Por Paulo Josué Quirós Gómez – Estudiante de la carrera de Derecho

El estándar de protección de datos de salud en época de pandemia a través de inteligencia artificial podría marcar la diferencia respecto a otras tecnologías, si se restringen ciertos elementos como el nombre y la ubicación de las personas en los expedientes, sin que se limite la predictibilidad y la innovación. La predicción de severidad en el impacto del Covid-19 por medio de inteligencia artificial muestra limitaciones en cuanto a acceso a los datos que tiene la CCSS con el Expediente Digital (EDUS) (García, 2020), pero la posibilidad de generar nuevos datos y obtener predicciones no es una acción lejana a la realidad para empresas desarrolladoras. Fortalecer la seguridad digital, según la gerente del Banco Interamericano de Desarrollo, Irene Arias (Gómez, et al, 2020, p. 5), abarca disponibilidad, integridad y confidencialidad, además de la transparencia algorítmica y rendición de cuentas, con lo cual se logra que los usuarios tengan más poder sobre cómo manejan su data.

Los análisis predictivos a través de algoritmos por medio de “machine learning” (tecnología de inteligencia artificial) utiliza patrones históricos y determina atributos y categorías para localizar rutas de acción. En el caso del coronavirus, permite reconocer población de riesgo, posibilidades de contagio o complicación para así reactivar economía con población que no tienen un riesgo elevado (Jiang, et al., 2020, p. 8). De esa forma, la gestión masiva de datos y su selección estratégica a través de tecnologías para poder reconocer patrones de propagación del virus COVID-19 permite reducir la probabilidad de una congestión sanitaria y ampliar perspectiva del comportamiento epidemiológico, lo cual pone a prueba las medidas de protección de datos como materia prima y evita su uso posterior para fines externos al del sector salud.

Se cuenta con distintos marcos normativos que incluyen el uso de certificaciones y protocolos o estándares, pero ¿es posible codificar los marcos normativos en algoritmos de inteligencia artificial para que procure esa seguridad digital? Esta última, al ser filtrada por mecanismos de inteligencia artificial, podría cumplir con el principio de minimización de datos y anonimación que, según González (2020), no hacen inútiles los procedimientos, pero habría mayor margen de error en el sector médico porque se requieren más detalles en los datos para establecer patrones. Resalta entonces la posibilidad de que la información de usuarios generada constantemente “no abandone sus dispositivos sino que el programa —de aprendizaje federado— acude a ellos” (Martín, 2019), en que el modelo se entrena en las manos de las personas y la información se devuelve a servidor central con pequeñas actualizaciones, lo cual, según mismo artículo, requiere de un protocolo de confidencialidad (otro sistema de protección) donde no se identifique a los usuarios y además la técnica de privacidad diferencial en que se impide deducir datos originales.

Encontrar el equilibrio entre las medidas regulatorias en el rastreo de casos es clave para generar credibilidad en el uso de tecnologías para la toma de decisiones. En la gestión de datos médicos implica que los nombres o ubicaciones no necesariamente se deben eliminar o no pedir, sino que deben tratarse diferente, con un lenguaje distinto y accesos especiales, por lo que tres niveles de protección es más viable que una restricción de detalles y datos almacenados, reconociendo que los algoritmos aprenden y que los usuarios deben gestionar y ejercer su autonomía sobre quién maneja su información y los permisos para su distribución, de la mano con la diversidad de medidas regulatorias actuales.

 

MOXIE es el Canal de ULACIT (www.ulacit.ac.cr), producido por y para los estudiantes universitarios, en alianza con el medio periodístico independiente Delfino.cr, con el propósito de brindarles un espacio para generar y difundir sus ideas.  Se llama Moxie - que en inglés urbano significa tener la capacidad de enfrentar las dificultades con inteligencia, audacia y valentía - en honor a nuestros alumnos, cuyo “moxie” los caracteriza.

Referencias Bibliográficas:
  • García, L. (2020). Predicción de severidad clínica en pacientes de Costa Rica con Sars-Cov-2 utilizando inteligencia artificial. Medium. https://planetachatbot.com/predicci%C3%B3n-de-severidad-cl%C3%ADnica-en-pacientes-de-costa-rica-con-sars-cov-2-utilizando-inteligencia-247869d2a507
  • Gómez, C., May, C., Martínez, C. y Martín, A. (2020). La inteligencia artificial al servicio del bien social en América Latina y el Caribe. https://publications.iadb.org/publications/spanish/document/La-inteligencia-artificial-al-servicio-del-bien-social-en-America-Latina-y-el-Caribe-Panor%C3%A1mica-regional-e-instant%C3%A1neas-de-doce-paises.pdf
  • González, A. (2020). ¿Cómo se adapta la inteligencia artificial al RGDP? Grupo Atico 34, nuevas tecnologías. https://protecciondatos-lopd.com/empresas/inteligencia-artificial-rgpd/#Proteccion_de_datos_por_diseno_y_por_defecto
  • Jiang, X., Coffee, M., Bari, A., Wang, J., Jiang, X., Huang, J., Shi, J., Dai, J., Cai, J., Zhang, T., Wu, Z., He, G. y Huang, Y. (2020). Towards an Artificial Intelligence Framework for Data Dirven Prediction of Coronavirus Clinical Severity. Computers, Materials and Continua, 63 (1). https://techscience.com/cmc/v63n1/38464
  • Martín, B. (2019). El reto de entrenar una inteligencia artificial en la era de la privacidad. BBVA, Open Mind. https://www.bbvaopenmind.com/tecnologia/inteligencia-artificial/el-reto-de-entrenar-una-inteligencia-artificial-en-la-era-de-la-privacidad/