Nicholas Christakis: Hur sociala nätverk kan förutsäga epidemier

Under de senaste 10 åren, har jag använt min tid till att klura ut hur och varför människor börjar samla sig i sociala nätverk. Och den sorts sociala nätverk jag talar om är inte den nya onlinevarianten, utan, den typ av sociala nätverk som människor har samlats inom under hundratusentals år, ända sedan vi dök upp på den Afrikanska savannen. Så, jag skapar vänskaps-, arbets-, syskon- och andra relationer med andra människor som i sin tur har liknande relationer med andra människor. Och detta sprider sig ändlöst utåt. Och du får ett nätverk som ser ut så här. Där varje punkt är en person. Där varje linje mellan dem är en relation mellan två människor -- olika typer av relationer. Och du får den typ av omfattande tyg av mänsklighet, som vi alla är inbäddade i.

Jag och min kollega, James Fowler, har studerat det ett bra tag nu vilka är de matematiska, sociala, biologiska och psykologiska reglerna som styr hur dessa nätverk sammansätts och vilka är de liknande reglerna som styr hur de verkar, hur de påverkar våra liv. Och, nyligen har vi funderat på huruvida det är möjligt att dra nytta av denna insikt, för att verkligen hitta vägar till att förbättra världen, för att göra någonting bättre, för att verkligen fixa saker, inte bara förstå dem. Så en av de första sakerna vi tänkte tackla skulle vara hur vi går tillväga för för förutsäga epidemier.

Det nuvarande bästa tillvägagångssättet för att förutsäga epidemier -- om du är på smittskyddsinstitutet (Am. CDC) eller någon annan myndighet -- är att sitta där du är och samla in data från läkare och laboratorier på fältet som rapporterar prevalens eller incidens av vissa sjukdommar. Patienter, där och där som blivit diagnostiserade med något [här borta] eller andra som blivit diagnostisera [här borta] och alla dessa data matas till en stor databas, med en viss fördröjning. Och om allt går som de ska en-två veckor från nu, kommer du veta vart epidemin var i förrgår. Och faktiskt, för ett år sen eller så, kom det ett offentliggörande om en idé om Google Flu Trends, med sikte på influensan, där man genom att titta på folks sökbeteende i dag, kunde veta vart flunsan... vad statusen för epidemin var i dag, vad prevalensen för epidemin är i dag.

Men det jag skulle vilja visa dig i dag är ett sätt genom vilket vi möjligen får inte bara en tidig varning för epidemin, men också i själva verket en tidig detektering av en epidemi. Och, faktum är, denna idé kan användas inte bara för att förutsäga bakteriella epidemier, men även för att förutsäga alla typer av epidemier. Till exempel, alla saker som sprids genom en slags social smitta kan förklaras genom detta sätt, från abstrakta idéer till vänster som patriotism eller altruism eller religion, till tillvägagångsätt som dietbeteende eller bokköpande, eller drickande eller cykel-hjälms [och] eller andra säkerhetsdetaljer, eller produkter som folk kan tänka sig att köpa, inköp av elektronikvaror, vad som helst som där det finns en spridning mellan personer. En slags spridning av innovationer kan förstås och förutsägas genom mekanismen som jag kommer visa dig nu.

Så, som de flesta av er troligen vet, det klassiska sättet att tänka kring detta är spridning-av-innovation eller acceptanskurvan (eng. adoption curve). Så här på Y-axeln, har vi procent av folk som är berörda, och på X-axeln, har vi tid. Och i allra första början är inte alls så många berörda. och då får den klassiska sigmodala, eller S-formade, kurvan. Och ett skäl till denna form är att från första början, låt oss säga att en eller två personer har blivit påverkade eller infekterad av detta de påverkar, eller infekterar sedan två personer, som i sin tur påverkar fyra, åtta och 16 och så vidare, och du får den epidemiska tillväxtfasen på kurvan. Och till slut, så närmar du dig hela befolkning. Det är färre och färre människor kvar vilka fortfarande är möjliga att infektera, och där får du platån på kurvan, och du får den klassiska sigmodala kurvan. Och detta håller för bakterier, idéer, produktacceptans, beteenden, och liknande. Men saker sprider sig inte i den mänskliga populationen slumpmässigt. De sprider sig i själva verket genom nätverk. Eftersom vi lever våra liv i nätverk, och dessa nätverk har en speciell sorts struktur.

