber exactamente como o todo se torna maior do que a soma das suas partes. E na realidade, podemos utilizar estes conhecimentos para melhorar a sociedade e melhorar o bem-estar humano.

Obrigado.