Información

¿Por qué los gráficos de casos de coronavirus tienen una forma sinusoidal?

¿Por qué los gráficos de casos de coronavirus tienen una forma sinusoidal?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Algunas capturas de pantalla de un sitio web canadiense:

¿Ves esta forma sinusoidal? ¿Por qué está ahí? ¿No debería ser una sola curva?

Mi conjetura principal es cuando se cuentan los casos: ¿es posible que se cuenten algo así como cada lunes? No puedo creer que la progresión del virus realmente tenga una curva sinusoidal.

No es un error en el sitio web, ya que otras fuentes parecen mostrar lo mismo: worldometers, nbc news, y muchas más.


Es un ciclo semanal debido a los informes de interrupciones durante el fin de semana.

Utilice una media móvil de 7 días para obtener una mejor imagen. Los días festivos y demás aún pueden ser perjudiciales, pero el promedio de 7 días resuelve la mayor parte.


Cómo un científico de ojos agudos se convirtió en detective de imágenes de biología

Usando solo sus ojos y su memoria, Elisabeth Bik ha identificado miles de estudios que contienen imágenes científicas potencialmente manipuladas.

En junio de 2013, Elisabeth Bik, una microbióloga, sintió curiosidad por el tema del plagio. Había leído que la deshonestidad científica era un problema creciente y se preguntó ociosamente si otros podrían haberle robado su trabajo. Un día, pegó una frase de uno de sus artículos científicos en el motor de búsqueda de Google Scholar. Descubrió que varias de sus frases habían sido copiadas, sin permiso, en un oscuro libro en línea. Pegó algunas oraciones más del mismo capítulo del libro en el cuadro de búsqueda y descubrió que algunas de ellas habían sido robadas de los escritos de otros científicos.

Bik tiene una disposición metódica y minuciosa, y analizó el capítulo durante el fin de semana. Encontró que contenía texto plagiado de dieciocho fuentes no acreditadas, que categorizó usando resaltado codificado por colores. Buscar el plagio se convirtió en una especie de pasatiempo para Bik. Comenzó a buscar en Google Scholar más casos en sus horas libres, cuando no trabajaba como investigadora en Stanford. Pronto identificó treinta artículos biomédicos falsos, algunos en revistas muy respetadas. Envió un correo electrónico a los editores de las publicaciones y, a los pocos meses, se retiraron algunos de los artículos.

En enero de 2014, Bik estaba revisando una tesis sospechosa cuando también comenzó a mirar las imágenes. Incluyeron fotografías conocidas como Western blots, en las que las proteínas aparecen como bandas oscuras. Bik pensó que había visto una banda de proteína en particular antes: tenía un puntito negro gordo en un extremo. En otra parte de la disertación, encontró la misma banda volteada y presentada como si fueran datos de un experimento diferente. Siguió mirando y vio una docena más de Western blots que parecían copiadas o sutilmente manipuladas. Se enteró de que la tesis, escrita por un estudiante de posgrado de la Universidad Case Western Reserve, se había publicado como dos artículos de revista en 2010.

La presencia de una imagen defectuosa en un estudio científico no invalida necesariamente sus observaciones centrales. Pero puede ser una señal de que algo anda mal. En ciencia, las imágenes son sumamente importantes: cada imagen y gráfico en un artículo científico está destinado a representar datos que respalden los hallazgos de los autores. Las imágenes fotográficas, en particular, no son ilustraciones, sino la evidencia misma. A Bik le pareció que las imágenes duplicadas o manipuladas podían ser más dañinas para la ciencia que el plagio.

