മെഡിക്കൽ സോഷ്യൽ മീഡിയ പോസ്റ്റുകളുടെ ഉള്ളടക്കത്തിൽ നിന്ന് ആരോഗ്യസ്ഥിതി പ്രവചിക്കാമെന്ന് പെൻസിൽവാനിയ സർവകലാശാലയിലെ ശാസ്ത്രജ്ഞർ കണ്ടെത്തി.
സോഷ്യൽ മീഡിയ ഇപ്പോൾ നമ്മുടെ ജീവിതത്തിൻ്റെ അവിഭാജ്യ ഘടകമാണ്. 2019 ൽ, കുറഞ്ഞത് 2.7 ബില്യൺ ജനം ഫേസ്ബുക്ക്, ട്വിറ്റർ, ഇൻസ്റ്റാഗ്രാം തുടങ്ങിയ ഓൺലൈൻ സോഷ്യൽ മീഡിയ പ്ലാറ്റ്‌ഫോമുകൾ പതിവായി ഉപയോഗിക്കുക. ഇതിനർത്ഥം ഒരു ബില്യണിലധികം വ്യക്തികൾ ഈ പൊതു പ്ലാറ്റ്‌ഫോമുകളിൽ അവരുടെ ജീവിതത്തെക്കുറിച്ചുള്ള വിവരങ്ങൾ പ്രതിദിനം പങ്കിടുന്നു എന്നാണ്. ആളുകൾ അവരുടെ ചിന്തകളും ഇഷ്ടങ്ങളും അനിഷ്ടങ്ങളും വികാരങ്ങളും വ്യക്തിത്വങ്ങളും സ്വതന്ത്രമായി പങ്കിടുന്നു. ഈ വിവരങ്ങൾ പുറത്തുനിന്നുള്ളതാണോ എന്ന് ശാസ്ത്രജ്ഞർ അന്വേഷിക്കുന്നു ക്ലിനിക്കൽ ആരോഗ്യസംരക്ഷണ സംവിധാനം, ദൈനംദിന ജീവിതത്തിൽ സാധ്യമായ രോഗ പ്രവചനങ്ങളെ വെളിപ്പെടുത്തും രോഗികൾക്ക് അല്ലാത്തപക്ഷം അത് ആരോഗ്യപ്രവർത്തകർക്കും ഗവേഷകർക്കും മറഞ്ഞിരിക്കാം. ഹൃദ്രോഗ മരണനിരക്ക് എങ്ങനെ പ്രവചിക്കാനോ ഇൻഷുറൻസ് പോലുള്ള മെഡിക്കൽ സംബന്ധമായ വിഷയങ്ങളിൽ പൊതുജനവികാരം നിരീക്ഷിക്കാനോ ട്വിറ്ററിന് എങ്ങനെ കഴിയുമെന്ന് നേരത്തെയുള്ള പഠനങ്ങൾ തെളിയിച്ചിട്ടുണ്ട്. എന്നിരുന്നാലും, വ്യക്തിഗത തലത്തിൽ ആരോഗ്യസ്ഥിതി പ്രവചിക്കാൻ സോഷ്യൽ മീഡിയ വിവരങ്ങൾ ഇതുവരെ ഉപയോഗിച്ചിട്ടില്ല.
ജൂൺ 17-ന് പ്രസിദ്ധീകരിച്ച ഒരു പുതിയ പഠനം PLOS ONE രോഗികളുടെ (അവരുടെ സമ്മതം നൽകിയ) ഇലക്ട്രോണിക് മെഡിക്കൽ റെക്കോർഡുകൾ അവരുടെ സോഷ്യൽ മീഡിയ പ്രൊഫൈലുകളുമായി ബന്ധിപ്പിക്കുന്നത് ആദ്യമായി കാണിച്ചു. ഗവേഷകർ അന്വേഷിക്കാൻ ലക്ഷ്യമിടുന്നു - ഒന്നാമതായി, ഉപയോക്താവിന്റെ സോഷ്യൽ മീഡിയ അക്കൗണ്ടിൽ(കളിൽ) പോസ്‌റ്റ് ചെയ്‌തിരിക്കുന്ന ഭാഷയിൽ നിന്ന് ഒരു വ്യക്തിയുടെ ആരോഗ്യസ്ഥിതി പ്രവചിക്കാൻ കഴിയുമോ, രണ്ടാമതായി, നിർദ്ദിഷ്ട രോഗ മാർക്കറുകൾ തിരിച്ചറിയാൻ കഴിയുമോ.
