Así que utilizaron técnicas de big data, data mining y data science para estructurar los datos, relacionarlos con las bases de datos ya existentes (de proteínas que fosforilan a otras, denominadas kinasas, de genes, de proteínas en general…), construir así mapas de las rutas de proteínas que las neuronas utilizan para comunicarse entre sí) y también para intentar identificar patrones de actividad relacionados con la memoria. Con respecto a la pandemia del COVID-19 el sistema sanitario a nivel mundial demostró no dar abasto para realizar pruebas diagnósticas a corto plazo, sumado a problemas económicos, logísticos, de infraestructura tecnológica y falta de personal hospitalario. La IA está ayudado a minimizar estos problemas https://ekuatio.com/por-que-un-curso-online-de-desarrollo-web-es-imprescindible-para-aprender-la-profesion/ a través del uso de técnicas de aprendizaje profundo, mediante el reconocimiento de imágenes para pruebas de radiodiagnóstico que, a diferencia de las pruebas clínicas estándar, arroja resultados en pocos minutos, y en ellos se infiere si los pulmones de un paciente están o no enfermos por neumonía asociada específicamente con la COVID-19 (Öner, 2020). Esta especificidad radica en el hecho que mediante procesos de extracción de características morfológicas sobre el objeto de estudio (Márquez, 2019), se validan con respecto a patrones propios de otras enfermedades, estableciéndose factores de similitud, bien en cuanto a la geometría del tejido, lesiones en el mismo y variaciones de intensidad, entre otros.

Otro ejemplo de la relevancia de los análisis de big data y el aprendizaje de las máquinas es la robot Tay de la empresa Microsoft, que fue programado para tener conversaciones vía mensajes de texto y aprender conforme interactuaba con los usuarios. Este ejercicio puso al descubierto que en menos de veinticuatro horas dicho «robot» había aprendido de las personas con las que interactuó que los judíos y el expresidente Bush eran los responsables de los atentados del 9/11; asimismo, este se manifestaba a favor del genocidio, utilizaba expresiones raciales y negaba que hubiera existido el Holocausto. Esto es un claro ejemplo de que las cosas pueden salir mal cuando las máquinas tienen un aprendizaje que proviene de los usuarios incorrectos (2018, p. 848). ENT#091;LENT#093;as nuevas tecnologías de la información y la comunicación han creado condiciones para la aparición de sociedades del conocimiento. La sociedad mundial de la información en gestación solo cobrará su verdadero sentido si se convierte en un medio al servicio de un fin más elevado y deseable; la construcción a nivel mundial de sociedades del conocimiento que sean fuentes de desarrollo para todo, sobre todo para los países menos adelantados (Unesco, 2005, p. 29).

Cursos online para introducirte en el análisis de datos o Big Data

Para ello FAIR4Health aplica técnicas de minería de datos distribuida que preservan la privacidad en los conjuntos de datos compartidos. Uno, para descubrir cuáles son los factores que desencadenan el inicio de una enfermedad, así como posibles patrones de asociación de varias enfermedades. Otro, para crear un servicio de predicción a 30 días del riesgo de reingreso en pacientes crónicos complejos. Como cabe esperar, parte importante de las aproximaciones y técnicas antes señaladas no se han desarrollado necesariamente en el campo de las ciencias sociales. Más bien, provienen de múltiples disciplinas tales como las matemáticas, la programación e informática, y más recientemente la llamada “ciencia de datos”. Por eso, la comprensión de la relación entre redes sociales y política utilizando estas herramientas implica un proceso de aprendizaje, en el que las técnicas se importan a otro campo científico y se ponen al servicio de otras agendas de investigación, preguntas y teorías.

Y no solo respecto a la protección de los derechos, sino que también en lo que respecta a las reparaciones por aquellas violaciones que pudieran haberse cometido en contra de los mismos. Además, «Si las empresas determinan que han provocado o contribuido a provocar consecuencias negativas deben repararlas o contribuir a su reparación por medios legítimos» (2011, p. 28). Tómese como ejemplo la Armada Electrónica Siria, que en 2011 utilizó cuentas de Facebook falsas, software de monitoreo y virus informáticos (como troyanos y malware) cuyo objetivo era conocer las prácticas de los disidentes del Gobierno (Nersessian, 2018, p. 848). Aprendizaje máquina es un área de investigación bastante reconocida en las ciencias de la computación, principalmente comprende el descubrimiento de modelos, patrones y regularidades en los datos [37].

