¿En qué datos de la COVID-19 puede confiar?

Personal de HBR

En estos tiempos difíciles, hemos hecho varios de nuestros artículos sobre el coronavirus gratis para todos los lectores. Para recibir todo el contenido de HBR en su bandeja de entrada, regístrese en el Alerta diaria boletín.

La pandemia de la COVID-19 ha creado una oleada de datos. A medida que los países y las ciudades luchan por hacerse con el alcance y la escala del problema, las empresas de tecnología y los agregadores de datos han dado un paso adelante y han llenado el vacío con paneles de control marcando el distanciamiento social basado en los datos de ubicación de las aplicaciones de telefonía móvil y las torres de telefonía móvil, aplicaciones de rastreo de contactos utilizar los servicios de geolocalización y Bluetooth, y modelar los esfuerzos para predecir la carga epidémica y las necesidades hospitalarias. Ante la incertidumbre, estos datos pueden brindar consuelo: hechos tangibles ante muchas incógnitas.

En una situación de crisis como la que estamos viviendo, los datos pueden ser una herramienta esencial para elaborar respuestas, asignar recursos, medir la eficacia de las intervenciones, como el distanciamiento social, y decirnos cuándo podemos reabrir las economías. Sin embargo, los datos incompletos o incorrectos también pueden enturbiar las aguas, oscurecer importantes matices dentro de las comunidades, ignorar factores importantes, como la realidad socioeconómica, y crear falsas sensaciones de pánico o seguridad, sin mencionar otros daños, como exponer innecesariamente información privada. En este momento, los datos incorrectos podrían provocar graves errores con consecuencias para millones de personas.

Lectura adicional

• 

  Coronavirus: liderazgo y recuperación

  Liderazgo y gestión de personas Libro

  22.95

  View Details

Por desgracia, muchas de estas soluciones tecnológicas —por muy bien intencionadas que sean— no ofrecen la imagen clara que pretenden ofrecer. En muchos casos, no hay suficiente colaboración con los expertos en la materia, como los epidemiólogos que se especializan en modelar la propagación de enfermedades infecciosas o los médicos de primera línea que pueden ayudar a priorizar las necesidades. Pero dado que las empresas de tecnología y telecomunicaciones tienen más acceso a los datos de los dispositivos móviles, enormes recursos financieros y equipos más grandes de científicos de datos que los investigadores académicos, sus productos de datos se están distribuyendo a un volumen mayor que los estudios de alta calidad.

Ya sea un CEO, un consultor, un responsable político o simplemente alguien que intenta encontrarle sentido a lo que está sucediendo, es esencial poder separar los datos buenos de los engañosos o incluso los equivocados.

Dificultades comunes

Si bien puede que no esté cualificado para evaluar los detalles de todos los paneles, gráficos y estudios que consulte, hay señales de alerta comunes que le hacen saber que los datos pueden no ser fiables. Esto es lo que debe buscar:

Productos de datos que son demasiado amplios, demasiado específicos o carecen de contexto. Los datos sobreagregados —como las métricas nacionales del distanciamiento físico que publican algunos de nuestros mayores agregadores de datos del mundo— ocultan importantes variaciones locales y regionales, no son procesables y significan poco si se utilizan para hacer comparaciones entre países, dadas las enormes disparidades sociales, demográficas y económicas del mundo.

Centro de información

• Datos y transformación digital

  Patrocinado por SAS

  Las mejores prácticas para poner los datos a trabajar.

Por el contrario, los datos demasiado desagregados pueden causar un daño absoluto. Los profesionales de la salud pública y los expertos en privacidad de datos se basan en la proporcionalidad: solo utilizan los datos que absolutamente necesita para el propósito previsto y nada más. Hasta cierto punto, todos los datos corren el riesgo de infringir la privacidad de las identidades individuales o grupales, pero publicar tarjetas de puntuación para barrios específicos corre el riesgo de avergonzar o castigar a las comunidades, al tiempo que ignora las realidades socioeconómicas de la vida de las personas, que les dificultan quedarse en casa. Ejemplos aún más detallados, como las visitas a centros comerciales identificables, el riesgo de anular la identificación de los grupos religiosos; los pacientes que acuden a hospitales oncológicos, clínicas de VIH o clínicas de salud reproductiva; o los que buscan asistencia pública. La comunidad médica y de salud pública consideró hace mucho tiempo que desenmascarar esa información sin su consentimiento era inaceptable, pero las empresas la han publicado recientemente en paneles de control disponibles al público.

Incluso los datos con una resolución espacial adecuada deben interpretarse con cautela — el contexto es clave. Supongamos que ve un mapa que muestra una disminución del 20% de la movilidad en un suburbio estadounidense y una disminución del 40% en una ciudad cercana después de que se anuncien las medidas de distanciamiento social. La disminución en el suburbio podría llevar adecuadamente el distanciamiento físico por debajo del umbral deseado, dado que sus residentes empezaron con una base de referencia relativamente baja para empezar. Es posible que la ciudad aún esté muy lejos de la reducción de movilidad necesaria para afectar de manera significativa a las velocidades de transmisión, ya que sus residentes tenían mucha movilidad antes. Hasta que no sepamos más sobre cómo estos cambios en los patrones de movimiento afectan a los aspectos epidemiológicos de la enfermedad, debemos utilizar estos datos con cautela. El simple hecho de presentarlos o interpretarlos sin una comprensión contextual adecuada podría llevar inadvertidamente a imponer o relajar las restricciones a la vida y los medios de subsistencia, basándose en información incompleta.

