«Las industrias del deporte y la salud no son inmunes al uso de los macrodatos y la inteligencia artificial» 

 Macrodatos en salud y deporte

Foto: Alexander Sinn/Unsplash

10/12/2020
Sílvia Oller
Angel A. Juan, Anna Bach y Milagros Sáinz, investigadores de la UOC, ayudan a identificar tendencias emergentes en big data, salud y deportes, con perspectiva de género

 

La inteligencia artificial (IA) y los macrodatos (big data) han entrado de lleno en el deporte y la salud. Con el objetivo de dar a conocer la investigación que se está haciendo en estos ámbitos, la red española Sports and Health Analytics Research with a Gender Perspective (SHARP), financiada por el Ministerio de Cultura y Deporte en coordinación con tres grupos de investigación de la Universitat Oberta de Catalunya (UOC), organizó en octubre un taller con una veintena de expertos. El investigador principal del grupo Internet Computing & Systems Optimization, del Internet Interdisciplinary Institute (ICSO@IN3), Angel A. Juan; la investigadora del grupo FoodLab, directora del máster universitario de Alimentación en la Actividad Física y el Deporte y profesora de los Estudios de Ciencias de la Salud de la UOC, Anna Bach, y la investigadora principal del grupo Género y TIC (GenTIC) del IN3, Milagros Sáinz, ayudan a identificar tendencias emergentes y predecir la evolución de un sector que ya no es ciencia ficción

Hace tiempo que nos hemos acostumbrado a recibir datos estadísticos al instante mientras vemos por televisión todo tipo de competiciones deportivas. Los clubes se basan cada vez más en herramientas como los macrodatos a la hora de fichar a jugadores... ¿Qué otros usos tiene la IA en los deportes?

ÁNGEL JUAN / ANNA BACH: De hecho, las técnicas analíticas y de aprendizaje automático son cada vez más utilizadas por los clubes profesionales de fútbol, baloncesto... para captar talento joven que encaje bien con las características del equipo. La explosión del uso de datos y la IA ha afectado prácticamente a todos los aspectos de nuestra vida, y la industria del deporte no ha sido ninguna excepción. En el campo del deporte, los análisis basados en datos pueden estar vinculados con el comportamiento y el estado de salud de los deportistas (prevención de lesiones), pero también en las decisiones de los gestores y de los responsables de los equipos deportivos, entre otros. 

¿Es posible predecir lesiones deportivas con los macrodatos? ¿Y cómo las pueden prevenir?

A.B. / A.J.: El investigador de la Universidad de Vic - Universidad Central de Cataluña Javier Peña explicaba en su intervención «Cómo los datos pueden ayudar a prevenir lesiones deportivas: restricciones actuales y perspectivas de futuro» que las lesiones son un tema muy complejo y que son difíciles de predecir. El coste de las lesiones deportivas es elevado y deben tratarse con cuidado si queremos promover la adhesión a la actividad física. Las principales limitaciones de los estudios de prevención de lesiones en entornos deportivos son que, debido a las políticas de protección de datos, la información sobre las lesiones no es pública ni compartida y la notificación de lesiones está lejos de ser impecable. Además, muchos estudios publicados son retrospectivos, lo que nos da poco margen para cambiar nuestros comportamientos en tiempo real. 

La figura del observador de antes está dejando paso a departamentos de macrodatos en muchos clubes deportivos. ¿Qué beneficios o resultados les aporta esta herramienta?

A.J. / A.B.: El investigador Martí Casals, también de la Universidad de Vic - Universidad Central de Cataluña, explicaba que el papel del bioestadístico deportivo incluye aportar información que facilite la comunicación entre atletas, entrenadores y personal médico. Casals da importancia a la calidad de los datos, a la transparencia y al hecho de que se puedan reproducir y aplicar. Para preguntar correctamente sobre datos necesitamos pruebas científicas proporcionadas por el bioestadístico, pero hay que tener en cuenta, y de hecho esta fue una de las conclusiones del taller, que los datos per se no aportan valor si no tienen la calidad suficiente, si no hay un buen diseño de investigación y análisis y una interpretación correcta de los resultados. 