Bik decidió examinar algunos estudios recientemente publicados en Más uno, una revista de “acceso abierto” en la que los artículos se ponen a disposición del público de forma gratuita. (La editorial sin fines de lucro de la revista cobra a los autores tarifas de procesamiento de artículos). Abrió quince artículos, cada uno en su propia pestaña del navegador, y comenzó a mirar las imágenes sin leer el texto. En unas pocas horas, había mirado alrededor de un centenar de estudios y había detectado algunas imágenes duplicadas. “Rápidamente se volvió adictivo”, me dijo Bik, con un marcado acento holandés. Noche tras noche, recopilaba artículos problemáticos, algunos con Western blots duplicados, otros con imágenes copiadas de células o tejidos. Todos habían pasado por una revisión por pares antes de ser aceptados. Algunas duplicaciones podrían haber sido inocentes, tal vez una confusión por parte de un científico con una carpeta llena de archivos. Pero otras imágenes se habían clonado, estirado, ampliado, girado o invertido. Las formas y patrones en biología son infinitamente únicos. Bik sabía que estas duplicaciones no podían haber ocurrido por accidente. Sin embargo, no quería implicar erróneamente a un compañero científico en un delito. Envió amables correos electrónicos a las revistas que habían publicado los dos estudios de casos occidentales. Los editores finalmente respondieron, prometiendo investigar sus preocupaciones. Luego pasaron seis meses sin más noticias. Bik estaba bloqueado.

En 2012, tres científicos habían creado un sitio web llamado PubPeer, donde los investigadores podían discutir el trabajo publicado de los demás. Los críticos objetaron el hecho de que el sitio permitiera comentarios anónimos. Aún así, PubPeer fue moderado para prohibir acusaciones sin fundamento y, en varios casos, denunciantes anónimos lo habían utilizado para llamar la atención sobre manipulaciones de imágenes o errores estadísticos, lo que provocó importantes correcciones y retractaciones. A Bik le pareció que publicar sus hallazgos en línea implicaba cruzar un límite: la forma tradicional de plantear preguntas sobre la integridad de un artículo era la comunicación privada con los autores, revistas o universidades. De todos modos, hizo una cuenta anónima. “Me preocupan algunas cifras de este documento”, escribió, para cada estudio de Case Western. Cargó capturas de pantalla de las duplicaciones de imágenes, con las áreas clave claramente delimitadas por cuadros azules o rojos, y presionó el botón para enviar.

La publicación científica es una industria multimillonaria. Solo en biomedicina, cada año se publican más de 1,3 millones de artículos en toda la ciencia, hay más de doce mil revistas de renombre. Miles de otras revistas basadas en la web publican incluso los manuscritos más endebles después de una falsa revisión por pares, a cambio de tarifas de procesamiento. En China, los investigadores bajo presión para cumplir con cuotas de publicación poco realistas compran artículos escritos por fantasmas en un mercado negro. Mientras tanto, a medida que la Web ha facilitado la proliferación de revistas, el avance profesional en la ciencia ha dependido cada vez más de la publicación de tantos estudios como sea posible.

Hace aproximadamente una década, los científicos comenzaron a considerar los efectos de este sistema sobrealimentado de publicar o perecer. Algunos casos de fraude absoluto, incluido el estudio británico que relacionó falsamente las vacunas con el autismo, afectaron disciplinas científicas específicas en psicología, investigación del cáncer y otros campos, se reconoció que una proporción significativa de estudios había hecho afirmaciones exageradas y no podía ser replicado. Se introdujeron reformas. Surgieron sitios web de vigilancia como PubPeer y Retraction Watch, y varios detectives independientes de integridad en la investigación comenzaron a desenterrar casos de mala conducta y a compartirlos a través de blogs, PubPeer y Twitter.

En marzo de 2019, cuando tenía cincuenta y tres años, Bik decidió dejar su trabajo para hacer este trabajo de detective a tiempo completo, lanzando un blog llamado Science Integrity Digest. Durante los últimos seis años y medio, mientras obtiene un poco de ingresos de consultoría y conferencias, y recibe financiación colectiva, ha identificado más de cuarenta y novecientos artículos que contienen duplicaciones de imágenes sospechosas, documentándolas en una hoja de cálculo maestra. En Twitter, más de cien mil personas siguen ahora sus revelaciones.

Bik creció con dos hermanos en Gouda, en los Países Bajos, donde su madre y su padre médico tenían una práctica médica en su casa de ladrillos rojos, en un canal bordeado de árboles. A la edad de ocho años, Bik quería convertirse en ornitóloga y pasaba horas con binoculares, escaneando el jardín en busca de pájaros y registrando todas las especies que avistaba. Descubrió la ciencia, obtuvo un doctorado. en microbiología, y se mudó a los Estados Unidos justo después del 11 de septiembre, cuando su esposo, Gerard, un ingeniero óptico, consiguió un trabajo en Silicon Valley. Pasó quince años estudiando el microbioma en un laboratorio de Stanford antes de pasar a la industria biotecnológica.

