Infection hot spot mining from social media trajectories

Abstract

Tradicionalmente, na vigilância sanitária, as zonas de alto risco são identificadas apenas com base no endereço de residência ou local de trabalho do doente indivíduos. Isto fornece pouca informação sobre os locais onde as pessoas estão infectadas, a informação verdadeiramente importante para o controlo da doença. O disponibilidade recente de dados espaciais gerados por mídias sociais georreferenciadas postagens oferecem uma oportunidade única: identificar e acompanhar doenças indivíduos, obtemos uma coleção de eventos sequenciais geo-localizados, cada um sequência sendo emitida por um usuário de mídia social. A sequência de posições do mapa fornece implicitamente uma estimativa das trajetórias sociais dos usuários conforme eles flutuam no mapa. As técnicas existentes de mineração de dados para detecção de cluster não aborda essa nova configuração, pois exige um único localização para cada indivíduo em análise. Neste artigo apresentamos dois modelos estocásticos com seus algoritmos associados para explorar este novo tipo de dados. O Modelo de Visita encontra as zonas mais prováveis ​​que uma pessoa doente visita, enquanto o Modelo de Infecção encontra as zonas mais prováveis ​​onde uma pessoa doente pessoa é infectada durante uma visita. Demonstramos a aplicabilidade e eficácia dos nossos modelos propostos, aplicando-os a mais de 100 milhões de tweets com geo-tags do Brasil em 2015. Em particular, visamos o identificação de focos de infecção associados à dengue, doença transmitida por mosquitos que afeta milhões de pessoas no Brasil anualmente, e bilhões em todo o mundo. Aplicamos nossos algoritmos a dados de 11 grandes cidades do Brasil e encontraram focos de infecção, mostrando a utilidade do nossos métodos de vigilância de doenças.