MEDISCHE scientists from University of Pennsylvania have found that medical conditions could be predicted from contents of social media posts
Social media is now an integral part of our lives. In 2019, at least 2.7 billion onze medewerkers regularly use online social media platforms like Facebook, Twitter and Instagram. This means that more than a billion individuals share information on a daily basis about their lives on these public platforms. People freely share their thoughts, likes and dislikes, sentiments and personalities. Scientists are exploring whether this information, generated outside the klinisch healthcare system, could reveal possible disease predictors in daily lives of patiënten die anders verborgen zouden blijven voor zorgpersoneel en onderzoekers. Eerdere onderzoeken hebben aangetoond hoe Twitter het sterftecijfer aan hart- en vaatziekten kan voorspellen of het publieke sentiment over medische zaken zoals verzekeringen kan volgen. Informatie op sociale media is tot nu toe echter niet gebruikt voor het voorspellen van medische aandoeningen op individueel niveau.
Een nieuwe studie gepubliceerd op 17 juni in PLoS ONE heeft voor het eerst de koppeling van elektronische medische dossiers van patiënten (die hun toestemming hebben gegeven) aan hun sociale-mediaprofielen getoond. Onderzoekers wilden onderzoeken - ten eerste of medische aandoeningen van een persoon kunnen worden voorspeld op basis van de taal die op de sociale media-account(s) van de gebruiker is gepost en ten tweede of specifieke ziektemarkers kunnen worden geïdentificeerd.
Onderzoekers gebruikten een geautomatiseerde gegevensverzamelingstechniek om de volledige Facebook-geschiedenis van 999 patiënten te analyseren. Dit betekende het analyseren van een gigantische 20 miljoen woorden in ongeveer 949,000 Facebook-statusupdates met berichten die minstens 500 woorden bevatten. Onderzoekers ontwikkelden drie modellen om voorspellingen te doen voor elke patiënt. Het eerste model analyseerde de taal van Facebook-berichten door trefwoorden te identificeren. Het tweede model analyseerde de demografische gegevens van de patiënt, zoals hun leeftijd en geslacht. Het derde model combineerde deze twee datasets. In totaal werden 21 medische aandoeningen onderzocht, waaronder diabetes, angst, depressie, hoge bloeddruk, alcoholmisbruik, zwaarlijvigheid, psychosen.
Analyse toonde aan dat alle 21 medische aandoeningen voorspelbaar waren op basis van alleen Facebook-berichten. En 10 voorwaarden werden beter voorspeld door Facebook-berichten dan zelfs demografische gegevens. De prominente trefwoorden waren bijvoorbeeld 'drank', 'dronken' en 'fles', die voorspellend waren voor alcoholmisbruik en woorden als 'God' of 'bidden' of 'familie' werden 15 keer vaker gebruikt door mensen met diabetes. Woorden als 'dom' dienden als indicatoren voor drugsmisbruik en psychose en woorden als 'pijn', 'huilen' en 'tranen' werden gelinkt aan emotionele nood. Facebook-taal die door individuen werd gebruikt, was zeer effectief bij het doen van voorspellingen, vooral over diabetes en mentale volksgezondheid aandoeningen zoals angst, depressie en psychose.
De huidige studie suggereert dat er een opt-in-systeem voor patiënten zou kunnen worden ontwikkeld waarbij patiënten hun posts op sociale media konden analyseren door clinici toegang te geven tot deze informatie. Deze aanpak kan het meest waardevol zijn voor mensen die regelmatig sociale media gebruiken. Aangezien sociale media de gedachten, persoonlijkheid, mentale toestand en gezondheidsgedrag van mensen weerspiegelen, kunnen deze gegevens worden gebruikt om het begin of de verergering van een ziekte te voorspellen. Op het gebied van sociale media zullen privacy, geïnformeerde toestemming en gegevenseigendom cruciaal zijn. Het condenseren en samenvatten van sociale media-inhoud en het maken van interpretaties is het primaire doel.
The current study can lead way to develop new kunstmatige intelligentie applications for predicting medical conditions. Social media data is quantifiable and provides new avenues to assess behavioural and environmental risk factors of a disease. Social media data of an individual is being referred to as ‘social mediome’ (similar to genome – complete set of genes).
***
{U kunt de originele onderzoekspaper lezen door op de DOI-link hieronder in de lijst met geciteerde bron(nen) te klikken}
Bron (nen)
Handelaar RM et al. 2019. Evaluatie van de voorspelbaarheid van medische aandoeningen uit posts op sociale media. PLOS EEN. 14 (6). https://doi.org/10.1371/journal.pone.0215476