Cuando Bik se topó por primera vez con el problema de la duplicación de imágenes, algunos editores de revistas habían estado escribiendo al respecto, pero nadie había averiguado la magnitud del problema. Envió un correo electrónico a dos prominentes microbiólogos, Ferric Fang y Arturo Casadevall, que habían estudiado retracciones en publicaciones científicas, presentándose junto con duplicaciones de imágenes que había encontrado en Infección e inmunidad y mBio—Revistas en las que Fang y Casadevall fueron los editores en jefe, respectivamente. Los tres acordaron realizar un estudio sistemático. Bik revisaría artículos en cuarenta revistas diferentes, y Fang y Casadevall revisarían sus hallazgos.

En 2016, el equipo publicó sus resultados en mBio. Cuando los editores de revistas examinan imágenes cuestionables, normalmente utilizan herramientas de Photoshop que amplían, invierten, estiran o superponen imágenes, pero Bik hace el mismo trabajo principalmente con los ojos y la memoria únicamente. Trabajando a una velocidad de unos minutos por artículo, había examinado 20.621 estudios asombrosos. El equipo llegó a la conclusión de que tenía razón el noventa por ciento de las veces, el diez por ciento restante de las imágenes incluía algunas que tenían una resolución demasiado baja para permitir una determinación clara. Informaron duplicaciones de imágenes "inapropiadas" en setecientos ochenta y dos, o el cuatro por ciento, de los documentos; alrededor de un tercio de las imágenes marcadas incluían copias simples, que podrían haber sido errores inadvertidos, pero al menos la mitad de los casos eran sofisticados. duplicaciones que probablemente habían sido manipuladas. "A veces parece casi mágico que el cerebro pueda hacer esto", me dijo Fang, refiriéndose a las habilidades de Bik.

El trío estimó que, de los millones de estudios biomédicos publicados, decenas de miles deberían retirarse por imágenes falsas o poco fiables. Pero ajustar el registro científico puede ser tremendamente lento, especialmente cuando la investigación es de bajo perfil. En total, los editores de revistas tardaron más de treinta meses en retractarse de los dos artículos de Case Western que Bik había informado. Además de contactar a los editores, Bik a veces se comunica con instituciones de investigación o con la Oficina de Integridad de la Investigación (O.R.I.), una agencia gubernamental responsable de investigar la mala conducta en la ciencia financiada con fondos federales. Pero el O.R.I. y las instituciones tienen protocolos (deben obtener cuadernos de laboratorio, realizar entrevistas, etc.) que toman tiempo para desarrollarse.

Para 2016, Bik había informado de los setecientos ochenta y dos artículos en el mBio estudio a los editores de revistas (incluido en Más uno). Hasta junio de este año, se habían corregido doscientos veinticinco, se habían etiquetado doce con “expresiones de preocupación” y se habían retirado ochenta y nueve. (Entre ellos había cinco estudios desacreditados por un investigador del cáncer en Pfizer, que fue despedido). Hasta donde Bik sabe, el cincuenta y ocho por ciento de los estudios siguen siendo amplios. En los últimos cinco años, ha informado de imágenes problemáticas en otros 4.132 estudios, solo alrededor del quince por ciento se han abordado hasta ahora. (Se han retractado trescientos ochenta y dos). En sólo cinco o diez casos le han dicho que los autores demostraron que sus preocupaciones por la imagen eran infundadas, dijo.

