BERKENALAN DENGAN DIGITAL EPIDEMIOLOGY

DIGITAL EPIDEMIOLOGY

Saat menjelajahi twitter, saya menemukan hal yang menarik dari salah satu akun seorang Professor dari Boston University, dalam bio twitternya ia mencantumkan ‘Digital Epidemiology’, hal yang baru bagi saya. Berbekal rasa penasaran, saya mulai googling dan menemukan beberapa bacaan menarik seputar digital epidemiology. Salah satu bacaan tersebut menjelaskan definisi digital epidemiology dengan baik, ditulis oleh  Marcel Salathé, seorang peneliti dari École polytechnique fédérale de Lausanne, Swiss dengan judul tulisan Digital epidemiology: what is it, and where is it going? Dengan segenap kecerobohan dan keterbatasan pengetahuan, saya mencoba untuk merangkum tulisan beliau dalam rangka menyebarkan pengetahuan tentang digital epidemiology, terutama bagi orang-orang yang punya konsen terhadap ilmu epidemiologi.

 ***

ilustrasi digitalisasi

Sebuah rangkuman dari tulisan Marcel Salathé ‘Digital epidemiology: what is it, and where is it going?’

    Digital epidemiology sudah berjalan jauh dalam 10 tahun belakangan ini. Perkembangan digital epidemiology diinisiasi oleh sekelompok peneliti dari berbagai bidang yang menggali data internet untuk tujuan epidemiologi dan akhirnya menjadi suatu bidang baru. Berkembangnya digital epidemiology di dorong juga oleh perkembangan data digital, penggunan telepon genggam yang meluas dan meningkatnya kemampuan machine learning untuk mengolah data yang ada. Dalam tulisan ini akan dibahas dua hal, yakni pendekatan definisi dari digital epidemiology dan pandangan kemana bidang ini akan mengarah.

Sebuah definisi dari digital epidemiology

    Definisi digital epidemiology tidak jauh berbeda dengan definisi epidemiologi yang sudah diketahui secara luas, lalu kenapa dibedakan ? Salah satu definisi yang paling dikenal luas untuk menjelaskan digital epidemiology : digital epidemiology adalah epidemiologi yang menggunakan data digital. Di sisi lain, ada definisi yang lebih menarik, yakni : Digital epidemiology is epidemiology that uses data that was generated outside the public health system, i.e. with data that was not generated with the primary purpose of doing epidemiology.

    Definisi tentang digital epidemiology ini diakui oleh Marcel Salathé merupakan definisi yang kurang lengkap karena hanya mendefinisikan dari dua kata pembentuknya (digital dan epidemiology), intinya Marcel Salathé mendefinisikan digital epidemiology berdasarkan pengalamannya yang selalu berpikir “what novel data streams generated outside of public health could be leveraged for epidemiological purposes?” Ia menyatakan bahwa kualitas epidemiologi tidak harus terbelenggu dengan data yang dihasilkan memang untuk tujuan epidemiologi, namun harus melihat kedepan bahwa epidemiologi juga bisa menggunakan data yang tersedia yang walaupun bukan diperuntukkan dalam tujuan epidemiologi untuk memecahkan masalah epidemiologi.

    Definisi digital epidemiology makin jelas ketika banyak orang berbicara tentang penggunakan data rekam medis elektronik, data pembayaran dan klaim asuransi konsumen, dan database resep obat. Data-data digital tersebut sebenarnya dihasilkan untuk keperluan perusahaan namun dalam era transformasi digital, data-data tersebut dapat digunakan untuk pembelajaran epidemiologi. Contoh lain adalah data mesin pencari, data dari layanan social media, telepon genggam, akses website, geopositioning system, semua sumber data tersebut menghasilkan data yang tidak ditujukan untuk melakukan studi epidemiologi namun dapat digunakan untuk memperkaya studi epidemiologi.

ilustrasi digital epidemiology

Digital epidemiology – sebuah pandangan

    Pertumbuhan digital epidemiology didorong oleh kemajuan teknologi yang pesat, itu membuat banyak data dihasilkan di internet, khususnya di sosial media. Salah satu contoh sempurna digital epidemiology adalah diluncurkannya Google Flu Trend (GFT). GFT membantu melacak pertanyan-pertanyaan tentang symptom Influenza-like illness dalam mesin pencari. Banyak masalah yang muncul dalam penggunaan GFT, namun salah satu masalah yang paling besar adalah kepemilikan GFT yang masih private (perusahaan), jadi independensi datanya sulit untuk diinvetigasi. Masalah ini juga mudah ditemui di platform lain yang merupakan sumber data, trend untuk mengurangi akses pada data mereka sudah mulai muncul, seperti Instagram dan facebook yang sudah berangsur mengurangi keterbukaan datanya, twitter walaupun masih cukup terbuka datanya, tapi siapa yang tahu kapan twitter akan mulai mengurangi aksesnya.

    Berbagai respon muncul untuk menanggapi trend ini, tapi Marcel Salathé hanya akan menggarisbawahi dua respon. Yang pertama adalah keironisan, untuk mengurangi ketergantungan data akan pihak ketiga yang menghasilkan data yang tidak ditujukan untuk epidemiologi, dan untuk membuat system kesehatan masyarakat menghasilkan datanya sendiri dan tidak bergantung pada aktor-aktor korporat. Para akademisi memainkan peran penting dalam hal ini, karena diharapkan akademisi ini mampu menciptkan prototype system yang berkesinambungan dan dapat digunakan, didukung dan di pelihara oleh pihak berwenang di bidang kesehatan masyarakat. Beberapa akademisi yang berhasil menciptakan sistem tersebut adalah InfluenzaNet dan Brownstein yang menciptakan HealthMap. Respon kedua adalah, untuk membangun kelegalan data yang dihasilkan oleh tiap individu, bagaimanapun, tiap individu harus memiliki hak untuk menyalin datanya.

    Terlampau dari trend yang berhubungan dengan data, trend besar lainnya berkonsen pada analisa data daripada data itu sendiri, disinilah muncul penggunaan istilah “machine learning”. Secara sederhana machine learning didefinisikan sebagai kemampuan computer unntuk mempelajari pola dari data. Dengan pesatnya perkembangan machine learning dan penggunaan Artificial intelligence (AI) Marcel Salathé mengharapkan kedepannya machine learning dapat menjadi trend pokok dan mendominasi digital epidemiology di beberapa dekade selanjutnya.

 -epidjunior

Sumber :

Salathé, M. (2018). Digital epidemiology: what is it, and where is it going?. Life sciences, society and policy, 14(1), 1.