999 രോഗികളുടെ ഫേസ്ബുക്ക് ചരിത്രം മുഴുവൻ വിശകലനം ചെയ്യാൻ ഗവേഷകർ ഒരു ഓട്ടോമേറ്റഡ് ഡാറ്റ കളക്ഷൻ ടെക്നിക് ഉപയോഗിച്ചു. ഏകദേശം 20 Facebook സ്റ്റാറ്റസ് അപ്‌ഡേറ്റുകളിൽ കുറഞ്ഞത് 949,000 വാക്കുകളെങ്കിലും അടങ്ങിയ പോസ്റ്റുകൾ ഉപയോഗിച്ച് 500 ദശലക്ഷം വാക്കുകൾ വിശകലനം ചെയ്യുക എന്നതാണ് ഇതിനർത്ഥം. ഓരോ രോഗിക്കും പ്രവചനങ്ങൾ നടത്താൻ ഗവേഷകർ മൂന്ന് മോഡലുകൾ വികസിപ്പിച്ചെടുത്തു. കീവേഡുകൾ തിരിച്ചറിയുന്നതിലൂടെ ആദ്യ മോഡൽ ഫേസ്ബുക്ക് പോസ്റ്റുകളുടെ ഭാഷ വിശകലനം ചെയ്തു. രണ്ടാമത്തെ മോഡൽ രോഗിയുടെ പ്രായം, ലിംഗഭേദം തുടങ്ങിയ ജനസംഖ്യാ വിവരങ്ങൾ വിശകലനം ചെയ്തു. മൂന്നാമത്തെ മോഡൽ ഈ രണ്ട് ഡാറ്റാസെറ്റുകളും സംയോജിപ്പിച്ചു. പ്രമേഹം, ഉത്കണ്ഠ, വിഷാദം, രക്തസമ്മർദ്ദം, മദ്യപാനം, പൊണ്ണത്തടി, മാനസികരോഗങ്ങൾ എന്നിവ ഉൾപ്പെടെ മൊത്തം 21 മെഡിക്കൽ അവസ്ഥകൾ പരിശോധിച്ചു.
21 മെഡിക്കൽ അവസ്ഥകളും ഫേസ്ബുക്ക് പോസ്റ്റുകളിൽ നിന്ന് പ്രവചിക്കാവുന്നതാണെന്ന് വിശകലനം തെളിയിച്ചു. കൂടാതെ, ജനസംഖ്യാശാസ്ത്രത്തേക്കാൾ 10 അവസ്ഥകൾ ഫേസ്ബുക്ക് പോസ്റ്റുകൾ നന്നായി പ്രവചിച്ചു. ഉദാഹരണത്തിന്, മദ്യത്തിന്റെ ദുരുപയോഗം പ്രവചിക്കുന്ന 'ഡ്രിങ്ക്', 'ലഹരി', 'കുപ്പി' എന്നിവയായിരുന്നു പ്രമുഖ കീവേഡുകൾ, കൂടാതെ 'ദൈവം' അല്ലെങ്കിൽ 'പ്രാർത്ഥിക്കുക' അല്ലെങ്കിൽ 'കുടുംബം' തുടങ്ങിയ വാക്കുകൾ പ്രമേഹമുള്ളവർ 15 മടങ്ങ് കൂടുതലായി ഉപയോഗിക്കുന്നു. 'മൂക' പോലുള്ള വാക്കുകൾ മയക്കുമരുന്ന് ദുരുപയോഗത്തിന്റെയും മനോവിഭ്രാന്തിയുടെയും സൂചകങ്ങളായി വർത്തിക്കുകയും 'വേദന', 'കരയുക', 'കണ്ണീർ' തുടങ്ങിയ വാക്കുകൾ വൈകാരിക ക്ലേശവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. വ്യക്തികൾ ഉപയോഗിക്കുന്ന ഫേസ്ബുക്ക് ഭാഷ പ്രവചനങ്ങൾ നടത്തുന്നതിൽ വളരെ ഫലപ്രദമായിരുന്നു - പ്രത്യേകിച്ച് പ്രമേഹത്തെക്കുറിച്ചും മാനസികാവസ്ഥയെക്കുറിച്ചും ആരോഗ്യം ഉത്കണ്ഠ, വിഷാദം, സൈക്കോസിസ് എന്നിവയുൾപ്പെടെയുള്ള അവസ്ഥകൾ.