Frustrada por estos largos horarios, Bik ha pasado a compartir más de sus hallazgos en línea, donde los lectores de revistas pueden encontrarlos. En PubPeer, donde es la aficionada más prolífica que usa su nombre real, sus comentarios son circunspectos: escribe que las imágenes son "notablemente similares" o "más similares de lo esperado". En Twitter, es más performativa y, a menudo, toca para una audiencia en vivo. “#ImageForensics Edición de la mitad de la noche. Nivel: fácil a avanzado ”, tuiteó Bik a las 2:41. SOY. una noche. Publicó una serie de fotografías coloridas que se asemejaban a pinturas abstractas, incluida una vista estriada de pinceladas rosadas y blancas (un trozo de tejido cardíaco) y una salpicadura de grano fino de manchas rojas rubí y blancas (un trozo de riñón). Seis minutos después, un biólogo del Reino Unido respondió: dos fotos de riñón parecían idénticas, escribió. Un minuto después, otro usuario marcó el mismo par, junto con tres imágenes pulmonares que parecían la misma muestra de tejido, que se movieron ligeramente. Las respuestas continuaron llegando de otras personas: dibujaron recuadros codificados por colores al estilo Bik alrededor de las partes de la imagen clonada. A las 3:06 SOY., Bik le otorgó al segundo usuario un trofeo emoji por la mejor respuesta.

En Silicon Valley, Bik y su esposo viven en un elegante rancho moderno de mediados de siglo con una alegre puerta de entrada naranja y un techo inclinado en ángulo bajo. En el vecindario, la residencia es una de las muchas copias duplicadas que lucen diferentes esquemas de color. Visité a Bik justo antes de que comenzara la pandemia. Alta, con elegantes anteojos de carey azul y cabello castaño hasta los hombros, vestía una blusa con un patrón floral azul celeste y naranja recurrente y tenía una mirada penetrante de ojos azules. Mientras Bik preparaba el té, su marido, vestido con una chaqueta de lana roja, tostaba unas galletas stroopwafel congeladas, de Gouda.

Como guía turístico, Bik mostró las características originales de su cocina, incluida su encimera de formica blanca, salpicada de puntos dorados y negros. "¡Es aleatorio!" me aseguró, sin duplicaciones. No se puede decir lo mismo de las baldosas de gres porcelánico gris texturizado. Cuando los trabajadores los instalaron, explicó Bik, les pidió que rotaran las piezas que eran idénticas, para que las repeticiones fueran menos notorias. De todos modos, algunas fichas duplicadas habían terminado una al lado de la otra. No pude ver la duplicación hasta que trazó una cresta ondulada idéntica en cada baldosa con ambos dedos índices. "Lo siento, soy, como, rara", dijo, y se rió.

En el armario de su dormitorio, las camisas de Bik colgaban en un degradado de color que iba desde negros y marrones hasta verdes y azules. No hace mucho, ayudó a organizar la enorme colección de zapatos de su cuñada por color en los nuevos estantes de almacenamiento cuando algunos amigos se quejaron de las desordenadas cajas de tuercas, tornillos y clavos que cubrían su garaje, Bik los clasificó en pequeños cajones. “Nada me hace más feliz”, me dijo. Desde la infancia, ha coleccionado figuras de tortugas y juguetes, alrededor de dos mil están dispuestos en cuatro vitrinas junto a una mesa de comedor de madera clara. Mantiene una hoja de cálculo con el seguimiento de su colección de tortugas: hay tortugas hechas de conchas marinas de cauri, tortugas de bronce, tortugas de porcelana azul de Delft, tortugas con cabeza ondulada, cajas de madera con forma de tortuga con tapas y tortugas "funcionales" (llaveros, sacapuntas) . Me mostró un pequeño animal de peluche al que le faltaba un ojo: la Tortuga No. 1. (Ha dejado de agregar a su colección. "No quiero que se apodere de mi casa", dijo).

Esa tarde, Bik se sentó en su mesa de comedor, que le sirve de escritorio. Las ventanas del piso al techo ofrecían una vista tranquila del follaje del patio trasero. En su monitor curvo de pantalla ancha, Bik revisó su cuenta de Twitter; su biografía incluía una foto de un jardín de cactus "Esa soy yo, espinosa", dijo, y luego sacó su hoja de cálculo maestra de documentos problemáticos, que no comparte públicamente. Cada una de sus miles de entradas tiene más de veinte columnas de detalles. Se quitó las gafas, las dejó junto a una taza de té de manzanilla, se sentó con la espalda recta y comenzó a escanear rápidamente los papeles de Más uno con su rostro cerca del monitor. Comenzando con el primer estudio —sobre el “factor de transcripción tipo 1 de cremallera de leucina” - miró una serie de imágenes de transferencia Western. Tomó capturas de pantalla y las examinó en Vista previa, acercándose y ajustando el contraste y el brillo. (De vez en cuando, usa Forensically e ImageTwin, herramientas que hacen algunos análisis foto-forenses semiautomáticos). Pasó a un estudio con cortes transversales de color rosa y morado de tejido intestinal de ratón, y luego se detuvo en una figura con una docena de fotos. de grupos translúcidos de células. Ella se rió entre dientes. "Parece un conejo volador", dijo, señalando una mancha.