Big DataNecesidades sociales 1 artículos

Se planteó la necesidad de que las aplicaciones de software tuviesen una rápida escalabilidad y que los sistemas de hardware fuesen diseñados a escala de contenedor [9]. El objetivo de analizar los datos depende fuertemente del contexto en el que se origina la necesidad del análisis. En la primera, llamada predicción, los datos corresponden a registros históricos acerca del valor de una variable de interés, conocida como variable de respuesta, y los Por qué un curso online de desarrollo web es imprescindible para aprender la profesión valores de múltiples variables que pueden predecir dicha respuesta, denominadas variables predictoras. El objetivo de la predicción es determinar el valor de la variable de respuesta para una colección de nuevos valores de las variables predictoras, distintos de aquellos que conocemos (Figura 3). Este es el caso, por ejemplo, cuando se dispone de registros de la sobrevida y el historial médico de pacientes que han sido sometidos a una intervención.

• Esto ha hecho que cada día se pro duzca un gran volumen de información, donde se ha estimado que en el mundo se producen diariamente 2.5 x 1030 bytes, es decir 2,5 quintillones de datos1.
• El consorcio Fair4Health quiere contribuir a facilitar y animar a los investigadores en salud a compartir y reutilizar sus conjuntos de datos (datasets), al menos aquellos que están financiados con fondos públicos, mediante la aplicación de los principios FAIR (Findable, Accesible, Interoperable, Reusable).
• Por otro lado, el aprendizaje de las máquinas -o machine learning, en inglés- es definido como «la programación de computadoras para optimizar su desempeño, usando un criterio con datos previos o experiencias pasadas» (Alpaydin, 2010, p. XXXV) para obtener grandes cantidades de datos personales en la toma de decisiones que están relacionadas con los individuos.
• Así, el equipo de investigadores estudió los cambios de fosforilación en varios miles de péptidos y proteínas, lo cual generó una multitud de datos.
• Cada tipo tiene un propósito diferente y su implementación depende en gran medida de los datos sin procesar disponibles.

Este software emplea cámaras de video estándar o aquellas dispuestas en una ciudad para videovigilancia, permitiendo monitorear el flujo peatonal en zonas críticas, realizando un reconocimiento sobre la distancia mínima, indicando una alerta a las autoridades si alguien no cumple con la norma. En algunos casos este sistema se combina con cámaras de medición térmica con el fin de establecer si alguna persona tiene fiebre y emitir una alerta para que sea aislada de inmediato por personal sanitario. 11 Es un nuevo enfoque educativo que tiene como principal objetivo el llevar a cabo el desarrollo integral de las personas en cada una de las dimensiones de su vida cotidiana, estableciendo como medios para alcanzar dicha meta el proyecto ético de vida y la reflexión constante sobre los diversos problemas de contexto que caracterizan a las tecnologías de la información y la sociedad del conocimiento. Ahora bien, el análisis de grandes volúmenes de datos es un tema que hoy por hoy interesa a la comunidad internacional. Por un lado, tenemos a los Estados que tienen la capacidad para ser creadores y proveedores de tecnologías; y, por otro, a los Estados que se limitan a la importación de dichos avances tecnológicos.

Rev. Bioética y Derecho  no.50 Barcelona  2020

Es necesario tener en cuenta que se debe probar la utilidad de las herramientas que vigilan tanto la manera en que se procesan los datos como los resultados que estos arrojan (Datta, Sen & Zick, 2017, p. 72). Otro problema con el análisis de big data es que debido a que los datos se obtienen de distintas fuentes, no hay claridad sobre el propósito predefinido para su recolección, lo que hace que la información que se pudo haber recogido con un propósito sea utilizada de modo muy distinto al momento en que se somete al análisis con posterioridad por parte de quienes los recolectan (Günther, 2017, p. 195). Un ejemplo de esto se verá más adelante con la sentencia Schrems ante el Tribunal de Justicia de la Unión Europea. El crecimiento en el volumen de datos generados por diferentes sistemas y actividades cotidianas en la sociedad ha forjado la necesidad de modificar, optimizar y generar métodos y modelos de almacenamiento y tratamiento de datos que suplan las falencias que presentan las bases de datos y los sistemas de gestión de datos tradicionales. Respondiendo a esto aparece Big Data, término que incluye diferentes tecnologías asociadas a la administración de grandes volúmenes de datos provenientes de diferentes fuentes y que se generan con rapidez [1]. Por otro lado, una parte fundamental de los pronunciamientos jurisdiccionales son los casos específicamente llevados a los tribunales, como es el caso de la sentencia Schrems ante el Tribunal de Justicia de la Unión Europea.