¿Los macrodatos o la IA son capaces de predecir si un niño deportista acabará teniendo talento en la edad adulta? ¿Qué otros factores intervienen?

A.B. / A.J.: David López, investigador de Esade Business School, en su presentación «Contribución del análisis de datos en la adquisición de talentos deportivos», explicaba que la técnica más utilizada es el juicio de los expertos mediante el análisis de datos y el uso de modelos de simulación. Primero se hace un análisis descriptivo para dar una visión de la actividad y la generación de candidatos y, mediante análisis predictivos, se usan datos para encontrar patrones y utilizarlos para pronosticar qué puede pasar. Pero uno de los obstáculos de esta herramienta es que el potencial total sigue siendo un misterio, ya que muchos departamentos de clubes solo usan la estadística con el fin de informar, y no de predecir. Otro factor determinante es el hecho de que los clubes profesionales o semiprofesionales no comparten sus datos y, por tanto, tampoco los talentos. 

¿Es cierto que existen sesgos de género en los algoritmos y la IA? ¿Por qué se dan estos sesgos?

MILAGROS SÁINZ: Los sesgos de género se producen principalmente por la ausencia de mujeres y de perspectiva de género en el diseño y la producción de la tecnología y, por tanto, de los algoritmos. Los algoritmos se nutren de información o de datos de diferente tipo procedentes de diversas fuentes. Si estos datos no tienen la calidad suficiente porque solo tienen en cuenta la información sesgada en función de papeles o estereotipos de género, cualquier decisión que se tome a partir de estos datos tendrá un sesgo de género. Y eso es lo que ocurre con las plataformas de ocio y tiempo libre, como Netflix o Spotify, que presentan listas de recomendaciones sesgadas por género. 

¿Y cómo se pueden reducir o corregir?

M.S.: Se tendría que conseguir que más mujeres accedan a estos ámbitos, pero antes habría que cambiar la cultura de los contextos educativos y profesionales y que las personas que se forman en los ámbitos científicos y tecnológicos lo hagan con perspectiva de género. Además, los profesores de primaria, de secundaria y universitarios también deberían tener una formación con perspectiva de género. 

¿Qué hay que hacer para asegurar una buena calidad de datos? ¿Qué deberían tener en cuenta los equipos que se encargan de analizar datos? 

M.S.: Garantizar una buena calidad de datos implica poner a trabajar a personas expertas en análisis de datos de diversas disciplinas, con conocimientos y habilidades de diferentes tipos que contribuyan a asegurar que los datos que se toman como referencia no excluyen a personas pertenecientes a determinados grupos sociales. La IA se nutre de profesionales vinculados al procesamiento de la información del lenguaje natural que contribuyen al desarrollo de herramientas tecnológicas, como los asistentes virtuales de voz o los bots que emplean diferentes empresas para proporcionar servicios a los usuarios. Estos profesionales aportan un valor añadido incalculable a la IA porque se han formado en diversas especialidades de ciencias sociales o humanidades, como la filología o la traducción, disciplinas en las que hay una gran presencia de mujeres. 

Situaciones extraordinarias como la que estamos viviendo a raíz de esta emergencia sanitaria requieren la colaboración de personas provenientes de diversas disciplinas científicas (también de las ciencias sociales, las artes y las humanidades) que nutran la IA con datos suficientemente ricos y rigurosos para dar respuesta a retos sanitarios y sociales sobrevenidos. 

¿Cuál es la representación de las mujeres en los equipos de IA?