Om du nu tittar på ett nätverk som detta... Detta är 105 människor. Och linjerna representerar ... prickarna är människor, och linjerna representerar vänskapsrelationer. Du ser kanske folk tar upp olika platser inom detta nätverk. Och det är olika slags relationer mellan människor. Du kan ha kamratskapsrelationer, syskonrelationer, äkta hälft relationer, arbetskamratsrelationer, grannrelationer och liknande. Och olika slags saker sprider sig tvärs olika typer av förbindelser. Till exempel, sexuellt överförbara sjukdomar. kommer sprida sig via sexuella förbindelser. Eller till exempel, människors rökvanor påverkar troligen av deras vänner. Eller deras altruistiska beteende att ge till välgörenhet påverkas troligen av deras arbetskamrater, eller av deras grannar. Men alla platser i nätverket är inte likadana.

Så när du tittar på detta, så inser du kanske omedelbart att olika människor har olika antal anknytningar. En del människor har en anknytning, en del två, några har sex, några har 10 anknytningar. Och detta kallas "rang" (eng. "degree") för en nod, eller antalet en anknytningar en nod har. Men det finns något annat också. Om du tittar på noderna A och B, så har då båda sex anknytningar. Men om du ser denna bild [av nätverket] från ett fågelperspektiv, så kommer du inse det är något väldigt annorlunda med noderna A och B. Så, låt mig ställa denna fråga till dig -- Kan jag förstärka din intuition genom a ställa frågan -- skulle du helst vara om en dödlig bakterie som sprider sig genom nätverket genom, A eller B? (Publiken: B). Nicholas Christakis: B det är ju uppenbart. B är placerar på kanten av nätverket. Och, vem skulle du heller vara om ett saftigt skvaller spridde sig genom nätverket? A. Då skulle du ha en omedelbar förståelse det är A som troligen har en bättre möjlighet att få reda på vad som sprider sig och få reda på det fortare genom dess unika strukturella plats inom nätverket. A är mer central och detta kan formellt beskrivas matematiskt. Så, om du vill följa någonting som sprider sig genom ett nätverk, så vad vi optimalt skulle vilja göra är sätta upp sensorer på centralt placerade individer i nätverket, inkludera nod A, övervaka människorna som är alldeles i mitten av nätverket. och genom detta sätt få en tidig detektering av vad än som sprider sig genom nätverket.

Det vill säga, om du såg dem komma i kontakt med bakterier eller information, då skulle du veta att snart nog, skulle alla andra också få kontakt med denna bakterie eller infomation. Och detta skulle vara mycket bättre än att övervaka sex slumpmässigt valda människor, utan kunskap om hur populationen är strukturerad. Och faktum är, om du kunde göra detta, skulle du se något liknande detta. På den vänstra skärmen, återigen, har vi den S-formade kurvan över acceptansen. På den röda prickade linjen, visar vi vad acceptansen skulle vara med slumpmässigt valda människor, och i den vänster-hands linje, skiftade mot vänster, vi ser vad acceptansen skulle bli för centrala individer i nätverket. På Y-axeln är kumulerade smittan, och på X-axeln är tiden. Och på den högra sidan visar vi samma data, men här den dagliga incidensen. Och det vi visar här är --som, här -- att väldigt få människor är angripna, mer och mer och här uppe, och här kommer toppen av epidemin. Men till vänster är vad som händer de centralt placerade individerna. Och denna skillnad i tid mellan de två är den tidiga detektionen, den tidiga varningen vi kan få, om den annalkande epidemin i den mänskliga populationen.

