En el marco del programa Data for Good, de Facebook, se dio a conocer un nuevo mapa de movilidad poblacional que busca ayudar a combatir el avance del coronavirus. La solución utiliza información de geolocalización y comportamiento de usuarios, anonimizada, y la pone, exclusivamente, a disposición de investigadores académicos u ONG que estén trabajando en programas de salud pública y luego de que hayan suscripto un acuerdo.
Por: Infobae
En la actualidad esta información está siendo utilizada por La Cruz Roja, El Banco Mundial, La Universidad John Hopkins, Harvard, El Tecnológico de Monterrey y Direct Relief, entre otras organizaciones.
Los Mapas de Prevención de Enfermedades, tal como se denomina esta plataforma, se basa en historial de localización de los usuarios de Facebook. “Esta información se obtiene de datos de geolocalización que se recopilan en función del uso que se hace de la red social. “Para recolectar esta información tiene que estar activada la función de geolocalización en el dispositivo y en la aplicación de Facebook. Allí el usuario, a su vez, debe aceptar que se use su historial de ubicación”, explicó Paula Vargas, Líder de Privacidad en América Latina para Facebook, en diálogo con Infobae.
Y añadió: “los Mapas de Prevención, que están disponibles desde 2019, utilizan datos agregados, es decir que no son datos de individuos, sino que son datos que se van acumulado y están anonimizados”.
En los Mapas de Prevención de Enfermedades además de utilizar información agregada y anonimizada de Facebook, se toman medidas adicionales para oscurecer la identidad de las personas y reducir el riesgo de re-identificación. En este sentido, los conjuntos de datos pueden mostrar información a nivel de ciudad o condado, no así patrones individuales.
La novedad ahora es que se sumaron tres nuevos tipos de Mapas de Prevención de Enfermedades para contribuir a los trabajos de pronóstico y al diseño de medidas preventivas.
1) Los mapas de colocación, que muestran la forma en que las personas se desplazan dentro del país. En este sentido se puede ver la probabilidad que hay que una persona se movilice de un barrio a otro, o de una ciudad o provincia a otro, dentro del país.
2) Las tendencias de movilidad que muestran si, a nivel local, las personas suelen permanecer cerca de sus hogares. Estos mapas permiten entender si se están cumpliendo las normas de distanciamiento social. Este aspecto es similar a los mapas que dio a conocer Google hace unos días, y que también se valen de la recopilación del historial de ubicaciones que obtiene por medio de los smartphones de los usuarios.
Este tipo de información resulta valiosa para entender si las medidas de prevención van en la dirección correcta o si es necesario cambiar o afianzar la estrategia.
3) El tercer tipo de mapa hace referencia al índice de conexión social, y muestra los lazos de vínculos que se establecen entre diferentes estados, provincias y países. En otras palabras, muestra cómo se dan los lazos de conexión, por medio de Facebook, en diferentes regiones. Este mapa no utiliza datos de geolocalización sino de vínculos entre usuarios.
“El mapa de conectividad social muestra amistades (amistades en Facebook) entre estados y países, lo que puede ayudar a los epidemiólogos a pronosticar la probabilidad de propagación de la enfermedad, así como también a las áreas donde el COVID-19 podría buscar apoyo“, subrayan desde la compañía.
Esto puede ayudar a los epidemiólogos a pronosticar la posibilidad de que una enfermedad se propague, así como también entender cuáles de las áreas más afectadas por COVID-19 necesitan ayuda. “Esta iniciativa busca entender y modelar el avance de la enfermedad, con el objetivo de medir recursos y eficacias de las medidas”, resumió Vargas.
“El COVID-19 presenta retrasos inherentes que desafían el ritmo con el que buscamos evaluar el impacto de las políticas de respuesta. La información de movilidad del programa Data for Good de Facebook brinda una visualización casi en tiempo real de importantes correlaciones de transmisión de la enfermedad. Esta data, combinada con otras fuentes, nos permite generar mejores modelos para tomar decisiones de salud pública”, dijo el doctor Daniel Klein, del Institute for Disease Modeling, en un comunicado difundido por Facebook.