Nature：數據視角解構毒品擴散的社會心理
大數據文摘出品
編譯：張馳、張秋玥、陳同學、夏雅薇
數據優化為社會各產業帶來效率提升，但通過數據挖掘來了解毒品擴散規律從而加以干預控制卻是拯救生命的福祉。本文探討了agent-based modelling 在研究毒品傳播和社交網路以及人類行為關係的運用，一切行為都是有跡可循，答案都在數據中。
Brandi用注射器的尖端撥了一下勺子里的灰色海洛因塊。這是過去幾天在市場上出現的一種新品種，Brandi非常喜歡這個品種。「我感覺更好了，對疼痛有更強的抵抗力了」她說。
一旦它溶解成液體，她就會將它注射到她的手臂中，然後用一根新針頭注射到另一個女人瘦骨嶙峋的胳膊中。「她做得比醫院好，」瘦弱的女人說。
「我會幫助任何需要它的人，」Brandi向Daniel Ciccarone解釋道。Ciccarone是加州大學舊金山分校的公共衛生研究員，一直在拍攝整個過程。
Ciccarone的團隊在西弗吉尼亞州的查爾斯頓形影不離般的跟隨著Brandi （Brandi這個名字在本次實驗中是化名），記錄著她的社交活動，不評價也不干預她的這些活動。之後，該小組將對Brandi以及來自全市各地的其他六個吸毒者視頻進行分析，這些視頻詳細記錄著他們日常生活的大小細節。例如，Brandi不會加熱勺子上的溶液，這可能會增加傳播HIV等病毒的可能性。測試顯示，她吸食的藥物中摻雜了芬太尼，這是一種比海洛因毒性強50倍的合成藥物。
研究人員將這些數據輸入到查爾斯頓強大的計算機模擬器中，這些模擬器由成千上萬像Brandis一樣正過著日常生活的虛擬吸毒者和毒販組成。他們將觀察到這數字化的個體隨著對劑量容忍度增加而購買更多海洛因，同時與毒販和吸毒者形成網路，以及某些情況下過量服用毒品。
目前標準的建模方法是基於人口的平均狀況。與標準建模相比，ABM模型可以針對阿片類藥物危機提供更精細的視圖，並能捕捉到一些更複雜的吸毒原因。這種方法對於論證開辦或者關閉一家美沙酮診所或針具交換中心的影響非常重要。
這些模型使科學家能夠以幾乎零成本的方式來比較干預措施，並有助於政策制定者決定如何在現實世界中做出決策。「這是一種非常經典且有用的方式，可以用於選擇最佳的干預措施部署位置，」來自美國喬治亞州亞特蘭大市疾病控制預防中心（CDC）的艾滋病預防部門醫療顧問John Brooks說道。
儘管這些模擬器一直以來都被用於疾病暴發的分析，並影響實際的公共政策，但是鑒於數據分散、參數過廣，它們對於複雜社會行為（如毒品使用）的跟蹤記錄是很有限的。
儘管如此，科學家仍然希望ABM模型可以為決策者提供一些決策場景，雖然決策者往往更多地受政治驅動而不是數據驅動。「我們遇到的障礙並不是科學的或醫學上的，」Ciccarone說，「你可以向西弗吉尼亞投入10億美元，但是他們並不一定知道如何很好地使用這些錢。」紐約大學Agent-Based Modeling實驗室主任Joshua Epstein說：「模型模擬的虛擬世界可以讓事情變得更清晰。你可以直接親眼見到這件事的發生。
細節中的差異
據估計，美國阿片類藥物危機導致每天有115人由於過量吸毒而死亡。自2001年以來，醫療費用和生產力的流失已經造成了1萬億美元的損失。這並不是美國首次面臨成癮危機，也不是最嚴重的一次。酒精濫用導致的死亡人數更多，非裔美國人過量服用可卡因的比率與美國白人過量服用阿片類藥物的比率相似。
但阿片類藥物危機確實有一些不同的驅動因素，例如處方葯的流行，許多人曾在濫用非法藥物時使用這種處方葯；後來隨著用於提高海洛因藥效的芬太尼的引入，許多吸毒者因吸食過量而死亡。這些藥物的盛行也波及到農村地區，在這些地區，應對毒癮的配套服務和基礎設施非常缺乏。「阿片類藥物危機已經波及以往從未受到毒品影響的人群，」馬里蘭州貝塞斯達美國國家藥物濫用研究所所長Nora Volkow說。
因此，研究人員正在從新的角度研究阿片類藥物危機。來自北卡羅來納州三角研究園的國際非盈利研究機構RTI的數據科學家Georgiy Bobashev表示，毒癮的擴散與流行病有相似之處，例如，它可以通過基於人際關係和身體接觸的網路進行傳播。「沒有人生來就是癮君子。一定有人教你如何吸煙或如何注射。「
俄亥俄州揚斯敦的失業率和阿片類藥物成癮率很高。