Bik no encontró problemas. Más uno ha "limpiado mucho su acto", dijo. El editor de la revista emplea un equipo de tres editores que manejan asuntos de ética de publicación, incluidos los casos de Bik. Renee Hoch, una de las editoras, me dijo que el proceso de investigación, que implica obtener imágenes originales y sin procesar de los autores y, en algunos casos, solicitar aportes de revisores externos, generalmente toma de cuatro a seis meses por caso. Hoch dijo que de los primeros ciento noventa de los casos de Bik que el equipo había resuelto, el cuarenta y seis por ciento requirió correcciones, alrededor del cuarenta y tres por ciento se retractaron y otro nueve por ciento recibió "expresiones de preocupación". En solo dos de los trabajos resueltos no pasó nada. “En la gran mayoría de los casos, cuando ella plantea un problema y lo investigamos, estamos de acuerdo con su evaluación”, dijo Hoch.

¿Podría reemplazarse Bik por una computadora? Hay argumentos a favor de la idea de que el escaneo automático de imágenes podría ser más rápido y más preciso, con menos falsos positivos y falsos negativos. Hany Farid, un científico informático y experto en fotografía forense de la Universidad de California, Berkeley, estuvo de acuerdo en que la mala conducta científica es un tema preocupante, pero le inquieta que los detectives de imágenes individuales utilicen su propio juicio para identificar públicamente las imágenes sospechosas. “Uno quiere andar bastante a la ligera” cuando la reputación profesional está en juego, me dijo. Las reservas de Farid surgen en parte de un escepticismo generalizado sobre la precisión del ojo humano. Si bien nuestros sistemas visuales sobresalen en muchas tareas, como reconocer rostros, no siempre son buenos en otros tipos de discriminación visual. Farid a veces brinda testimonio en la corte en casos que involucran imágenes manipuladas, su laboratorio ha diseñado algoritmos para detectar fotografías falsas de escenas cotidianas, y tienen una precisión del ochenta al noventa y cinco por ciento, con falsos positivos en aproximadamente uno de cada cien casos. A juzgar por los estándares de la sala de audiencias, las estadísticas de Bik no lo impresionan y preferiría una evaluación más rigurosa de su precisión. "Puede auditar los algoritmos", dijo Farid. "No puedes auditar su cerebro". Le gustaría ver sistemas similares diseñados y validados para identificar imágenes científicas falsas o alteradas.

Actualmente, algunos servicios comerciales ofrecen software especializado para comprobar imágenes científicas, pero los programas no están diseñados para un uso automatizado a gran escala.Idealmente, un programa extraería imágenes de un artículo científico y luego las compararía rápidamente con una enorme base de datos, detectando copias o manipulaciones. El año pasado, varias editoriales científicas importantes, incluidas Elsevier, Springer Nature y EMBO Press, convocaron a un grupo de trabajo para profundizar en cómo los editores podrían usar dichos sistemas para preseleccionar manuscritos. Se están realizando esfuerzos, algunos financiados por el O.R.I., para crear potentes algoritmos de aprendizaje automático para hacer el trabajo. Pero es más difícil de lo que uno podría pensar. Daniel Acuña, un científico informático de la Universidad de Syracuse, me dijo que estos programas deben ser entrenados y probados contra grandes conjuntos de datos de imágenes científicas publicadas para las cuales se conoce la “verdad fundamental”: ¿manipulados o no? Un grupo en Berlín, financiado por Elsevier, ha estado construyendo lentamente una base de datos de este tipo, utilizando imágenes de artículos retirados que algunos desarrolladores de algoritmos también han recurrido a Bik, quien ha compartido su conjunto de artículos defectuosos con ellos.