Hoeren hace énfasis específicamente en la calidad de los datos que se utilizan en el análisis de big data, pues deja en evidencia que si no existe calidad en los datos que se utilizan para obtener los resultados, estos serán imprecisos; entonces, los resultados que se arrojen pueden ser erróneos y pueden causar discriminaciones injustas para los individuos (2017, p. 27), lo que es peligroso. Esta situación, explica Hoeren, trae aparejadas otras consecuencias legales, y es que la afectación directa por este tipo de resultados es hasta ahora difícil de demostrar ante los tribunales en general (2017, pp. 27 y 34). Este autor también asevera que la interpretación es la parte más complicada del análisis de big data y que no importa qué tan grande sea la cantidad de datos que se procesan, sino que se entiendan los límites de estos análisis, pues -señala- no se han entendido las bases del big data y, por lo tanto, los resultados se pueden malinterpretar (2017, p. 35). La calidad de los datos es otro factor que incide y debe de ser considerado pues hay tres situaciones en las que la pureza de los datos puede afectar los resultados. Esto influye por la manera en que se realiza el análisis de los grandes cúmulos de datos; por ello, es preciso entender que, por un lado, se encuentra quien recoge los datos de manera bruta y los vende. Luego, por medio de esa relación contractual, se reciben los datos que se habrán de analizar y se estipula la calidad de los mismos.

Big Data. La Era de los Datos

El horizonte de uso de la producción masiva de datos en salud es inconmensurable y, por ende, cada año se incrementa exponencialmente el número de ar tículos científicos que reportan estudios donde se usan Big Data en diferentes disciplinas relacionadas con la salud16,24. A continuación, se describirán algunas ex periencias de aplicación en pediatría de datos masivos y las estrategias de procesamiento y análisis descritas anteriormente en el acápite anterior. En otro orden, el aprendizaje profundo se refiere a la forma en que la máquina va obteniendo la “respues ta correcta”. El procedimiento se va realizando por ca pas o nodos, de menor a mayor complejidad, el cual se puede realizar con sistemas de aprendizaje supervisa dos o no supervisados. Este tipo de aprendizaje se ha usado en la clasificación de imágenes, por ejemplo, en el estudio de cálculos renales usando un conjunto de datos con imágenes de cálculos en color e infrarrojo23.

Esto explica por qué una parte importante de la investigación empírica en este campo se base en datos recogidos de dicha red (pues no es el caso de Facebook, que tiene políticas de privacidad que impiden extraer información de cuentas que no sean públicas). En este sentido, los investigadores quedan a merced de las empresas que sirven de intermediarios, en la medida en que estás deben poner la información a disposición, muchas veces de manera limitada. Adicionalmente, esto abre todo un campo de discusión sobre los dilemas éticos que plantea el uso de información privada. Si bien las plataformas de micro-blogging han ido acomodándose a las regulaciones existentes en distintos contextos institucionales -y viceversa-, cuestiones como el consentimiento del uso de la información quedan muchas veces en “zonas grises” de interpretación. En la medida en que los países van convergiendo a estándares de uso de la información privada, como en la Unión Europea, se plantean nuevos dilemas éticos y prácticos tales como la propiedad de dichos datos y el resguardo que se hace de los mismos en vista de su uso comercial. Cabe señalar que el Big Data se caracteriza por tres adjetivos propios para el desarrollo de un proyecto de investigación, que son “Volumen”, “Variedad” y “Velocidad”, conocidos como las 3 V del Big Data; otros autores (Ishwarappa y Anuradha, 2015) adicionan la “Veracidad” y “Valor”.