公共卫生监测的新数据来源:Facebook点赞

简介

互联网的发展和社交媒体的爆发为卫生监测提供了许多新的机会。互联网在个人健康和参与式健康研究方面的使用呈爆炸式增长，这主要是由于在线资源和医疗保健信息技术应用的可用性[1-8］．这些在线发展，加上对更及时、更广泛和更具成本效益的数据的需求，导致了收集流行病学数据的新方法，如数字疾病监测和互联网调查[8-25］．在过去20年里，互联网技术已被用于确定疾病暴发、跟踪传染病传播、监测慢性病患者的自我保健做法，以及在人口层面评估、应对和评估自然和人为灾害[6，8，11，12，14，15，17，22，26-28］．事实证明，使用这些现代通信工具进行公共卫生监测比传统的人口监测方式(如邮件调查、电话调查和面对面的住户调查)成本更低，更及时。

互联网催生了几个大数据来源，比如Facebook [29]，推特[30.]、Instagram [31]，汤博乐[32]，谷歌[33]，以及亚马逊[34］．这些在线交流渠道和市场提供了大量被动收集的数据，可用于公共卫生目的，如社会人口特征、生活方式行为以及社会和文化结构。此外，研究人员已经证明，这些数字数据源可以用来预测其他情况下无法获得的信息，例如匿名互联网用户的社会人口特征[35-38］．例如，Goel等人[36调查发现，社交媒体和电子邮件的使用在人口统计学特征上没有差异。然而，个人访问新闻、医疗保健和研究网站的频率是性别、种族/民族和教育程度的一个预测因素，可能提供基于种族和收入的有用的目标信息[36］．将这些大数据源整合到公共卫生监测实践中，对于推动流行病学领域进入21世纪至关重要，正如2012年美国“大数据研究与发展倡议”所呼吁的那样[19，39］．

了解大数据如何用于预测生活方式行为和健康相关数据，是将这些电子数据源用于流行病学需求的一步[36，40］．Facebook已被个人和公共卫生研究人员用于新型监控应用[13，37，38，41-44］．例如，Chunara等人[13)通过脸书调查了与活动和久坐相关的点赞与肥胖患病率之间的关系。研究人员发现，Facebook上与活动相关的点赞比例较高的人群超重和/或肥胖的患病率较低。“Facebook点赞”是Facebook用户识别自己喜欢的网站和兴趣的一种方式。虽然Facebook上的点赞并不明确与健康相关，但研究人员已经表明，综合来看，个人点赞的“网络”可以预测社会人口统计学特征、健康行为、肥胖和健康结果。13，37，42，44］．Timian等[44]调查了Facebook上对医院的点赞是否可以快速而廉价地用于评估两项质量指标(即30天死亡率和患者建议)。Facebook上的“赞”也被证明是多种用户属性的预测指标，比如智商、幸福感、种族、宗教和政治观点、性取向，以及一系列的人格特征。37］．研究人员提出，Facebook上的点赞可以作为一种新的行为测量方法，类似于传统的问卷调查。37］．

在这项研究中，我们专注于利用Facebook点赞的预测能力来加强人口健康监测。为此，我们将Facebook点赞视为一类大数据，可以帮助我们在当地层面了解人口健康状况。鉴于危险因素和相关的健康结果在地理上往往集中在人口中[10，45，46]，在社区层面存在识别、监测和干预的能力。虽然过去的研究使用特定类别的点赞来针对理论上相关的条件(例如，[13])，有可能整个Facebook数据集可以用来形成一个完整的个人档案，可以广泛应用于许多领域的预测模型。如果一个地区的Facebook特征可以预测体育活动、吸烟和慢性疾病的自我管理，那么就有一个强有力的理由支持使用这些数据来针对、监测和干预不良的生活方式行为。

在本文中，我们研究了如何使用大数据来补充传统的监控系统。我们探索了使用Facebook点赞作为县级健康结果的潜在预测因素和不良健康结果的行为决定因素。具体来说，我们假设:(1)Facebook点赞提供了一种预测县级死亡率的手段，(2)Facebook点赞可以用作导致死亡率增加的慢性疾病结局(肥胖、糖尿病和心脏病)的指标，(3)Facebook点赞可以用作影响疾病的不良生活方式行为的指标。如果这些假设成立，那么Facebook点赞最终可以用于加强人口健康监测。