Men problemet är dock, att mappande av mänskliga sociala nätverk inte alltid är möjligt. Det kan vara dyrt, [mycket svårt], oetiskt, eller, helt enkelt, bara omöjligt att göra en sådan sak. Så, hur kan vi klura ut vilka dessa centrala människor är i ett nätverk utan att verkligen mappa upp nätverket? Vad vi kom fram till var en idé som kunde utnyttja ett gammal faktum, eller känd egenskap kring sociala nätverk, vilken låter så här: Vet du om att dina vänner har fler vänner än du har? Dina vänner har fler vänner än du har. Detta är känt som vänskapsparadoxen. Föreställ dig en väldigt populär människa i det sociala nätverket -- som håller en fest och som har hundratals vänner -- och en misantrop som bara har en vän, och du väljer någon slumpmässigt från populationen: så är det mycket mera troligt att de känner personen som har festen. Och om de kallar festfixaren sin vän, så har festfixaren hundra vänner och har därigenom fler vänner än de har. Detta är, enkelt uttryckt, vad som är känt som vänskapsparadoxen. Vänner till slumpmässigt valda människor har högre grad, och är mer centrala, än de slumpmässigt valda människorna själva.

Och du kan få en intuitiv förståelse för detta om du bara tänker dig människor vid utkanten av nätverket. Om du väljer denna person, den enda vän som de behöver nominera är denna person, vilken, genom konstruktionen, måste ha minst två, och typiskt fler än det, vänner. Detta inträffar vid varje nod i utkanten. Och faktum är, det inträffar genom hela nätverket när du rör dig inåt, varje du person du väljer, när de nominerar en slumpmässigt.. när en slumpmässigt vald person nominerar en vän till dem, rör du dig närmare centret av nätverket. Så, vi tänkte vi kunde utnyttja denna idé för att studera huruvida vi kunde förutsäga fenomen med nätverk. Eftersom nu, med denna idé, kan vi ta ett slummässigt urval av folk, få dem att nominera deras vänner, sådana vänner som kommer vara mer centrala, och vi kunde göra detta utan mappa upp nätverket.

Och vi testade denna idé på utbrottet av H1N1-influensan på Harvard College under hösten och vintern 2009, bara för några månader sen. Vi tog 1300 slumpmässigt valda studenter som vi bad nominera sina vänner, och vi följde både de slumpmässigt valda studenterna och deras vänner dagligen för att om de hade fått influensa eller ej. Och vi gjorde detta passivt genom kolla om de hade gått till universitetets hälsocentral eller ej. De fick även [aktivt] e-posta oss några gånger i veckan. Exakt det vi hade förutspått hände. Så den slumpmässigt valda gruppen är den röda linjen. Epidemin i vängruppen är skiftad till vänster, borta här. Och skillnaden mellan de båda är 16 dagar. Genom att följa gruppen av vänner, kunde vi få en 16 dagar tidigare varning av den annalkande epidemin in denna mänskliga population.

Nu, i tillägg till detta, om du var en analytiker som försökte studera en epidemi eller till exempel förutsäga acceptansen av en produkt vad du skulle göra då är att ta ett slumpmässigt urval av populationen, och få dem att nominera deras vänner och följa dessa vänner, och både följa de slumpmässigt valda och deras vänner. Bland vänner, blippen ovanför noll som du såg är det första beviset på acceptans på innovationen, till exempel, skulle vara bevis på en annalkande epidemi. Eller så skulle du se det då kurvorna för första gången började gå åt olika håll, som visas här till vänster. När rörde sig de slumpmässiga... när rörde sig vänner i väg och lämnade de slumpmässiga, och [när började] deras kurva skifta? Och detta, indikerat av den vita linjen. inträffade 46 dagar före epidemins topp. Så detta kunde bli en teknik genom vilken vi kunde få mer än en en och en halv månads förvarning om en influensaepidemi i en specifik population.

Jag bör säga att hur långt i förväg man får en indikation om något beror på en mängd faktorer. Det kan beror på patogenets natur -- olika slags patogener, med denna teknik, skulle ge olika varningar -- eller andra fenomen som sprider sig, eller, helt enkelt, beroende på strukturen av den mänskliga nätverket. I vårt fall, fastän det inte var nödvändigt, kunde vi även i själva verket mappa nätverket av studenter.