Las tecnologías detrás de los datos no están examinadas o tienen una utilidad limitada. Soluciones tecnológicas como el rastreo de contactos basado en teléfonos móviles, una solución que está ganando fuerza en muchos países, tienen un potencial no probado, pero solo como parte de una estrategia integral más amplia que incluya un sistema de salud subyacente sólido. Jason Bay, el líder de producto de la exitosa aplicación de rastreo de Singapur, TraceTogether, advertencias que «el rastreo automático de contactos no es la panacea para el coronavirus». Sin embargo, algunos esfuerzos de rastreo de contactos basados en aplicaciones se utilizan para estratificar el riesgo de las personas, y estas estimaciones se utilizan para tomar decisiones sobre la cuarentena, el aislamiento y la libertad de movimiento, sin realizar pruebas concomitantes.

Tanto los productores como los consumidores de los productos de estas aplicaciones deben entender dónde pueden quedarse cortos. Pueden resultar muy útiles si sufrimos oleadas recurrentes en los próximos meses, cuando los brotes estén más localizados y nuestra capacidad de pruebas esté a la altura de nuestras aspiraciones tecnológicas. Sin embargo, a falta de un plan de pruebas y tratamiento estrechamente combinado, estas aplicaciones corren el riesgo de dar falsas seguridades a las comunidades en las que las personas infecciosas pero asintomáticas pueden seguir transmitiendo la enfermedad o de obligar a un número excesivamente grande de personas a ponerse en cuarentena. Por lo tanto, se desconoce la respuesta conductual de la población a estas aplicaciones y es probable que varíe significativamente de una sociedad a otra.

En algunos casos, los datos de las aplicaciones de rastreo requieren otra salvedad: los métodos que utilizan no son transparentes, por lo que los expertos no pueden evaluarlos a fondo. Algunas aplicaciones de rastreo de contactos siguen algoritmos de caja negra, que impiden que la comunidad mundial de científicos las perfeccione o adopte en otros lugares. Estas intervenciones poco transparentes y no validadas, que se están llevando a cabo ahora (o hecho retroceder) en países como China, India, Israel y Vietnam, contravienen directamente la colaboración transfronteriza abierta que los científicos han adoptado para hacer frente a la pandemia de la COVID-19. Solo se deben considerar algoritmos transparentes y exhaustivamente examinados para aumentar las intervenciones de salud pública que afectan a la vida de millones de personas.

Los modelos se producen y presentan sin la experiencia adecuada. Tecnólogos bien intencionados y firmas consultoras muy influyentes están asesorando a los gobiernos y, en consecuencia, a las empresas y a la población en general de todo el mundo, sobre las estrategias para combatir la epidemia, incluso mediante la creación de modelos de proyección y predicción. Los modelos epidemiológicos que pueden ayudar a predecir la carga y el patrón de propagación de la COVID-19 se basan en una serie de parámetros que son, hasta ahora, tremendamente incierto. Aún nos faltan muchos de los datos básicos sobre esta enfermedad, como el número de personas que presentan síntomas, si las personas que se han infectado son inmunes a la reinfección y, lo que es más importante, cuántas personas se han infectado hasta ahora. En ausencia de datos fiables de las pruebas virológicas, no se ajusta a los modelos con precisión, o saber con confianza cómo será el futuro de esta epidemia por todas estas razones y, sin embargo, las cifras se presentan a los gobiernos y al público con apariencia de certeza

Tomemos un ejemplo reciente: una importante consultora mundial explicó sus proyecciones para una ciudad de la costa este estadounidense superponiendo en ellas lo que denominaron «la curva de Wuhan». Las dos poblaciones y ciudades no podrían ser más diferentes en cuanto a su demografía e infraestructura sanitaria. Estas simplificaciones excesivas corren el riesgo de que las proyecciones sean inexactas y de que se desvíen prematuramente los recursos críticos de los lugares que más los necesitan. Las empresas tienen los enormes recursos necesarios para traducir rápidamente el conocimiento generado a partir de sus datos y tecnologías a los gobiernos y las comunidades, pero están colaborando con experiencia desde dentro de sus filas. Si bien puede resultar tentador querer moverse con rapidez, un enfoque rápido de «moverse rápido y romper cosas» —el sello distintivo de nuestra cultura de empresas emergentes— es inapropiado en este caso. Combinar este entusiasmo con el tipo correcto de experiencia en la materia puede ir más allá.

Lea detenidamente y confíe con cautela

Confiar en fuentes fiables siempre es un buen consejo, pero ahora es absolutamente imprescindible. Estas son algunas boyas que le ayudarán a llegar a la costa, ya sea productor o consumidor de datos.