方法

数据源

用于分析的数据来自4个来源。2011年主要健康指标(如预期寿命、死亡率和低出生体重)的客观报告收集自美国国家生命统计系统(NVSS)，该系统提供了美国死亡和出生的人口数据。根据其网站，“这些数据是通过[国家卫生统计中心]国家卫生统计中心与在不同司法管辖区运作的生命登记系统之间的合同提供的，这些系统在法律上负责登记生命事件-出生，死亡，婚姻，离婚和胎儿死亡”[47］．

自我报告健康结果和风险行为数据来自行为风险因素监测系统(BRFSS) [48］．BRFSS是一项正在进行的随机数字电话调查，由国家卫生机构在疾病控制和预防中心(CDC)的协助下进行。监测系统收集了许多使18岁以上成年人面临慢性疾病、残疾和死亡风险的行为和状况的数据。2011年BRFSS的大样本量(N=506,467)便于对214个有500名或更多受访者的县计算可靠估计值。此外，2010年BRFSS促进了佛罗里达州91%县的可靠估计的计算，其中67个县中的61个县有500或更多的受访者。县级风险因素数据来自2011年精选大都会/微大都市地区风险趋势BRFSS [49］．

Facebook点赞数据是通过Facebook广告应用程序接口(API)收集的。50)，该网站汇总了按邮政编码对特定类别商品表示积极倾向(“喜欢”)的用户数量。这些邮政编码数据被汇总到县一级，以便与健康数据进行直接比较，跨越边界的邮政编码被分配给它们主要所在的县。这些数据反映了在他们被抽取时Facebook用户的累计点赞总数。在Facebook上可用的8个“赞”超类别(即事件、家庭状况、工作状况、活动、移动设备所有者、兴趣、西班牙裔、零售和购物)中，有3个被认为与健康潜在相关，并被选为模型。被选中的点赞分别是活动、兴趣、零售和购物。选择这些超类别是因为它们包含与健康有明确理论关系的项目。例如，"兴趣"包含"健康与幸福"范畴，健康与健康的关系不言自明。选择“活动”类别是因为它包括“户外健身和活动”，这似乎直接适用于身体活动的测量，而选择“零售和购物”是因为它与社会经济地位明显相关，而社会经济地位是健康结果的强大驱动力(多媒体附件1） ［51，52］．

这些超级类别的所有组成元素都被使用了，而不考虑它们与健康的明确关系，因为Facebook没有报告这些数据的确切内容和构建方法。其他超类别缺乏这些明确的联系，尽管我们承认可能存在潜在的强大间接关系。由于API自动进行四舍五入，通常会导致高估，因此总体轮廓小于1000个的县被排除在分析之外。Facebook上每个类别的点赞数都是按该地区已完成个人资料的百分比来评分的。最后，为了减少由各县Facebook使用水平变化引起的多重共线性，数值除以所有类别的平均点赞百分比。由此产生的变量可以被描述为每个类别相对于其他类别的受欢迎程度的度量。虽然由这种转换产生的单个变量有时与原始变量完全不相关，但使用原始变量和转换后的变量进行的估计在R=。9。因此，我们得出结论，进行分析的结果不是这种转换的产物。

人口数据，如平均收入、年龄中位数和性别比例，均采用2010年美国人口普查[53并以县为单位进行划分。与健康无关的县级辅助统计数据采用人口普查局提供的"美国县信息"收集[54］．总的来说，美国大陆的214个县包含了分析中所有变量的足够数据。

兴趣变量

选择了几个社会人口学、健康结果和危险因素变量进行分析。这些因素包括收入、年龄、教育程度、就业、非白人人口、肥胖、糖尿病、体育活动和吸烟，以及一般健康状况等其他指标。一个全面的清单，以及数据来源和评估的每个感兴趣的变量可在多媒体附件2．

数据分析

我们首先使用主成分分析在3个选定的超级类别中的37个Facebook点赞类别作为数据缩减技术。然后，我们用普通最小二乘(OLS)回归分析这些因素，来确定Facebook点赞是否可以预测一些健康结果、状况和相关行为。最后，通过将我们的分析限制在可用数据更全面的佛罗里达州，我们通过自举回归形成了一个预测模型[55，以视觉形式展示了Facebook的预测准确性。

