Modeling the amplification of epidemic spread by individuals exposed to misinformation on social media

Resumo Técnico: Modelagem da Amplificação da Disseminação Epidêmica por Indivíduos Expostos à Desinformação

Definição do Problema
Os resultados de saúde pública são significativamente influenciados por fatores sociais, particularmente a disposição das populações em adotar medidas de mitigação. Evidências recentes sugerem que a exposição à desinformação nas redes sociais correlaciona-se com o aumento da hesitação vacinal e a redução da conformidade com as orientações de saúde pública. No entanto, quantificar o impacto causal da desinformação na dinâmica epidêmica permanece um desafio devido à falta de modelos holísticos, informados por dados, que integrem tanto a disseminação de informações quanto a disseminação de doenças. Estudos existentes frequentemente dependem de configurações experimentais simplificadas ou carecem de integração real de dados de redes sociais com redes de contato físico. Este artigo aborda essa lacuna propondo uma estrutura para estimar o dano adicional causado pela desinformação durante uma epidemia, focando especificamente na pandemia de COVID-19 nos Estados Unidos.

Metodologia
Os autores propõem um modelo Susceptível Desinformado Infectado Recuperado (SMIR), uma simulação baseada em agentes de múltiplos níveis que acopla uma rede de difusão de informação a uma rede de contato físico.

1. Construção da Rede de Informação:

   • Fonte de Dados: O modelo utiliza um conjunto de dados de aproximadamente 26 milhões de tweets em inglês sobre vacinas contra a COVID-19 coletados entre 4 de janeiro e 30 de setembro de 2021, de mais de 2 milhões de usuários dos EUA no Twitter.
   • Geolocalização e Filtragem: Os usuários foram geolocalizados em 341 condados dos EUA (cada um contendo >200 usuários). O alinhamento político foi inferido por meio de fontes de notícias anotadas e algoritmos de propagação de rótulos.
   • Definição de Desinformação: Contas que compartilham links para fontes de baixa credibilidade (pontuação NewsGuard < 60) foram identificadas como disseminadoras de desinformação.
   • Modelo de Difusão: Um processo de propagação de opinião de limiar de etapa única modela como a desinformação converte usuários comuns para o status de "desinformado" (M). O parâmetro de limiar, $\phi$, representa o número de amigos desinformados necessários para converter um nó comum.
     • $\phi$ baixo (ex: $\phi=1$) representa um cenário de "pior caso", onde uma única exposição leva à desinformação (contágio simples).
     • $\phi$ alto (ex: $\phi=20$) representa um cenário de "melhor caso", onde a população é altamente resiliente à desinformação.

2. Construção da Rede de Contato:

   • Fonte de Dados: Uma rede de contato físico de aproximadamente 20 milhões de nós (representando uma amostra de 10% da população dos EUA) foi construída usando dados de mobilidade de celular da SafeGraph e registros de votação da eleição presidencial de 2020 nos EUA.
   • Estrutura: A rede captura padrões de mobilidade entre e dentro de condados. Atributos de nó (desinformado vs. comum) são atribuídos com base na distribuição derivada da rede de informação, garantindo que a divisão ideológica (Republicano vs. Democrata) corresponda aos registros de votação empíricos.

3. Simulação Epidêmica (Modelo SMIR):

   • O modelo estende o framework SIR padrão. Assume-se que indivíduos comuns (O) seguem diretrizes de saúde pública (uso de máscara, distanciamento, vacinação), enquanto indivíduos desinformados (M) são assumidos como recusando essas medidas.
   • Parâmetros: A probabilidade de transmissão ($p$) e a densidade de contato ($\bar{k}$) são manipuladas para delimitar os cenários.
     • Comum ($O$): $p_O = 0,01$ (mitigação alta).
     • Desinformado ($M$): $p_M = 1,0$ (sem mitigação, alta transmissão).
     • A densidade de contato é fixa em $\bar{k} = 25$ (média pré-pandemia).
   • As simulações rodam por 100 dias, com taxa de recuperação $\gamma = 0,2$ (quarentena de 5 dias).

Principais Contribuições

• Integração de Dados do Mundo Real: O estudo vai além de suposições teóricas ao integrar dados de redes sociais de larga escala, derivados empiricamente (retweets do Twitter), com dados de mobilidade física (rastros de celular) e dados demográficos (registros de votação).
• O Framework SMIR: Introduz um modelo específico baseado em agentes que rastreia explicitamente uma subpopulação "desinformada" e seu comportamento diferencial em relação à transmissão de doenças.
• Limites Quantitativos: Ao variar o parâmetro de resiliência $\phi$ e as probabilidades de transmissão, o modelo fornece limites quantitativos sobre o potencial dano da desinformação, em vez de uma estimativa de ponto único.

Resultados
As simulações comparam um cenário de pior caso (baixa resiliência, $\phi=1$) contra um cenário de melhor caso (alta resiliência, $\phi=20$):

• Pico de Infecção: No cenário de pior caso, o pico de infecções diárias é aproximadamente seis vezes maior do que no cenário de melhor caso.
• Tempo: O pico de infecção ocorre aproximadamente duas semanas antes no cenário de pior caso.
• Impacto Cumulativo: Ao longo do curso da epidemia simulada, o cenário de pior caso resulta em 14% da população total adicional sendo infectada em comparação ao cenário resiliente. Isso representa um aumento relativo de 32% no total de infecções.
• Escala: Com base nos dados do Censo dos EUA, esses 14% adicionais traduzem-se em quase 47 milhões de americanos adicionais infectados.
• Impacto Econômico: Os autores estimam que os custos de saúde associados a essas infecções adicionais excedam US$ 143 bilhões.

Significância e Alegações
O artigo alega que sua principal significância reside em fornecer aos formuladores de políticas e autoridades de saúde pública insights informados por dados sobre os potenciais danos da desinformação sobre vacinas online. Ao estabelecer um "limite alarmante" sobre as consequências da exposição à desinformação, o trabalho visa motivar plataformas de mídia social e autoridades de saúde a conter a disseminação de conteúdo de baixa credibilidade.

Os autores declaram explicitamente que seus resultados representam cenários extremos (usando $p_M=1$ e $p_O=0,01$) e reconhecem limitações, incluindo a suposição de um elo causal entre desinformação e comportamento de risco, o uso do Twitter como proxy para toda a exposição à informação e a simplificação da resiliência individual como uniforme. No entanto, eles argumentam que, mesmo dentro dessas restrições, o modelo demonstra que a desinformação pode amplificar significativamente a disseminação epidêmica e atrasar os esforços de supressão. O trabalho ressalta a necessidade de gerenciar a complexa relação entre as redes de informação online e as redes de contato físico para controlar efetivamente as crises epidêmicas.