Bik me dijo que agradecería los sistemas de escaneo de imágenes automatizados y efectivos, porque podrían encontrar muchos más casos de los que ella podría encontrar. Aún así, incluso si una plataforma automatizada pudiera identificar imágenes problemáticas, tendrían que ser revisadas por personas. Una computadora no puede reconocer cuando las imágenes de la investigación se han duplicado por razones apropiadas, como con fines de referencia. Y, si ya hay malas imágenes en el registro publicado, alguien debe acosar a los editores de revistas o instituciones hasta que tomen medidas. Alrededor de cuarenta mil artículos han recibido comentarios sobre PubPeer y, para la gran mayoría, "no hay absolutamente ninguna respuesta", me dijo Boris Barbour, un neurocientífico de París que es organizador voluntario de PubPeer. "Incluso cuando alguien es claramente culpable de una carrera de trampas, es bastante difícil ver que se haga justicia", dijo. "Las escalas están claramente inclinadas en la otra dirección". Algunas revistas son cómplices activas de generar artículos falsos. Un ex editor de la revista con el que hablé describió que trabajaba en una publicación de bajo nivel altamente rentable que aceptaba de forma rutinaria manuscritos "increíblemente malos", que estaban plagados de plagio e imágenes descaradamente falsas. Los editores pidieron a los autores que proporcionaran imágenes alternativas y luego publicaron los estudios después de una intensa edición. "Creo que lo que está mostrando es la punta del iceberg", dijo el exeditor de Bik.

Algunos oficiales universitarios de integridad en la investigación señalan, con disgusto, que la denuncia de irregularidades en la investigación en las redes sociales puede alertar a los científicos involucrados, permitiéndoles destruir evidencia antes de una investigación. Pero Bik y otros perros guardianes encuentran que publicar en las redes sociales crea más presión para que las revistas y las instituciones respondan. A algunos observadores les preocupa que ventilar la ropa sucia pueda socavar la fe del público en la ciencia. Bik cree que la mayoría de las investigaciones son confiables y considera que su trabajo es una parte necesaria del mecanismo de autocorrección de la ciencia. ya que cada artículo citado aumenta la clasificación de citas de una revista. (En los últimos años, algunos investigadores también han demandado a las revistas por retractaciones). Está consternada por la forma en que los editores aceptan de forma rutinaria excusas débiles para la manipulación de imágenes: es como si "el perro se comiera mis deberes", dijo. El año pasado, tuiteó sobre un estudio en el que encontró más de diez imágenes problemáticas que los investigadores proporcionaron imágenes sustitutas, y el artículo recibió una corrección. "Uf", escribió. "Es como encontrar dopaje en la orina de un atleta que acaba de ganar la carrera y luego aceptar una muestra de orina limpia 2 semanas después".

El año pasado, el amigo de Bik, Jon Cousins, un emprendedor de software, creó un juego de computadora llamado Dupesy, inspirado en su trabajo. Una noche, después de la comida para llevar tailandesa, probamos una versión beta del juego en su computadora. El esposo de Bik fue primero, haciendo clic en un enlace titulado "Caras de gato".

Un panel de cuatro por cuatro de fotografías de felinos llenó la pantalla. Algunos gatos parecían tener ojos saltones, otros estaban molestos. Las instrucciones dicen: "Haga clic en las dos imágenes inesperadamente similares". Gerard vio fácilmente los duplicados en las primeras rondas, luego golpeó un panel más desafiante y suspiró.

"Lo veo, lo veo", cantó Bik en voz baja.

Finalmente, Gerard hizo clic en el par ganador. Probó algunas categorías más de acertijos de Dupesy: una cuadrícula de muros de hormigón tachonados de rocas, luego "Piel gruesa", "Mapa de Londres" y "Edificios de Tokio".

Cuando llegó mi turno, comencé con "Coffee Beans". En un panel de frijoles tostados oscuros, tardé treinta y un segundos en encontrar el par correspondiente en los siguientes seis segundos. Unos paneles más tarde, me quedé atascado. Mis ojos se sentían cruzados. Un reloj cercano hizo tictac ruidosamente.