M.S.: Los estudios señalan que solo el 11 % de las personas que programan código fuente son mujeres. Además, un informe reciente corrobora la escasa diversidad de género en la investigación vinculada a la IA, ya que solo un 13,8 % de los autores son mujeres. Las publicaciones sobre IA que tienen al menos una coautora tienden a estar orientadas a temas sociales, como la justicia, la movilidad humana, la salud o el género. 

Actualmente, menos del 25 % de los investigadores en IA en instituciones y organizaciones académicas son mujeres. Según varios estudios, más del 80 % del profesorado universitario que se dedica a temas de IA está formado por hombres, y un 11,95 % del personal que investiga sobre IA en Microsoft y un 15,66 % en IBM son mujeres. 

¿Por qué piensas que hay tan poca representación femenina?

M.S.: Hay muy pocas mujeres matriculadas en estudios vinculados con la IA o que tengan profesiones relacionadas con este sector. Las oportunidades profesionales y laborales ligadas a este ámbito son ilimitadas y se necesita la interdisciplinariedad para que, desde ámbitos que a priori no son técnicos, se puedan dar soluciones a los diferentes retos que plantea la IA. La población continúa teniendo muchos estereotipos sobre el tipo de persona que trabaja en este sector. Existe la percepción de que las mujeres que trabajan en campos relacionados con la IA son «frikis» y raras, que no se relacionan con los demás y que se pasan el día picando códigos o delante del ordenador. 

En el taller se habló de la dificultad que tienen las mujeres para encontrar tiempo para practicar deporte y también de la tasa de abandono femenino en la práctica deportiva. ¿Esto por qué ocurre? ¿Cómo se puede revertir la situación?

M.S.: Generalmente las mujeres asumen más responsabilidades en el cuidado de la familia y en las tareas domésticas, por lo que no les queda mucho margen para disfrutar del deporte y del tiempo libre. Según María Martín, profesora de la Universidad Politécnica de Madrid, las futuras investigaciones deberían incluir aspectos vinculados con la motivación para la salud asociados al deporte, incorporar el caminar en las prácticas deportivas y cuestiones relacionadas con las condiciones de vida de las personas, como aspectos vinculados con la crianza, el trabajo y el hogar. 

Sería capital utilizar una metodología que permita identificar la variable discriminante (¿por qué no practican deporte si de verdad quieren?) que complemente otras metodologías. En su presentación, la profesora Martín destacó la necesidad de reconsiderar la definición de «práctica deportiva», ya que muchas mujeres caminan, pero este tipo de práctica deportiva no se considera un deporte como tal. 

En un tema de gran actualidad, la investigadora Lídia Arroyo, del IN3, está coordinando un proyecto sobre la COVID-19 y el género. ¿En qué consiste, Lídia?

LÍDIA ARROYO: Es un proyecto que tiene por objetivo crear un portal de datos abiertos y analizar científicamente el impacto de la pandemia en función de las desigualdades de género en el mercado de trabajo. El proyecto analizará el impacto de la COVID-19 según la segregación ocupacional en función del género. La investigación quiere estudiar el impacto que tiene la segregación ocupacional horizontal, relacionada con la concentración de mujeres en unas ocupaciones y unos sectores específicos, como en los trabajos que consisten en el cuidado de personas. También analizará la segregación ocupacional vertical, que tiene relación con una mayor proporción de mujeres en categorías profesionales más bajas, un hecho que está relacionado también con otras desigualdades interseccionales, como la clase y el origen. El proyecto fue aprobado por el Programa de analítica de datos para la investigación y la innovación en salud (PADRIS), de la Agencia de Calidad y Evaluación Sanitarias de Cataluña (AQuAS), adscrita al Departamento de Salud. 

¿Cómo está mejorando la salud el análisis de datos? ¿Los macrodatos o la IA ayudan a afinar los diagnósticos?