ABM建模方法可以複製這些人際關係網路。與其他類型的模型不同的是，其他類型的模型可能依賴於同類群體之間的平均特徵或關係來推出演算法，而基於代理的模型可以幫助研究人員看到人與人之間的微妙聯繫。「這很有用，因為吸毒和過量吸毒本質上是個人行為，」羅德島普羅維登斯布朗大學的流行病學家布蘭登馬歇爾說。
失業，心理健康或遺傳等因素可以影響一個人吸毒和上癮的可能性，但如果研究人員以整個人群為單位研究平均特徵，這些個體因素可能會淹沒在平均值里。
為了創建ABM模型，研究人員首先「建立」虛擬城鎮或地區，有時基於真實的地方，包括學校和食品店等建築。然後，他們將代理人設置到虛擬環境中，使用人口普查數據為每個代理人提供自己的特徵，例如年齡，種族和收入，並將代理人分布在整個虛擬城鎮中。
代理人是自主的，但是行為都是按照預先編好的程序進行的，例如，每周工作五次。某些行為可能更隨機，例如每天跳過工作的概率為5％，或者在代理人網路中遇到某個人的幾率為50％。
在系統可以儘可能顯示現實情況時，研究人員就會引入一個變數，如流感病毒，這個病毒的傳播速度和形式與現實世界中相同。然後，他們運行模擬器來測試學校關閉時、開展疫苗接種活動時等各種情況下時代理人行為的變化，並重複運行數千次以確定不同結果發生的概率。
2015年，賓夕法尼亞州匹茲堡大學開發的ABM模型幫助加利福尼亞州參議員Richard Pan獲得了州內強制接種疫苗法案的支持。Pan利用模擬器向他的參議員們展示了他們家鄉地區的麻疹爆發情況。「這無疑對他們產生了巨大影響，」Pan說。「ABM模型用更具體而非抽象術語的形式描述麻疹爆發的情況。」該法案最終通過，麻疹免疫率上升。
遏制阿片類藥物成癮問題，需要的不僅僅是新葯
隨著計算機技術的發展，研究人員開始採用ABM模型來研究包含更多變數、對計算機運算能力要求更高的社會學與行為學的問題。部分研究人員使用該模型進行危機模擬，澳大利亞研究者們已經開始根據ABM模型來針對兒童肥胖問題進行干預研究了。
為了應對阿片類藥物的流行，Bobashev團隊建立了「疼痛城」模型——一個擁有一萬名慢性疼痛患者、70名毒販、30名醫生、10間急診室以及10家藥房的普通虛擬城市。研究人員在此模型中進行了五個虛擬年的實驗，記錄下每個虛擬日的變化。
在此期間，患者的耐藥性增加，導致他們去尋找其他獲得藥物的途徑。他們的行為受許多變數影響，比如醫生增加處方藥量的概率或毒販手上有足夠海洛因的概率。在一定概率水平下，病人將會上癮或傾向於過度用藥。例如，Bobashev的早期數據顯示，醫生對病人用藥史的追蹤在長期來說是有效的（雖然短期可能無效）
Bobashev表示，該模型包含許多假設與簡化。例如，它沒有考慮這樣一些事實：人們產生耐藥性的速度以及毒品上癮速度與基因等因素有關，並且人們是否從處方葯轉向海洛因取決於獲取兩種葯的容易程度。
但研究者們能夠通過調整模型（如「疼痛鎮」模型）來測試變數干預，比如說增加急診室使用度，逮捕一個毒販或者為警察配備納洛酮（一種緩解阿片類藥物過度服用的藥物），從而觀察系統如何應對變化，一段時間內的死亡數是否受到影響。隨著模型逐漸變得更加複雜，研究者可能將能夠引入更多的變數，比如那些沒有在服用止痛藥但很容易開始嘗試阿片類藥物的人。
一位來自布萊克斯堡市弗吉尼亞理工學院（Virginia Tech）的計算機科學家認為，這類模型還能夠幫助理解為何在不同的地理位置，情況也會有所不同。例如，海洛因與芬太尼更容易來自港口城市，而醫生更可能是郊區或農村環境中阿片類藥物主要來源。因此，針對醫生處方行為的干預策略就會在不同情況下起到不同的效果。
這些模型還可體現反饋循環，例如經濟衰退與阿片類藥物使用之間的聯繫。一些流行病學研究表明，失業等因素往往能夠預示著自殺與成癮問題，尤其是對於白人男性人口來說。而成癮會進一步導致失業與生產力降低，從而損害經濟。Barrett認為，ABM模型能夠研究這樣的循環，為研究如何減輕該影響提供思路。
Bobashev與Ciccarone於五月在加拿大溫哥華國際藥物政策研究會議上展示了其中一種ABM模型的結果。他們的研究結果表明，白色粉末狀海洛因——美國一種新型藥物——的逐漸流行可能增加註射吸毒者艾滋病毒傳播的風險。該問題的原因（也被模型所支持）是，與黑焦油狀海洛因不同，使用者不需要加熱藥物使其溶解——而加熱能夠殺死病毒。