Så, det är detta är kartan över 714 studenter. och deras vänskapsband. Och om en minut, kommer jag sätta igång rörelsen i denna karta. Vi kommer ta dagliga ögonblicksbilder av nätverket över 120 dagar. De röda prickarna kommer visa influensafallen, och de gula kommer vara vänner till människor med influensan. Och storleken på prickarna är proportionell mot hur många av deras vänner som influensan. Så större prickar betyder flera av dina vänner har influensan. Och om du tittar på den bild --här är vi nu den 13:e September -- du kommer se några få fall som lyser till. Du kommer få se uppblossande av influensan i mitten. Här är vi på den 19:e oktober. Lutningen på epidemikurvan närmar sig nu, i november. Pang, pang, pang, pang, pang, du kommer se ett massivt uppblossande i mitten, och sen kommer du se en slags avklingning, färre och färre fall mot slutet av december. Och denna typ av visualisering kan visa att epidemier som denna, rotar sig och påverkar centrala individer först, innan de påverkar andra.

Som jag har sagt så är denna metod inte bara är begränsad till bakterier, utan fungerar för allt som sprider sig i populationer. Information sprider sig via populationer. Normer kan sprida sig i populationer. Beteenden kan sprida sig i populationer. Och med beteende menar jag företeelser som kriminella beteenden, eller valbeteenden eller hälsobeteenden, som rökning, eller vaccinationer, eller produktacceptans eller andra typer av beteenden som relaterar till interpersonell påverkan. Om jag är benägen att göra något som påverkar andra runt omkring mig, kan den här tekniken ge en tidig varning eller tidig detektion, angående mottagandet inom en population. Nyckeln här är, för att få det att fungera, måste det finnas interpersonell påverkan. Det kan inte vara på grund av någon slags utsändningsmekanism som påverkar alla likadant.

Samma insikter kan även utnyttjas -- med avseende på nätverk -- kan även utnyttjas på andra slags sätt, till exempel, för att målsöka specifika människor för interventioner. Så, till exempel är nog de flesta av er familjära med uttrycket flockimmunitet. Så om vi har en population med tusen människor, och vi vill göra populationen immun mot en patogen då behöver vi inte immunisera varenda enskild person. Om vi immunisera 960 av dem, så är det som om vi hade immuniserat hundra [procent] av dem. Därför att även om en eller två av de ickeimmuna människorna smittas, så finns det ingen för dem att smitta. De omringas av immuna människor. Så 96 procent är lika bra som 100 procent. Nåväl, andra vetenskapsmän har estimerat vad som skulle hända om man tog ett 30-procentigt slumpmässigt prov av dessa 1000 människor, dvs 300 och immuniserade dem. Skulle man då få någon immunitet på populationsnivå? Och svaret är nej. Men om du tog dessa 30 procent, dessa 300 människor, och de fick nominera sina vänner och tog samma antal vaccinationsdoser och vaccinerade vänner till de 300, de 300 vänner, så skulle du få samma nivå av flockimmunitet. som om du vaccinerade 96 procent av populationen och med en mycket högre effektivitet och med en mycket lägre budget.

Och liknande idéer kan användas, till exempel, för att fokusera distributionen av saker som myggnät för sängar i U-länder. Om vi kunde förstå strukturen hos nätverken i byarna, kunde vi fokusera på till vilka vi skulle ge detta stöd för att främja att dessa saker sprids. Eller, frankt, för att annonsera alla typer av produkter. Om vi kunde förstå hur man inriktar arbetet, kunde detta på påverka effektiviteten på det vi försöker nå till. Och faktum är vi kunde använda data från alla typer av källor som finns i dag [för att göra detta].

