Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico <\/p>\n
La informaci\u00f3n sobre la movilidad de las personas ad\u00f3nde van medida por sus tel\u00e9fonos inteligentes se ha utilizado ampliamente para dise\u00f1ar y evaluar formas de responder al COVID-19, incluida la forma de orientar los recursos de salud p\u00fablica. Sin embargo, se ha prestado poca atenci\u00f3n a cu\u00e1n confiables son estos datos y qu\u00e9 tipo de sesgo demogr\u00e1fico poseen. Un nuevo estudio prob\u00f3 la confiabilidad y el sesgo de los datos de movilidad ampliamente utilizados y descubri\u00f3 que es menos probable que los votantes mayores y no blancos sean captados por estos datos. La asignaci\u00f3n de recursos de salud p\u00fablica en funci\u00f3n de dicha informaci\u00f3n podr\u00eda causar da\u00f1os desproporcionados a los grupos minoritarios y de edad avanzada de alto riesgo. <\/p>\n
El estudio, realizado por investigadores de la Universidad Carnegie Mellon (CMU) y la Universidad de Stanford, aparece en las Actas de la Conferencia ACM sobre equidad, responsabilidad y transparencia, una publicaci\u00f3n de la Asociaci\u00f3n de Maquinaria Inform\u00e1tica.<\/p>\n
\u00abLa edad avanzada es un factor de riesgo importante para la mortalidad relacionada con la COVID-19, y las comunidades afroamericanas, nativas americanas y latinas soportan una carga desproporcionadamente alta de casos y muertes por la COVID-19\u00bb, explica Amanda Coston, estudiante de doctorado en el Heinz College and Machine Learning Department de CMU, quien dirigi\u00f3 el estudio como investigador de verano en el Laboratorio de Regulaci\u00f3n, Evaluaci\u00f3n y Gobernanza de la Universidad de Stanford. \u00abSi estos grupos demogr\u00e1ficos no est\u00e1n bien representados en los datos que se utilizan para informar la formulaci\u00f3n de pol\u00edticas, corremos el riesgo de promulgar pol\u00edticas que no ayuden a los que corren mayor riesgo y exacerben a\u00fan m\u00e1s las disparidades graves en la respuesta de la atenci\u00f3n m\u00e9dica a la pandemia\u00bb.<\/p>\n
Durante la pandemia de COVID-19, los datos de movilidad se han utilizado para analizar la efectividad de las pol\u00edticas de distanciamiento social, ilustrar c\u00f3mo los viajes de las personas afectan la transmisi\u00f3n del virus y sondear c\u00f3mo los diferentes sectores de la econom\u00eda se han visto afectados por el distanciamiento social. Sin embargo, a pesar de los entornos de alto riesgo en los que se ha utilizado esta informaci\u00f3n, faltan evaluaciones independientes de la confiabilidad de los datos.<\/p>\n
En este estudio, se utiliz\u00f3 la primera auditor\u00eda independiente del sesgo demogr\u00e1fico de un conjunto de datos de movilidad basado en tel\u00e9fonos inteligentes. en la respuesta a COVID-19, los investigadores evaluaron la validez de los datos de SafeGraph. Este conjunto de datos de movilidad ampliamente utilizado contiene informaci\u00f3n de aproximadamente 47 millones de dispositivos m\u00f3viles en los Estados Unidos. Los datos provienen de aplicaciones m\u00f3viles, como aplicaciones de navegaci\u00f3n, clima y redes sociales, donde los usuarios optaron por el seguimiento de ubicaci\u00f3n.<\/p>\n
Cuando comenz\u00f3 COVID-19, SafeGraph public\u00f3 gran parte de sus datos de forma gratuita como parte del Consorcio de datos COVID-19 para permitir que los investigadores, las organizaciones sin fines de lucro y los gobiernos obtengan informaci\u00f3n e informen las respuestas. Como resultado, los datos de movilidad de SafeGraph se han utilizado ampliamente en la investigaci\u00f3n de pandemias, incluso por parte de los Centros para el Control y la Prevenci\u00f3n de Enfermedades, y para informar las \u00f3rdenes y pautas de salud p\u00fablica emitidas por las oficinas de los gobernadores, las grandes ciudades y los condados. Los investigadores de este estudio intentaron determinar si los datos de SafeGraph representan con precisi\u00f3n a la poblaci\u00f3n en general.<\/p>\n
SafeGraph ha informado p\u00fablicamente sobre la representatividad de sus datos. Pero los investigadores sugieren que debido a que el an\u00e1lisis de la empresa examin\u00f3 el sesgo demogr\u00e1fico solo en los niveles agregados del censo y no abord\u00f3 la cuesti\u00f3n del sesgo demogr\u00e1fico para inferencias espec\u00edficas de lugares de inter\u00e9s (por ejemplo, lugares de votaci\u00f3n), fue necesaria una auditor\u00eda independiente.<\/p>\n
