sábado, 9 de febrero de 2013

EL USO DE TWITTER PARA PREDECIR LA INFLUENCIA DEL ESTILO DE VIDA EN LA SALUD

(Phys.org)-Investigadores de la Universidad de Rochester mostraron el año pasado cómo Twitter puede ser utilizado para predecir qué tan probable es que un usuario de Twitter se enferme. Ahora han utilizado Twitter para modelar cómo otros factores - el estatus social, la exposición a la contaminación, la interacción interpersonal y otros - influyen en la salud.
Si usted necesitamos saber, a nivel individual, cuántas personas están enfermas en una población , habría que estudiar la población, lo cual es altamente costoso y llevaría mucho tiempo , dijo Adam Sadilek, investigador pos-tdoctoral en la Universidad de Rochester . " Twitter y la tecnología que hemos desarrollado nos permite hacer esto pasivamente, rápida y económica, podemos escuchar lo que dice la gente y extraer estos datos para hacer predicciones ". Sadilek también explicó que muchos mensajes de twitter son geo-etiquetado, lo que significa que llevan la información GPS que muestra exactamente dónde estaba el usuario cuando él o ella twitteó. Recopilar toda esta información permite a los investigadores trazar, en el espacio y en el tiempo, lo que la gente dice en sus tweets, sino también dónde estaban y cuando estaban allí. Siguiendo a miles de usuarios a medida que Twitter y seguir con su vida, los investigadores pudieron estimar las interacciones entre dos usuarios y entre los usuarios y su entorno. En un documento que se presentará el 8 de febrero en la Conferencia Internacional sobre la búsqueda en Internet y Data Mining en Roma, Italia, Sadilek mostrará cómo sus nuevos modelos de cuentas de muchos de los factores que afectan la salud y cómo puede complementar los estudios tradicionales de vida ciencias . Utilizando twitter recogidos en la ciudad de Nueva York durante un período de un mes, se miraron factores como la frecuencia con la que una persona toma el metro , va al gimnasio o un restaurante en particular proximidad, a una fuente de contaminación y su estatus social en línea. Se miraron a los 70 factores en total. A continuación, analizó si éstas tenían un impacto positivo, negativo o neutral en la salud de los usuarios.

http://youtu.be/w_j0VuJ-J9k

Algunos de sus resultados no son quizás sorprendente, por ejemplo, las fuentes de contaminación parecen tener un efecto negativo sobre la salud. Sin embargo, esta es la primera vez que se ha extraído de este impacto el comportamiento en línea de una población grande en línea. El documento también revela un patrón más amplio, donde prácticamente cualquier actividad que involucre el contacto humano lleva a un aumento significativo de los riesgos de salud. Por ejemplo, incluso las personas que acuden regularmente al gimnasio se enferman ligeramente más a menudo que las personas menos activas. Sin embargo, las personas que sólo hablan de ir al gimnasio, pero en realidad nunca salen (verificado en base a sus GPS), se enferman con mayor frecuencia. Esto demuestra que hay interesantes factores de confusión que ahora pueden ser estudiadas a escala.

La tecnología que Sadilek y su colega, el profesor Henry Kautz han desarrollado ha llevado a una aplicación web llamada GermTracker. La aplicación de los códigos de color de los usuarios (de rojo a verde) en función de su salud por información minera de sus tweets por 10 ciudades de todo el mundo. Utilizando los datos del GPS codificados en los tweets de la aplicación se puede colocar a la gente en un mapa, que permite a cualquier persona que utilice la aplicación para ver su distribución. "Esta aplicación puede ser utilizada por las personas para tomar decisiones personales sobre su salud. Por ejemplo, es posible que desee evitar una estación de metro si está lleno de gente enferma", sugirió Sadilek. "También podría ser usado en conjunción con otros métodos por parte de gobiernos o autoridades locales para tratar de entender los estallidos de la gripe". Ahora es la temporada de gripe y que el número de personas con la gripe a través de los Estados Unidos aumenta, también lo hacen el número de seguimiento GermTracker personas. En algunos días de enero 10.000 personas visitaron el fount.in sitio web donde se aloja la aplicación. El modelo que Sadilek y sus colegas desarrollaron se basa en el aprendizaje de la máquina. En el centro de su trabajo es la forma en que está entrenando a un algoritmo para distinguir entre mensajes de twitter que sugieren la tweeting persona está enferma y los que no lo hacen. "Es como enseñar a un bebé de un nuevo idioma", dijo Sadilek. Explicó que se generó por primera vez un entrenamiento conjunto de datos, 5.000 tweets que habían sido clasificados de forma manual y de la que el algoritmo puede empezar a distinguir lo que las palabras y las frases se asocia con alguien que está enfermo. Y añadió: "Necesitamos que el algoritmo de entender que alguien que los tweets 'Estoy enfermo y haber estado en la cama todo el día "deben caracterizarse como enfermo, pero" estoy harto de conducir alrededor en este tráfico "no debe ser . " La aplicación también se mejora el algoritmo. Cada vez que alguien entra en la aplicación y hace clic en uno de los puntos de colores que representan a los usuarios de Twitter, que pueden ver el tweet específico que llevó a alguien para ser clasificada de manera específica. La aplicación le pide evaluar el tweet ti mismo y decir si está de acuerdo con la clasificación o no. Esto se retroalimenta en el algoritmo, que sigue aprendiendo de sus errores. Los autores han comenzado recientemente a dos colaboraciones con investigadores de la Universidad de Rochester Medical Center. "En un esfuerzo, estamos planeando vincular Twitter predicciones de los estudios clínicos de influenza", dijo el co-autor Kautz, presidente del departamento de informática de la Universidad de la ciencia. "En otro esfuerzo, estamos trabajando con la facultad del Departamento de Psiquiatría y de la Escuela de Enfermería en la ampliación de estas técnicas para controlar y medir los factores que afectan la depresión y otros trastornos psicológicos."

Texto Original: Provided byUniversity of Rochester



.


No hay comentarios:

Publicar un comentario