നിലവിലെ പഠനം സൂചിപ്പിക്കുന്നത്, രോഗികൾക്കായി ഒരു ഓപ്റ്റ്-ഇൻ സംവിധാനം വികസിപ്പിച്ചെടുക്കാൻ കഴിയും, അവിടെ രോഗികൾ അവരുടെ സോഷ്യൽ മീഡിയ പോസ്റ്റുകൾ വിശകലനം ചെയ്യാൻ ഡോക്ടർമാർക്ക് ഈ വിവരങ്ങളിലേക്ക് ആക്സസ് നൽകിക്കൊണ്ട് അനുവദിക്കുന്നു. സോഷ്യൽ മീഡിയ പതിവായി ഉപയോഗിക്കുന്ന ആളുകൾക്ക് ഈ സമീപനം ഏറ്റവും മൂല്യവത്തായേക്കാം. സോഷ്യൽ മീഡിയ ആളുകളുടെ ചിന്തകൾ, വ്യക്തിത്വം, മാനസികാവസ്ഥ, ആരോഗ്യ സ്വഭാവം എന്നിവയെ പ്രതിഫലിപ്പിക്കുന്നതിനാൽ, ഒരു രോഗത്തിന്റെ തുടക്കമോ വഷളാകുന്നതോ പ്രവചിക്കാൻ ഈ ഡാറ്റ ഉപയോഗിക്കാം. സോഷ്യൽ മീഡിയയെ സംബന്ധിച്ചിടത്തോളം, സ്വകാര്യത, വിവരമുള്ള സമ്മതം, ഡാറ്റ ഉടമസ്ഥത എന്നിവ നിർണായകമാകും. സോഷ്യൽ മീഡിയ ഉള്ളടക്കം സംഗ്രഹിക്കുകയും സംഗ്രഹിക്കുകയും വ്യാഖ്യാനിക്കുകയും ചെയ്യുക എന്നതാണ് പ്രാഥമിക ലക്ഷ്യം.
നിലവിലെ പഠനം പുതിയ വികസനത്തിന് വഴിയൊരുക്കും നിർമ്മിത ബുദ്ധി മെഡിക്കൽ അവസ്ഥകൾ പ്രവചിക്കുന്നതിനുള്ള അപേക്ഷകൾ. സോഷ്യൽ മീഡിയ ഡാറ്റ കണക്കാക്കാവുന്നതും ഒരു രോഗത്തിൻ്റെ പെരുമാറ്റപരവും പാരിസ്ഥിതികവുമായ അപകട ഘടകങ്ങളെ വിലയിരുത്തുന്നതിന് പുതിയ വഴികൾ നൽകുന്നു. ഒരു വ്യക്തിയുടെ സോഷ്യൽ മീഡിയ ഡാറ്റയെ 'സോഷ്യൽ മീഡിയം' എന്ന് വിളിക്കുന്നു (ജീനോമിന് സമാനമായത് - പൂർണ്ണമായ ജീനുകൾ).
***
{ഉദ്ധരിച്ച ഉറവിടങ്ങളുടെ(കളുടെ) ലിസ്റ്റിൽ താഴെ നൽകിയിരിക്കുന്ന DOI ലിങ്കിൽ ക്ലിക്ക് ചെയ്ത് നിങ്ങൾക്ക് യഥാർത്ഥ ഗവേഷണ പ്രബന്ധം വായിക്കാവുന്നതാണ്}
ഉറവിടം (ങ്ങൾ)
വ്യാപാരി RM et al. 2019. സോഷ്യൽ മീഡിയ പോസ്റ്റുകളിൽ നിന്ന് മെഡിക്കൽ അവസ്ഥകളുടെ പ്രവചനക്ഷമത വിലയിരുത്തുന്നു. പ്ലസ് വൺ. 14 (6). https://doi.org/10.1371/journal.pone.0215476
