Home > News and Events > Research News > Research press releases in Spanish > Los datos de Twitter son utilizados para analizar las tendencias sociales a favor y en contra de la vacuna

Los datos de Twitter son utilizados para analizar las tendencias sociales a favor y en contra de la vacuna

Main Content

13 October 2011
Doctor marking patient's arm in advance of administering a vaccine. Credit: NIH

Marcel Salathé en Penn State University usa datos de Twitter para rastrear las tasas de vacunación y las actitudes de los pacientes. Crédito: U. S. National Institutes of Health.

Un análisis único e innovador de cómo los medios sociales pueden afectar a la propagación de una enfermedad ha sido diseñado e implementado por un científico de Penn State para estudiar las actitudes hacia la vacuna contra el H1N1. Marcel Salathé, un profesor asistente de biología, estudió cómo los usuarios de Twitter -- un servicio popular de redes sociales basadas en microblogging -- expresaron sus sentimientos acerca de una nueva vacuna. A continuación, registraron cómo las actitudes de los usuarios se relacionaban con los índices de vacunación y la forma en que microbloggers con los mismos sentimientos negativos o positivos parecían influir a otros en sus círculos sociales. La investigación se considera el primer estudio de caso de cómo los medios sociales afectan y reflejan las redes de una enfermedad, y este método se espera que se repita en el estudio de otras enfermedades. Los resultados fueron publicados en la revista PLoS Computational Biology.

Salathé explicó que eligió Twitter por dos razones. En primer lugar, a diferencia de los contenidos de Facebook, mensajes de Twitter, conocidos como "tweets," son considerados datos públicos y cualquier persona puede "seguir" los tweets de los demás. "La gente publica estos tweets porque quieren que otros miembros del público escuchen lo que tienen que decir," dijo Salathé. En segundo lugar, Twitter es la base de datos perfecta para aprender sobre los sentimientos de la gente. "Tweets son muy cortos -- un máximo de 140 carácteres," explicó Salathé. "Así que los usuarios tienen que expresar sus opiniones y creencias acerca de un tema de forma concisa." Salathé comenzó por acumular 477.768 tweets con relación a palabras claves y frases de vacunación. A continuación, buscó tweets que expresaban sentimientos de los usuarios sobre una nueva vacuna contra el H1N1 -- el virus responsable de la gripe porcina. El proceso de recolección se inició en agosto de 2009, cuando la noticia de la nueva vacuna primero se hizo pública, y continuó hasta enero de 2010.
Salathé explicó que la clasificación a través de la enorme cantidad de tweets relacionados con la vacunación no era un asunto simple. En primer lugar, repartió un subconjunto aleatorio de un 10 por ciento y pidió a los estudiantes de Penn State para calificar como positivo, negativo, neutro o irrelevante. Por ejemplo, un tweet expresando el deseo de recibir la vacuna contra la gripe H1N1 se considera positiva, mientras que un tweet expresando la creencia de que la vacuna causa daño se considera negativa. Un tweet acerca de una vacuna diferente, por ejemplo, la vacuna contra la hepatitis B, se considera irrelevante. Entonces, Shashank Khandelwal, un programador de computadoras de Penn State y co-autor del estudio, utilizó calificaciones de los alumnos para diseñar un algoritmo informático responsable de catalogar el restante 90 por ciento de los tweets de acuerdo con los sentimientos que expresaban. "Los tweets con calificación por alumnus sirvieron como un ‘conjunto de aprendizaje’ para ‘enseñar’ a la computadora cómo clasificar los tweets con precision," explicó Salathé. Después que los tweets fueron analizados por el algoritmo de la computadora, la cuenta final, después de que los irrelevantes fueran eliminados, se manifestó en 318.379 tweets.

Debido a que los usuarios de Twitter incluyen a menudo un lugar en sus perfiles, Salathé fue capaz de clasificar los sentimientos expresados por región de los EE.UU. Además, Salathé usó datos de los Centros para el Control y Prevención de Enfermedades (CDC). Salathé fue capaz de determinar cómo las actitudes de vacunación correlaciona con las tasas de vacunación CDC-estimada. Con estos datos, Salathé encontró patrones definidos. Por ejemplo, los usuarios de Nueva Inglaterra tuvieron el más alto sentimiento positivo y esta región también tuvo la tasa más alta de vacunación contra la gripe H1N1. "Estos resultados podrían ser utilizados de manera estratégica para desarrollar iniciativas de salud pública", explicó Salathé. “Por ejemplo, las campañas seleccionadas pueden ser diseñadas de acuerdo con que la región necesita más educación para la prevención. Estos datos también podrían ser utilizados para predecir cuántas dosis de una vacuna se requieren en un área en particular."

Además, Salathé fue capaz de construir una intrincada red social para determinar quienes han seguido los tweets de otros, es decir, fue capaz de determinar los grupos de usuarios afines de Twitter. "La suposición es que la gente tiende a comunicarse en línea, casi exclusivamente con personas que piensan de la misma manera. Este fenómeno crea ‘cámaras de eco’ en las cuales las opiniones disidentes no son escuchadas," dijo Salathé. Al final resultó que, esa suposición era correcta. Salathé encontró que los usuarios, ya sea con sentimientos positivos o negativos acerca de la vacuna contra el H1N1 siguieron personas de ideas afines. "El mensaje de salud pública es obvio," dijo Salathé. "Si las comunidades contra la vacunación viven en un conjunto en el espacio real geográfico, es probable que tengan un alto riesgo de brotes locales." Explicó que, cuando los individuos no vacunados se agrupan, la inmunidad de grupo -- una inmunidad de la población de nivel que se produce cuando una masa crítica ha sido vacunada -- ya no ofrece mucha protección contra la enfermedad. "Por definición, la inmunidad de grupo sólo funciona si las personas no vacunadas se distribuyen escasamente en toda la población," dijo Salathe. "Lamentablemente, los datos de Twitter parecen indicar que el buffer de protección no se puede contar si estos grupos existen en el espacio real, geográfico."

Además de los patrones relacionados con la localización y de la red, Salathé era capaz de rastrear los patrones de sentimiento con el tiempo. Por ejemplo, se encontró que las expresiones negativas se incrementaron durante el período de tiempo cuando la vacuna fue anunciada por primera vez. Más tarde, sentimientos más positivos surgieron cuando la vacuna fue enviada primero a través de los Estados Unidos.

Salathé planea utilizar su único análisis de los medios sociales para estudiar otras enfermedades, como la obesidad, la hipertensión y las enfermedades del corazón. "La obesidad no es infecciosa como la gripe. Sin embargo, los modos de vida pueden ser 'contraidas' en la misma forma que los agentes patógenos. La diferencia es que el agente infeccioso es una idea y no una entidad biológica," dijo Salathé.

Salathé añadió que, en el mundo industrializado, las generaciones futuras van a preocuparse menos por las enfermedades infecciosas y más acerca de enfermedades relacionadas con el estilo de vida y comportamiento. "En el pasado, la gente moría de enfermedades infecciosas relativamente temprano en su ciclo de vida," explicó Salathé. "Ahora que la enfermedad del corazón -- una enfermedad causada, al menos en parte, por el estilo de vida -- se mueve hacia la parte superior de la lista de asesinos, podría ser conveniente centrarse en cómo los medios de comunicación social influyen en los comportamientos como la mala alimentación y la falta de ejercicio, " dijo Salathé.

La investigación fue financiada por la Sociedad de Ciencia-Branco Weiss Community.


[ Katrina Voss ]
Traducción: José Quijano

Document Actions

Share this page: |