Un desaf\u00edo importante al realizar una auditor\u00eda de este tipo es la falta de informaci\u00f3n demogr\u00e1fica. Los datos de SafeGraph no contienen datos demogr\u00e1ficos como la edad y la raza. En este estudio, los investigadores demostraron c\u00f3mo los datos administrativos pueden proporcionar la informaci\u00f3n demogr\u00e1fica necesaria para una auditor\u00eda de sesgo, complementando la informaci\u00f3n recopilada por SafeGraph. Utilizaron los registros de participaci\u00f3n y registro de votantes de Carolina del Norte, que generalmente incluyen informaci\u00f3n sobre la edad, el g\u00e9nero y la raza, as\u00ed como el viaje de los votantes a un lugar de votaci\u00f3n el d\u00eda de las elecciones. Sus datos provinieron de un proveedor privado de archivos de votantes que combina registros de votantes disponibles p\u00fablicamente. En total, el estudio incluy\u00f3 a 539 000 votantes de Carolina del Norte que votaron en 558 lugares durante las elecciones generales de 2018. Los investigadores consideraron que esta muestra era altamente representativa de todos los votantes en ese estado.<\/p>\n
El estudio identific\u00f3 un sesgo de muestreo en los datos de SafeGraph que subrepresenta a dos grupos de alto riesgo, que los autores calificaron de particularmente preocupante en el contexto de la pandemia de COVID-19. Espec\u00edficamente, los votantes mayores y de minor\u00edas ten\u00edan menos probabilidades de ser capturados por los datos de movilidad. Esto podr\u00eda llevar a las jurisdicciones a subasignar importantes recursos de salud, como sitios de prueba emergentes y m\u00e1scaras, a poblaciones vulnerables.<\/p>\n
\u00abSi bien la informaci\u00f3n de SafeGraph puede ayudar a las personas a tomar decisiones pol\u00edticas, la informaci\u00f3n auxiliar, incluido el conocimiento previo acerca de las poblaciones locales, tambi\u00e9n debe usarse para tomar decisiones pol\u00edticas sobre la asignaci\u00f3n de recursos\u00bb, sugiere Alexandra Chouldechova, profesora asistente de estad\u00edsticas y pol\u00edticas p\u00fablicas en CMU, coautora del estudio.<\/p>\n
Los autores tambi\u00e9n piden m\u00e1s trabajo para determinar c\u00f3mo los datos de movilidad pueden ser m\u00e1s representativos, lo que incluye pedir a las empresas que proporcionan este tipo de datos que sean m\u00e1s transparentes al incluir las fuentes de sus datos (p. ej., identificar qu\u00e9 aplicaciones de tel\u00e9fonos inteligentes se usaron para acceder a la informaci\u00f3n).<\/p>\n
Entre las limitaciones del estudio, los autores se\u00f1alan que en los Estados Unidos, los votantes tienden a ser mayores e incluyen m\u00e1s personas blancas que la poblaci\u00f3n general, por lo que los resultados del estudio pueden subestimar la sa sesgo de muestreo en la poblaci\u00f3n general. Adem\u00e1s, dado que SafeGraph proporciona a los investigadores una versi\u00f3n agregada de los datos por motivos de privacidad, los investigadores no pudieron probar el sesgo a nivel de votante individual. En cambio, los autores probaron el sesgo en los lugares f\u00edsicos de inter\u00e9s y encontraron evidencia de que es m\u00e1s probable que SafeGraph capte el tr\u00e1fico a lugares frecuentados por visitantes m\u00e1s j\u00f3venes, en su mayor\u00eda blancos, que a lugares frecuentados por visitantes mayores, en su mayor\u00eda no blancos.<\/p>\n
En t\u00e9rminos m\u00e1s generales, el estudio muestra c\u00f3mo se pueden usar los datos administrativos para superar la falta de informaci\u00f3n demogr\u00e1fica, que es un obst\u00e1culo com\u00fan en la realizaci\u00f3n de auditor\u00edas de sesgo. <\/p>\n
Explore m\u00e1s<\/p>\n
Siga las \u00faltimas noticias sobre el brote de coronavirus (COVID-19) M\u00e1s informaci\u00f3n:<\/strong> Amanda Coston et al, Aprovechamiento de datos administrativos para auditor\u00edas de sesgo, Actas de la Conferencia ACM de 2021 sobre Equidad, Rendici\u00f3n de Cuentas y Transparencia (2021). DOI: 10.1145\/3442188.3445881 Proporcionado por la Universidad Carnegie Mellon Cita<\/strong>: Los datos de movilidad utilizados para responder a COVID-19 pueden excluir a personas mayores y no blancas (2021, 17 de marzo) consultado el 30 de agosto de 2022 de https: \/\/medicalxpress.com\/news\/2021-03-mobility-covid-older-non-white-people.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico La informaci\u00f3n sobre la movilidad de las personas ad\u00f3nde van medida por sus tel\u00e9fonos inteligentes se ha utilizado ampliamente para dise\u00f1ar y evaluar formas de responder al COVID-19, incluida la forma de orientar los recursos de salud p\u00fablica. Sin embargo, se ha prestado poca atenci\u00f3n a cu\u00e1n confiables son estos datos … Continuar leyendo \u00abLos datos de movilidad utilizados para responder a la COVID-19 pueden excluir a las personas mayores y no blancas\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-17969","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/17969","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=17969"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/17969\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=17969"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=17969"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=17969"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}