Bobashev和Ciccarone正在搭建一個模型，研究吸食海洛因的年輕人如何開始使用這種藥物。與20世紀80年代經歷艾滋病流行病爆發的老年用戶不同，新用戶可能不太採用安全措施。這些模型表明，美國可能會看到更多的局部艾滋病毒爆發，類似於最近在印第安納州斯科特縣發生的那場。該區域在2014年11月至2015年11月期間發現了181例新的艾滋病病例，而此前每年不到5例。阿片類藥物的使用被認為是這些艾滋病爆發的原因。ABM模型可以通過指導監控優先順序來幫助阻止未來的爆發。
執法人員一直在緝獲大量海洛因和強效合成藥物芬太尼，但很難獲得有關流通量的信息。
最複雜的基於代理模型之一是匹茲堡大學的系統，稱為FRED（A Framework for Reconstructing Epidemiological Dynamics，重建流行病學動力學的框架）。它將人口普查數據與全國各地區的地圖相匹配，使研究人員能夠以現實的方式跟蹤該地區的虛擬個體。
來自這些模型的數據幫助說服了Pan和他的州參議員通過關於強制接種的法律。FRED團隊現在開始使用該系統進行阿片類藥物建模，並根據歷史趨勢進行模型訓練。Pan也是一名醫生，他說他對該方向的前景很感興趣。「如果有一種方法可以在不同的社區中進行實際建模來觀察哪些因素會產生最大的影響，那將會非常有幫助。」，他說。
數據乾涸
在被廣泛採用之前，這些模型面臨著許多挑戰；最主要的挑戰來源於數據上的短缺。Marshall表示，研究人員很難獲得製造商、藥房和執法機構持有的阿片類藥物處方數據。
獲取政府掌握的販毒集團的信息、流入該國的毒品類型和比率等信息也很困難。其他數據根本不存在可用形式：例如，代理商可能會記錄藥物過量導致的死亡，但並未指明具體是哪種藥物導致的。
觀察Brandi等吸毒者可以更快更準確地提供某些類型的信息。「吸毒者非常了解他們的藥物。」Ciccarone說。
Lee Hoffer是俄亥俄州克利夫蘭凱斯西儲大學（Western Reserve University）的文化人類學家，他對海洛因市場進行研究，並與Bobashev合作。他說，他的團隊與其他人正在收集的人種學數據可能有助於填補一些信息空白：「我們試圖以外來者的身份進入他們的世界，看看他們如何看待自己的生活。」他表示，在最初的尷尬時期過去後，吸毒者傾向於對研究人員更加誠實，告訴他們一些關鍵信息，例如他們如何與經銷商建立聯繫，以及藥物的成本等。
Epstein說，了解吸毒者的心理也至關重要。大多數決策模型都假設理性行為。實際上，情感、錯誤信息和非理性計算都起著重要作用。「當你把它們放在一起時，人們會做出一系列並不合理的行為。」
腦蛋白結構能夠幫助發現更安全的處方藥物
流行病學數據可能很快就可以用於支持模型。疾病預防控制中心和美國國家藥物濫用研究所已經開展了幾項關於藥物使用模式的重要調查。一些州也開始收集藥物過量使用和成癮趨勢的流行病學信息。匹茲堡大學團隊等研究小組正在與多個衛生機構合作，將他們的研究結果整理到統一資料庫中，這可以為FRED和其他模型提供信息。
但無論模型多麼先進，基於模型的結果來進行政策干預都是一項巨大的挑戰。模型可以揭示出政策無法直接描述的社會經濟中的影響因素，而政治可能阻礙經過驗證的解決方案的實施。
今年四月，在他一直合作的針具交換診所由於政治壓力而關閉之後，Ciccarone不得不取消他在查爾斯頓的工作，至少是暫時取消。「由於需求量過大，他們在一個周三下午就會診了300人。」，他說。「（關閉針具交換診所）是一個巨大的損失。」。
現在，更多的工作正在進行，以確定干預措施的相對影響。美國國立衛生研究院（NIH）於四月宣布了一項9600萬美元的計劃，該計劃將與醫療衛生系統以及地方政府合作，在不同地點針對公共衛生開展基於實證的干預，並隨時對其進行評估。
「這是第一次針對特定藥物的濫用進行的干預。」Volkow說。美國國立衛生研究院現在要求申請資金的研究人員使用模型數據（包括ABM模型）來證明其擬議研究的規模和範圍。
但這些研究需要很多年才能完成。Bobashev說社會不能坐等科學給出完美的結果。「在收集完這些數據前，數萬甚至數十萬人將已經死亡。」。
相關報道：
【今日機器學習概念】
Have a Great Definition
志願者介紹
回復「志願者」加入我們
TAG:大數據文摘 |