Το νέο εργαλείο ανίχνευσης τροφιμογενών ασθενειών βασισμένο στα μέσα κοινωνικής δικτύωσης.
Παραδοσιακά, η επιτήρηση τροφιμογενών ασθενειών βασίζεται σε δεδομένα από διάφορες πηγές, όπως εγκαταστάσεις υγειονομικής περίθαλψης, εργαστήρια και κρατικές υπηρεσίες. Στη χώρα μας για παράδειγμα, ο ΕΟΔΥ και ο ΕΦΕΤ, αναφέρουν περιπτώσεις τροφικών δηλητηριάσεων και παρέχουν πληροφορίες, συμπτώματα, ημερομηνία έναρξης, ιστορικό έκθεσης κτλ. Πρόσφατα, με την έλευση των μέσων κοινωνικής δικτύωσης και την ευρεία χρήση των διαδικτυακών πλατφορμών, υπάρχει μια αυξανόμενη αναγνώριση της πιθανής αξίας της ενσωμάτωσης δεδομένων μέσων κοινωνικής δικτύωσης σε συστήματα επιτήρησης τροφιμογενών ασθενειών.
Οι πλατφόρμες μέσων κοινωνικής δικτύωσης, όπως το Twitter, το Facebook και το Instagram, έχουν γίνει δημοφιλή κανάλια για τους χρήστες που κοινοποιούν σκέψεις, εμπειρίες και καθημερινές δραστηριότητες. Αυτές οι πλατφόρμες έχουν γίνει και χώροι όπου οι χρήστες εκφράζουν τις ανησυχίες τους και αναζητούν πληροφορίες σχετικά με την υγεία και συζητούν εμπειρίες με ασθένειες και εστίες. Ως αποτέλεσμα, τα δεδομένα των μέσων κοινωνικής δικτύωσης προσφέρουν μία μοναδική ευκαιρία να αξιοποιηθεί η συλλογική σοφία και τα συναισθήματα του κοινού, παρέχοντας πολύτιμες γνώσεις για τις τάσεις, τις συμπεριφορές και τις αντιλήψεις της δημόσιας υγείας.
Ωστόσο, η ανάλυση των δεδομένων των μέσων κοινωνικής δικτύωσης θέτει σημαντικές προκλήσεις λόγω του “εγγενούς θορύβου”, της ασάφειας και της μη δομημένης φύσης τους. Τα δεδομένα που δημιουργούνται σε αυτές τις πλατφόρμες συχνά περιέχουν άτυπη γλώσσα, συντομογραφίες, αργκό, ορθογραφικά λάθη, γραμματικά λάθη και εκφράσεις γεμάτες συναίσθημα. Αυτή η «θορυβώδης» φύση των δεδομένων μέσων κοινωνικής δικτύωσης καθιστά δύσκολη την εξαγωγή ουσιαστικών γνώσεων και την απόκτηση ακριβούς κατανόησης από τον τεράστιο όγκο των διαθέσιμων πληροφοριών.
Η ανάλυση των μη δομημένων δεδομένων μέσων κοινωνικής δικτύωσης απαιτεί την εφαρμογή προηγμένης φυσικής γλώσσας τεχνολογίες επεξεργασίας (NLP). Το NLP περιλαμβάνει ένα σύνολο υπολογιστικών τεχνικών που επιτρέπουν στις μηχανές να κατανοούν, να ερμηνεύουν και να δημιουργούν ανθρώπινη γλώσσα. Έχει στόχο να γεφυρώσει το χάσμα μεταξύ της ανθρώπινης επικοινωνίας και της μηχανικής κατανόησης, διευκολύνοντας την εξαγωγή πολύτιμων πληροφοριών από μη δομημένο κείμενο.
Εργασία που δημοσιεύτηκε στο περιοδικό Foods Του Mdpi στο Ειδικό Τεύχος Εφαρμογές Τεχνητής Νοημοσύνης στη Βιομηχανία Τροφίμων, διερεύνησε τη πιθανή χρήση των δεδομένων των μέσων κοινωνικής δικτύωσης για την ανάπτυξη ενός εναλλακτικού συστήματος επιτήρησης τροφιμογενών ασθενειών, μέσω των social media. Οι ερευνητές συνέλλεξαν δεδομένα Twitter μεγάλης κλίμακας, δημιουργώντας μοντέλα αποθήκευσης δεδομένων ασφάλειας τροφίμων και αναπτύσσοντας ένα νέο σύστημα παρακολούθησης τροφιμογενών ασθενειών. Διεξήχθησαν περιγραφικές και προγνωστικές αναλύσεις των δεδομένων που συλλέχθηκαν σε σύγκριση με επίσημα δεδομένα που αναφέρθηκαν από τις ΗΠΑ Κέντρα Ελέγχου και Πρόληψης Νοσημάτων (CDC).
Τα αποτελέσματα δείχνουν ότι οι πιο εμπλεκόμενες κατηγορίες τροφίμων και οι δημοσιεύσεις τόσο από το Twitter όσο και από το CDC ήταν παρόμοιες. Το σύστημα που αναπτύχθηκε με δεδομένα Twitter θα μπορούσε να συμπληρώσει τα παραδοσιακά συστήματα επιτήρησης τροφιμογενών ασθενειών παρέχοντας πληροφορίες σχεδόν σε πραγματικό χρόνο για τροφιμογενείς ασθένειες, εμπλεκόμενες τροφές, συμπτώματα, τοποθεσίες και άλλες πληροφορίες κρίσιμες για τον εντοπισμό πιθανής τροφιμογενούς εστίας.
Συμπερασματικά, η έρευνα αυτή αναδεικνύει τις δυνατότητες των μέσων κοινωνικής δικτύωσης για την ενίσχυση της επιτήρησης των τροφιμογενών ασθενειών και, τελικά, τη βελτίωση της δημόσιας υγείας. Η συνεχής εξερεύνηση και βελτίωση τέτοιων εναλλακτικών προσεγγίσεων επιτήρησης θα συμβάλει στην ανάπτυξη πιο ισχυρών και προληπτικών συστημάτων παρακολούθησης και πρόληψης τροφιμογενών ασθενειών.
Για να διαβάσετε τη μελέτη πατήστε ΕΔΩ.
Ακολουθήστε το Cibum 