Den här kartan visar åtta miljoner telefonanvändare i ett europeiskt land. Varje punkt är en person och varje linje visar volymen av samtal mellan dessa människor. Och vi kan använda sådan data, som är passivt insamlat, för att mappa hela länder och förstå vilka som är lokaliserade var inom nätverket. Utan att verkligen behöva fråga dem överhuvudtaget, kan vi få denna strukturella insikt. Och andra källor av information, som du säkert vet, är tillgängliga att få sådan egenskaper från, från e-post konversation internet-interaktioner social nätverk på internet och så vidare. Och faktum är, vi är i en era av jag skulle kalla "massiv-passiv" data insamling. Det är alla olika vägar vi kan använda för massiv datainsamling för att skapa sensornätverk för att följa populationen, för att förstå vad som händer i en population, och för att ingripa för populationens bästa. Eftersom dessa nya tekniker berättar för oss inte bara vem som pratar med vem, men även var varje människa är, och vad de tänker, baserat på vad de laddar upp på nätet, och vad de köper baserat på deras inköp. Och alla dessa administrativa data kan fogas samman och processas så att vi förstår mänskligt beteende på ett sätt vi inte tidigare kunde.

Så till exempel, vi kunde använda lastbilschaufförers inköp av bränsle. Chaufförerna gör bara sitt jobb och köper bränsle. Och vi ser en hopp uppåt i chaufförernas inköp av bränsle, och vi vet att att lågkonjunkturen är på väg ta slut. Eller så kan vi övervaka hastigheten med vilken människorna rör sig på en motorväg, genom deras mobiler, och telefonbolaget kan se, genom att hastigheten minskar, att det är trafikstockning. Och de kan mata tillbaka denna information till sina kunder, men bara till kunderna på samma motorväg som befinner sig innan trafikstockningen. Eller så kan vi följa läkares utskrivningsmönster, passivt, och se hur produktacceptansen hos läkemedel utvecklar sig [genom nätverk av] läkare. Eller återigen, vi kan följa inköpsbeteenden hos människor, och se hur dessa olika typer av fenomen kan diffundera genom mänskliga populationer.

Och det finns tre olika sätt, tror jag, som dessa massiv-passiva data kan användas på. Ett är helt passivt, som jag tidigare beskrivit -- som i exemplet om lastbilschaufförerna, där vi vi inte ingriper i populationen på något sätt alls. En är kvasi-aktiv, som influensaexemplet jag gav, där vi får några människor att nominera sin vänner och sen passivt följa deras vänner -- har de eller har de inte influensan? .. och få en varning. Eller ett annat exempel skulle kunna vara, om du var ett telefonbolag, och du kunde klura ut vilka som är centrala i ett nätverk, och du kunde fråga dessa människor, " Skulle du kunna SMSa din feber varje dag? Bara messa din kroppstemperatur:" Och genom detta samla in stor mängd info folks kroppstemperatur men från centralt lokaliserade individer. Och därigenom ha möjligen att i stor skala, övervaka en annalkande epidemi men mycket begränsat indata från folk. Eller slutligen, kan det var fullt aktivt -- som jag vet att påföljande talare idag också kommer att prata om -- där folk kanske globalt deltar i wikis, i fotografering, eller följa röstande, eller ladda upp information på så sätt att det tillåter oss att förena information så det går att förstå sociala processer och sociala fenomen.

Faktum är, tillgången på dessa data, tror jag, frammanar en ny typ av era av vad jag skulle vilja kalla "beräkningssocialvetenskap" Det är ungefär som när Galileo uppfann -- eller, inte uppfann-- började använda teleskop och helt plötsligt kunde vi se himmelen på ett nytt sätt, eller när Leeuwenhoek upptäckte mikroskopet -- eller verkligen uppfann det -- och vi kunde se biologin på ett nytt sätt. Men nu har vi tillgång till dessa olika typer av data som tillåter oss förstå sociala processer och sociala fenomen på ett helt annat sätt än vad som tidigare var möjligt, Och med denna vetenskap kan vi förstår exakt hur helheten blir större än summan av dess delar. Och vi kan faktiskt använda dessa insikter för att förbättra samhället och förbättra välmåendet hos människor.

Tack så mycket.