"¿Debería decirlo cuando lo vea?" Bik preguntó. "¿O es eso molesto?"

"Solo dime cuándo es molesto, porque no siempre lo sé", dijo.

"Absolutamente. Eres molesto ", respondió.

En su turno, Bik navegó rápidamente a través de varias rondas de "Piel gruesa", luego revisó otros enlaces de rompecabezas. Algunos paneles eran "mucho más difíciles que mi trabajo normal", dijo. Al día siguiente, Cousins ​​nos envió un correo electrónico con los resultados: el tiempo medio de Bik para resolver los acertijos fue de doce segundos, frente a unos veinte segundos para su esposo y para mí.


Nanocuerpos de llama: pequeño, simple, estable

Se predice que la simplicidad de una proteína de nanocuerpo proporcionará una mayor estabilidad, que es lo que permitiría ser administrada por un inhalador: un fármaco de nanocuerpo debe sobrevivir al ser 'nebulizado', convirtiendo una solución líquida en un aerosol.

"La nebulización de un anticuerpo, una molécula bastante compleja, en general ejerce una presión considerable sobre la proteína", dice el profesor Xavier Saelens, virólogo de la Universidad de Ghent en Bélgica, cuyo equipo aisló el nanocuerpo VHH-72 y está liderando los experimentos con hámsteres. "Hay razones para creer que un nanocuerpo más estable resistiría más fácilmente tales tensiones, pero es necesario probarlo".

Un nanocuerpo estable es más fácil de fabricar y se puede almacenar y almacenar, listo para ser desplegado si ocurre un brote. El medicamento podría usarse como profiláctico para aquellos con mayor riesgo de infección, como los trabajadores de la salud, ya que los nanocuerpos pueden circular en el torrente sanguíneo durante 1-2 meses, ofreciendo protección a corto plazo (las personas necesitarían un refuerzo más tarde ya que el medicamento lo hará). ser degradado lentamente por el cuerpo con el tiempo).

El nanocuerpo también podría usarse como fármaco terapéutico para tratar a quienes no se dan cuenta de que portan y propagan COVID-19. "Hay un período en el que las personas son asintomáticas o casi no presentan síntomas", dice Saelens. "Eso le da una ventana de oportunidad que puede ser conveniente para alguna terapia".

Invierno la llama (marrón, centro) y sus amigos fotobombas en una granja en el campo belga.

Todavía quedan preguntas por responder sobre cómo funcionan los nanocuerpos. De los 675 programas de anticuerpos que se desarrollaron activamente para la clínica el año pasado, solo 11 involucraron nanocuerpos. La FDA aprobó el 'caplacizumab' para tratar un trastorno poco común de la coagulación de la sangre y la empresa de biotecnología que fabrica ese medicamento, Ablynx, también desarrolló 'ALX-0171', un nanocuerpo para el virus sincitial respiratorio. ALX-0171 se probó como inhalador en ensayos de fase 3, lo que sugiere que fue efectivo, pero el proyecto está actualmente en suspenso. "Hasta donde yo sé, no hay ningún producto en el mercado basado en llamas o nanocuerpos que se inhale", dice Saelens.

Los nanocuerpos no son nuevos, pero solo recientemente han ganado reconocimiento. Saelens señala que los anticuerpos de camélidos fueron descubiertos por un colega científico belga, Raymond Hamers de la Universidad Libre de Bruselas, quien los encontró por casualidad mientras estudiaba la sangre de un dromedario. "Si ese hallazgo coincidente se hubiera pasado por alto o se hubiera pasado por alto, hoy no tendríamos acceso a estos anticuerpos especiales", dice. "La ciencia impulsada por la curiosidad puede conducir a aplicaciones mucho tiempo después del descubrimiento".


¿Cuándo debo usar escalas logarítmicas en mis cuadros y gráficos?

Hay dos razones principales para usar escalas logarítmicas en tablas y gráficos. La primera es responder a la asimetría hacia valores grandes, es decir, casos en los que uno o unos pocos puntos son mucho más grandes que la mayor parte de los datos. El segundo es mostrar el cambio porcentual o los factores multiplicativos. Primero revisaré lo que entendemos por logaritmos. Luego, brindaré más detalles sobre cada una de estas razones y daré ejemplos.