AB/AJ: Estas herramientas permiten procesar una gran cantidad de datos utilizando algoritmos inteligentes y mejorar muchos procesos del ámbito de la salud. Grupos como el ICSO y el FoodLab, ambos de la UOC, exploran varias líneas de investigación en este sentido. Por ejemplo, estamos trabajando en proyectos de logística sanitaria que deben permitir mejorar los procesos de muestreo y de administración masiva de medicamentos o vacunas, y también que los equipos de protección sanitarios puedan llegar a los hospitales tan rápido como sea posible. 

También se trabaja en proyectos que apoyan a especialistas médicos que deben decidir cuáles son las mejores combinaciones de tratamiento para algunos cánceres, teniendo en cuenta aspectos como el estado de la enfermedad, las características físicas y genéticas del paciente, su género y edad, las interdependencias entre tratamientos y la disponibilidad futura de recursos, como quirófanos, especialistas... 

Además, trabajamos en proyectos de reconocimiento facial en que se emplean cámaras y algoritmos de IA para identificar a los pacientes cuando lleguen a la sala de urgencias de un hospital, de modo que toda la información disponible sobre el paciente se cargue automáticamente, en tiempo real, en el ordenador de los médicos que han de atenderlo.

¿Creéis que los gobiernos sacan suficiente partido de los macrodatos a la hora de hacer políticas eficientes, o todavía es una herramienta poco utilizada?

A.J. / A.B.: Depende mucho de cada país. Hay países donde la investigación cuenta con una financiación más elevada y se impulsan las carreras científicas y de otros ámbitos en los que es más difícil disponer de recursos, como personal, instalaciones o centros. La inversión en investigación puntera debería ser una prioridad para cualquier país desarrollado, pero en el nuestro todavía estamos muy lejos de tener las facilidades que tienen otros países europeos y norteamericanos. 

M.S.: Pienso que todavía no se saca suficiente partido a muchas herramientas de análisis de bases de macrodatos, sobre todo en cuanto a la perspectiva de género. Poco a poco se están desarrollando más herramientas, y por ello es fundamental establecer los requerimientos éticos y legales que configuran el uso de los macrodatos. 

¿Qué investigaciones tenéis en curso en vuestros respectivos grupos de investigación?

AB/AJ: La estudiante de doctorado y miembro del FoodLab y del ICSO@IN3 Natalia Forner está haciendo un estudio sobre los patrones dietéticos para la salud y la sostenibilidad, en el que utilizará los macrodatos para analizar los datos disponibles y prever escenarios. 

Siguiendo en esta línea, la estudiante de doctorado de la Universidad de Ciudad del Cabo (República de Sudáfrica) e investigadora visitante del FoodLab Georgina Pujol-Busquets, mediante el programa de nutrición y salud para mujeres de comunidades pobres, está trabajando con datos de actividad física y alimentación, integrando aspectos de género. 

En el FoodLab, en la línea de investigación en alimentación y actividad física, estamos trabajando también en aspectos de rendimiento, deporte y salud. Por ejemplo, el investigador Xavi Santabàrbara, estudiante del doctorado de Salud y Psicología, habló en el taller de los suplementos dietéticos y el dopaje. 

M.S.: En la actualidad, el GenTIC, además de trabajar en el proyecto sobre la COVID-19 y el género liderado por Lídia Arroyo, tiene en marcha tres proyectos europeos, uno de ellos para la promoción de planes de igualdad en instituciones de educación superior y otro sobre innovación en empresas de economía social con perspectiva de género. También trabajamos en la creación de un sistema europeo de certificación sobre igualdad y género para las entidades de investigación y en un plan estatal con un conjunto de estudios sobre intervenciones para fomentar las vocaciones científicas y tecnológicas en las chicas. Además, tenemos un proyecto financiado por RecerCaixa sobre los mecanismos de prevención de la violencia de género en la educación secundaria. 

"Sports and Health Analytics Research with a Gender Perspective" (SHARP) is a Spanish network of researchers funded by the High Council of Sports (CSD) of the Spanish Ministry of Culture and Sport (Ref. 09/UPR/20)