结果

分析的第一阶段是确定健康结果确实可以由Facebook上的“赞”决定。通过主成分分析，37个类别被简化为9个因素(变量旋转)，纯粹是为了简化建模工作，将这些类别减少到我们认为它们所代表的潜在社会行为维度。这个数字是通过应用卡特尔碎石试验得出的(见多媒体） ［56]，计算特征值分布中的“弯头”;也就是说，在这个点上，额外的因素似乎不能提供解释方差的实质性增益。每个因子都按照其解释的方差量编号(多媒体附件4)．任何试图解释这些因素的实际性质的尝试都可能在解释Facebook广告数据时出现错误;因此，我们避免了这样做的冲动。然而，每个类别的因素负荷可以在多媒体．

为了验证我们的假设，即Facebook点赞可以用来预测死亡率，我们使用了OLS回归。我们使用Facebook的9个因素来预测预期寿命，在初始模型中没有包括其他控制因素。结果，如“仅限Facebook”一栏所示表1(模型调整后)R^{2 =}i)。尽管存在这种关系，但Facebook的价值仅在于它提供的预测价值超过了通过人口普查或其他方式已经获得的可靠数据。预测人口统计信息(平均年龄和非白人人口)和社会经济地位(SES;(以平均家庭收入、失业率及拥有学士学位的百分比表示)，列于“仅限SES”一栏表1．这两者之间也存在很强的联系，尽管这种联系不如单独的Facebook因素那么强烈。最后，将两组变量组合在的最后一列中表1，表明尽管Facebook和SES变量共享了预期寿命的大量方差，但Facebook的加入提高了模型的拟合性，超过了现有的社会经济指标。由此产生的调整R²=。81一个lso indicates that a considerable amount of the variation in county-level life expectancy can be explained by SES and Facebook likes.

表2总结了使用同一组预测因子在一系列健康相关因变量上运行的回归，并指出与单独SES相比，将Facebook点赞添加到SES时解释的方差改善百分比。从这个模型中我们可以得出两个结论。首先，Facebook点赞和SES被证明是所有测试疾病结果的有效预测指标。其次，除了SES带来的好处，Facebook点赞还有一个持久的好处，尽管这种好处的大小差别很大。

我们的第三个假设是，作为行为的衡量标准，Facebook点赞应该能够确定推动健康结果的行为。结果是表2这清楚地表明，Facebook点赞对所有测试的健康相关行为的预测模型都有相当大的影响，在某些情况下，比如健康保险和锻炼，模型的总体拟合性相当强。

预测健康状况

这些发现的自然延伸将是在数据缺乏的县绘制出健康状况的预测流行率。尽管有214个县的样本足以让BRFSS提供特定县的估计，但剩下的2895个县却没有。一个额外的数据来源，如Facebook，将是一个具有成本效益的方式来增加现有的用于产生县级估计的州级数据源，如BRFSS。

然而，试图在全国范围内应用2011年SMART数据的预测会产生一个问题。虽然预测与非smart数据的实际水平有很好的相关性，但平均水平始终有向上的偏差。我们假设，根据SMART计划对县进行加权的选择方法创建了一个非代表性的样本，其总体健康水平高于我们在美国看到的总体水平，特别是在农村地区。作为一个没有这种问题的选择问题的替代方案，我们将我们的预测模型限制在2010年佛罗里达州的数据。佛罗里达州每三年在其67个县中的61个县收集超过500次访谈，导致数据集既没有样本量短缺，也没有相对于整个州的选择偏差。

仅使用一个州的数据会给预测模型带来问题。虽然数据的完整性非常好，但佛罗里达和其他州之间的各种文化差异并没有简单的方法来纠正。试图将佛罗里达州的模型应用于SMART县的全部集合，结果只有公平的相关性水平(R=点)。尽管它表明存在关系，但这还不足以作为决策的基础。相反，我们只对佛罗里达州进行了分析，以证明一旦对县级数据进行了更具代表性的选择，我们认为可以在全国范围内实现的准确性水平。

预测模型的结果显示在表3．这些是自举回归过程的结果，其中50个观察结果被绘制超过100个重复。由于样本量有限，标准误差很高，但我们的Facebook点赞类别中有2个类别在模型中保留了它们的重要性。虽然我们期望人口统计数据和社会经济数据能够非常有效地预测“健康”社区和“不健康”社区，但我们认为，Facebook点赞提供的额外信息应该有助于澄清总体健康水平相似的社区之间的更细微区别。

