Como os dados de pesquisa do Google podem prever surtos de COVID-19
- Uma nova pesquisa descobriu que as pesquisas online podem prever com precisão aumentos e diminuições regionais em casos COVID-19.
- Certos tipos de pesquisa revelam as atividades nas quais as pessoas planejam se envolver.
- O volume de pesquisa para atividades fora de casa vs. atividades ficar em casa prevê o número de diagnósticos COVID-19 10 a 14 dias depois.
Embora alguns dos comportamentos que levam às infecções por SARS-CoV-2 sejam claros, novas ondas de casos de COVID-19 nem sempre seguem os padrões previstos.
Agora, no entanto, um estudo de pesquisadores do Courant Institute of Mathematical Sciences da New York University descreve um possível meio de detectar surtos de infecção antes que aconteçam por meio da análise de pesquisas online.
Os pesquisadores descobriram uma correlação entre um aumento nas pesquisas relacionadas a atividades fora de casa - atividades que poderiam colocar as pessoas em risco de infecção por SARS-CoV-2 - e um aumento nos casos de COVID-19 10-14 dias depois. As infecções diminuíram quando houve um aumento nas buscas relacionadas às atividades de permanência em casa.
O autor do estudo, Anasse Bari, professor assistente clínico no Courant Institute, observa que os especialistas já usaram com sucesso a mineração de dados "em finanças para gerar investimentos baseados em dados, como estudar imagens de satélite de carros em estacionamentos para prever os lucros das empresas".
“Nossa pesquisa mostra que as mesmas técnicas podem ser aplicadas para combater uma pandemia detectando, com antecedência, onde os surtos são mais prováveis de ocorrer”, diz a autora sênior Megan Coffee da Divisão de Doenças Infecciosas e Imunologia da Universidade de Nova York (NYU) Grossman School of Medicine.
Identificar com maior precisão os comportamentos que produzem picos de infecção pode ajudar epidemiologistas e formuladores de políticas a moldar com mais eficácia as políticas públicas relacionadas a fechamentos, bloqueios e assim por diante.
O sistema que o artigo de estudo descreve evita problemas de privacidade, envolvendo apenas grandes grupos de dados anônimos.
O estudo aparece na revista Social Network Analysis and Mining .
O primeiro passo dos pesquisadores foi desenvolver categorias com base em frases de pesquisa ou palavras-chave que eles pudessem rastrear.
As duas categorias principais que eles rastrearam foram chamadas de índice de mobilidade e índice de isolamento.
A equipe atribuiu certas pesquisas ao rastreamento do índice de mobilidade, incluindo “cinemas perto de mim”, “passagens aéreas” e outras consultas sobre atividades que envolvem sair de casa e estar em proximidade física com outras pessoas.
Como diz Bari: “Quando alguém pesquisa o horário de fechamento de um bar local ou procura a direção de uma academia local, eles dão algumas dicas sobre os riscos futuros que podem ter.”
Para a faixa de índice de isolamento, os pesquisadores coletaram consultas de pesquisa - como “ioga em casa” ou “entrega de comida” - que indicavam a intenção de permanecer em casa e isolado.
Os pesquisadores basearam sua categorização de palavras-chave na pesquisa do Fundo para a Democracia + UCLA Nationscape - um estudo no qual os entrevistados listaram o que fariam se “as restrições fossem suspensas por recomendação de autoridades de saúde pública em relação às atividades”.
A pesquisa descobriu que as três principais atividades que as pessoas perderam foram "ir a um estádio / show", "ir ao cinema" e "participar de um evento esportivo".
De acordo com Bari, “Este é um primeiro passo para a construção de uma ferramenta que pode ajudar a prever surtos de casos COVID-19, capturando atividades de maior risco e mobilidade pretendida, o que pode iluminar pesquisas por academias e refeições em pessoa”.
Os pesquisadores coletaram dados de pesquisa de março a junho de 2020 em todos os 50 estados dos Estados Unidos. Eles usaram o Google Trends para rastrear tendências nos dados, permitindo-lhes desenvolver os índices de mobilidade e isolamento.
Os pesquisadores também criaram um “Índice de movimento líquido” para indicar a relação entre os dois índices. Um movimento de rede mais alto indicou uma mudança em direção às consultas de pesquisa de mobilidade e longe de pesquisas de isolamento.
Os autores escrevem: “Teoricamente, esperamos que um declínio repentino no movimento da rede (ou seja, mais pessoas ficando em casa) corresponderia a uma redução no spread do COVID-19, com uma defasagem equivalente ao período de incubação do COVID-19.”
Em 42 dos 50 estados, cada aumento no movimento líquido previu com precisão um aumento nas infecções por COVID-19 10–14 dias depois.
Ajudando os formuladores de políticas
Os autores do estudo exploraram a relação entre o índice de mobilidade e as taxas de infecção após a remoção das ordens de permanência em casa em cinco estados: Arizona, Califórnia, Flórida, Nova York e Texas.
Após a implementação de cada bloqueio, o índice de mobilidade diminuiu significativamente, espelhado de perto por uma redução nas infecções. No entanto, a flexibilização dos pedidos de permanência em casa no Arizona, Califórnia, Flórida e Texas precedeu um aumento acentuado nas pesquisas por tipo de mobilidade, seguido logo por um aumento no número de infecções relatadas em junho de 2020.
Outro autor do estudo, estudante de graduação da NYU Aashish Khubchandani, concluiu:
“Com este trabalho, esperamos construir uma base de conhecimento sobre a mudança do comportamento humano a partir de dados alternativos durante o ciclo de vida da pandemia, a fim de permitir que o aprendizado de máquina preveja o comportamento em futuras epidemias.”