Transparencia: Busque cómo se presentan los datos, la tecnología o las recomendaciones. Cuanto más transparentes sean los proveedores en cuanto a la representatividad de sus datos, métodos analíticos o algoritmos, más confianza tendrán en su proceso y estarán más abiertos al escrutinio público. Estos son los socios de conocimiento más seguros.

Ejemplo: El gobierno de Singapur fue totalmente transparente en cuanto al código, el algoritmo y la lógica utilizados en su aplicación de contactos TraceTogether. Al lanzar la aplicación, publicaron abiertamente un resumen de políticas y un libro blanco en los que describían la racionalidad y el funcionamiento de la aplicación y, lo que es más importante, su protocolo («BlueTrace») y su base de código («OpenTrace»), lo que permitía una revisión abierta.

Consideración: Busque señales de arrogancia. El desprecio desenfrenado por la privacidad, los derechos civiles o los hechos científicos bien establecidos desmienten el exceso de confianza en el mejor de los casos y la imprudencia en el peor. Es probable que este tipo de enfoques sean los que más daño causen. Los analistas que son conservadores en sus recomendaciones, comparten la incertidumbre asociada a sus interpretaciones y sitúan sus conclusiones en el contexto local adecuado probablemente sean más útiles.

Ejemplo: Telenor, el gigante noruego de las telecomunicaciones, ha liderado el uso responsable de los datos de movilidad agregados de los registros de las torres de telefonía móvil. Sus datos se han utilizado, en estrecha colaboración con científicos y profesionales locales, para modelar, predecir y responder a los brotes en todo el mundo. Telenor ha publicado abiertamente sus métodos y ha ofrecido orientación tecnológica sobre cómo se pueden utilizar los datos de las compañías de telecomunicaciones en emergencias de salud pública en un formato responsable y anónimo que no corre el riesgo de anular la identificación.

Experiencia: Busque a los profesionales. Examine las credenciales de quienes proporcionan y procesan los datos. Nos enfrentamos a una avalancha de datos e interpretaciones por parte de expertos equivocados, lo que se traduce en una relación ruido-señal alta. En los días más optimistas, no querríamos que nuestros banqueros fueran nuestros cirujanos.

Ejemplo: El Imperial College, entre otros grupos académicos, ha participado en guiar a los responsables de la toma de decisiones en la respuesta a la COVID-19 del Reino Unido desde los primeros días de la epidemia, mediante la labor del Centro MRC para el Análisis Global de Enfermedades Infecciosas . En los EE. UU., las nuevas asociaciones de colaboración han aumentado las colaboraciones de larga data entre los departamentos de salud y los grupos de investigación estatales y locales. En ambos países, estos esfuerzos se basan fundamentalmente en la financiación sostenida de los centros que puedan apoyar el desarrollo de métodos y la formación durante los períodos entre epidemias y que se movilicen para responder cuando estalle una crisis.

Plataformas abiertas: Busque a los colaboradores. Hay varios agregadores de datos que se comprometen a apoyar un ecosistema de comunidades, empresas y socios de investigación, mediante el intercambio de datos o códigos de forma segura y responsable. Estos enfoques de ecosistemas abiertos, si bien no son fáciles de gestionar, pueden generar grandes dividendos.

Ejemplo: Cuando empresas de tecnología como Camber Systems, Cubeiq y Facebook han permitido a los científicos examinar sus datos, los investigadores pueden comparar los datos de estos nuevos flujos de datos para tener en cuenta la representatividad y corregir los sesgos, lo que hace que los datos sean aún más útiles. La red de datos de movilidad de la COVID-19, de la que formamos parte, consiste en una colaboración voluntaria de epidemiólogos de todo el mundo que analizan los datos agregados de las empresas de tecnología para ofrecer información diaria a los funcionarios municipales y estatales, desde California hasta Daca (Bangladesh). Los gobiernos transmiten las lagunas de información que existen en su planificación y formulación de políticas, los científicos ayudan a identificar los mejores enfoques analíticos para abordar esas brechas y las empresas de tecnología ponen a disposición los datos a los que tienen acceso en un formato significativo e interpretable. Todo el intercambio de datos sigue unas estrictas normas éticas institucionales y cumple con la legislación local e internacional. Los productos diarios hablan de las necesidades articuladas de los funcionarios gubernamentales colaboradores.

Esta pandemia se ha estudiado con más intensidad en menos tiempo que cualquier otro suceso humano. Nuestro mundo globalizado ha generado y compartido rápidamente una enorme cantidad de información al respecto. Es inevitable que haya datos malos y buenos en esa mezcla. Estos datos masivos, descentralizados y de origen colectivo se pueden convertir de forma fiable en conocimientos que salvan vidas si se ven atenuados por experiencia, transparencia, rigor y colaboración. Cuando tome sus propias decisiones, lea atentamente, confíe detenidamente y, en caso de duda, consulte a los expertos.

Si nuestro contenido le ayuda a hacer frente al coronavirus y otros desafíos, tenga en cuenta suscribirse a HBR. La compra de una suscripción es la mejor manera de apoyar la creación de estos recursos.