图1显示了佛罗里达州自举回归程序预测值与源数据的图形比较，其中几乎所有县都有足够的样本进行可靠的估计。这些地图根据肥胖程度动态地从亮到暗进行阴影处理，数据被划分为流行度的分块。从视觉上可以明显看出，拟合总体上是良好的——模型中90%的误差与佛罗里达州2010年BRFSS的估计值相差在±2.1%(0.4个标准差)以内。

‎ 查看此图

讨论

当我们第一次进行这项研究计划时，我们预计，影响我们结果的大部分测量误差将来自于Facebook数据的不精确分类和地理聚合。然而，尽管有一些例外，但我们发现的一致性和拟合强度似乎很明显。我们的模型在预测数据丰富的县的健康变量水平方面做得非常好，而在数据不丰富的县，我们的模型往往与BRFSS的估计不同。这表明，来自Facebook和生命统计数据的数据可能比目前汇总数年数据的方法更准确地反映了小县城的情况。

因此，我们认为Facebook可以在社区层面上发挥中介作用，增强稀疏数据。我们已经证明它可以做到这一点，但额外的健康调查数据，特别是在不太广泛测量的地区(如农村)，只能有所帮助。尽管完全的测量是不可行的，并且会使Facebook模型变得毫无意义，但在估计模型时，确保所有类型的社区都有足够的数量，这是避免预测中出现系统性错误风险的必要步骤。

我们分析Facebook点赞的最终目标是建立大数据对直接影响政府支出和公共政策的研究的潜在贡献，最重要的是，有助于改善人口健康。这些数据表面上看起来与健康没有什么关系，但却可以预测糖尿病和肥胖等流行病级别的健康问题，成本仅为传统研究的一小部分。由于需要利用现成的、具有成本效益的和地理相关的卫生数据来增强传统的公共卫生监测系统，“大流行病学数据”的使用恰逢其时。

Facebook数据源的性质使其在某些情况下无法成为有用的工具。在非常小的县(约占总数的9%)和较小地理区域的情况下，舍入误差变得非常大，以至于无法可靠地使用估计，即使它们可能由Facebook提供。此外，Facebook档案作为追踪传染病流行的工具还未经测试。它们可能更适合于预测不太可能在短时间内波动的地方性和持续性疾病。

此外，有些人可能会发现，Facebook的数据被用来“预测”健康数据，这些数据不仅早于它，而且与任何理论机制都没有因果关系，这是违反直觉的。某一特定地理区域的点赞数据应被视为该区域内社会行为条件的产物，与健康结果一样。因此，点赞数据可以被视为这些条件的工具，这些条件是有因果联系的。尽管暂时的担忧并不理想，但它们并不是特别有问题，因为本研究中使用的健康指标在短时间内并不特别容易波动。

最后，如果不清楚Facebook上的“赞”类别是如何构建的，以及个人是如何被标记为对特定类别感兴趣的，就很难对社交网络行为和健康结果之间的关系有更细致的了解。除非Facebook对这些数据的汇编方式变得更加透明，否则它们将仍然是一个“黑匣子”，我们必须相信，被测量的兴趣和活动确实是它声称要测量的。

这里研究的关系表明，社交媒体可能有望被用作当地情况的指标，即使是那些与Facebook上发生的活动几乎没有关系的地方。正如我们预测的那样，在一个地区的总体Facebook行为和疾病发病率以及不良生活方式行为之间存在着超越当地人口统计预测能力的重要关系，这些行为很可能导致这些疾病。

我们还指出，美国大多数县都严重缺乏健康数据。虽然Facebook的数据可能无法覆盖美国的每个角落，但它似乎是一个足够有效的工具，可以增强大多数县的现有县级数据。随着对当地卫生数据的需求不断增长，这类工具似乎比增加调查监测更具成本效益，而不管可能采用何种方式进行。

这些数据最终是否来自Facebook并不重要。在线环境可能会改变，它可能会提供不同的数据来源，在未来被证明更可行。只要信息源反映的是人们日常生活中的活动，同样的关系就可能成立。然而，即使Facebook作为一个社会机构能够持续下去，在本文所介绍的模式上仍有很大的改进空间。有了社交媒体的合作，我们也许能够在更符合我们需求的类别中获得更好的估计。最后，我们的数据可能不会因为研究成本的上升而受到影响。相反，探索新开放的在线数据收集渠道可能比从传统公共卫生监测系统获得的县级数据更可靠、及时和具有成本效益，并可作为这些系统的辅助手段。