Para refrescar su memoria de las matemáticas escolares, los registros son solo otra forma de escribir ecuaciones exponenciales, una que le permite separar el exponente en un lado de la ecuación. La ecuación 2 4 = 16 puede reescribirse como log 2 16 = 4 y pronunciarse "log to the base 2 of 16 is 4". Es útil recordar que el logaritmo es el exponente, en este caso, "4". La ecuación y = log b (x) significa que y es la potencia o exponente al que se eleva b para obtener x. La base común para las escalas logarítmicas es la base 10. Sin embargo, también son útiles otras bases. Mientras que una base de diez es útil cuando los datos varían en varios órdenes de magnitud, una base de dos es útil cuando los datos tienen un rango más pequeño.

Figura 1. Diagrama de puntos de los ingresos de las 60 principales empresas de Fortune 500. Fuente de datos: . [+] http://money.cnn.com/magazines/fortune/fortune500/2011/full_list/

La Figura 1 utiliza un diagrama de puntos para mostrar los ingresos de las 60 principales empresas de la lista Fortune 500 de 2011 que proporciona ingresos para 2010. Una razón para elegir un diagrama de puntos en lugar de un gráfico de barras es que está menos desordenado. Aprenderemos otros beneficios de los gráficos de puntos en esta publicación y en futuras.

Wal-mart Stores y Exxon-Mobil tienen ingresos mucho mayores que las otras empresas. Como resultado, las diferencias en los ingresos de las otras empresas se comprimen, lo que hace que estas diferencias sean más difíciles de juzgar.

Figura 2. Diagrama de puntos de los ingresos de las 60 principales empresas de Fortune 500 en una escala logarítmica con base 2.

Los mismos datos están graficados en la Figura 2 en una escala logarítmica con base 2. Mi razón para usar la base 2 fue evitar las marcas de graduación con exponentes decimales que la base 10 habría producido. Los datos oscilan entre aproximadamente 40 y aproximadamente 400. Eso no es demasiados órdenes de magnitud. La Figura 3 traza los datos con registros en base 10 con etiquetas de marca en potencias de diez. Si queremos más de una o dos marcas, obtenemos los exponentes decimales que se muestran en la Figura 3. Usar la base 2 evita este problema. La próxima semana discutiremos formas alternativas de etiquetar las escalas logarítmicas.

Figura 3. Diagrama de puntos de los datos de la Figura 2 mostrados en una escala logarítmica con base de 10

Un diagrama de puntos se juzga por su posición a lo largo de un eje en este caso, el eje horizontal o el eje x. Un gráfico de barras se juzga por la longitud de la barra. No me gusta usar longitudes con escalas logarítmicas. Esa es una segunda razón por la que prefiero los gráficos de puntos a los gráficos de barras para estos datos.

En la Figura 2, el valor de cada marca de verificación es el doble del valor de la anterior. El eje superior enfatiza el hecho de que los datos son registros. El eje inferior muestra los valores en la escala original. Este etiquetado sigue el consejo de William Cleveland con los ejes superior e inferior intercambiados. Los valores de los datos se distribuyen mejor con la escala logarítmica. Esto es lo que quiero decir al responder a la asimetría de valores grandes. Los ingresos de Boeing son de aproximadamente 2 6 mil millones de dólares, mientras que los ingresos de Ford Motor son de aproximadamente 2 7. En la Figura 1, la escala lineal, los ingresos de Ford son los ingresos de Boeing más la diferencia entre estos dos ingresos. A esto lo llamamos aditivo. Dado que 2 6 = 64 y 2 7 = 128, vemos que la diferencia es de aproximadamente 64 mil millones de dólares. En la Figura 2, la diferencia es multiplicativa. Dado que 2 7 = 2 6 veces 2, vemos que los ingresos de Ford Motor son aproximadamente el doble de los de Boeing. Esto es lo que quiero decir cuando digo que usamos escalas logarítmicas para mostrar factores multiplicativos.

El ejemplo anterior mostró tanto la respuesta a valores grandes como a factores multiplicativos. El siguiente ejemplo solo describe las tasas de cambio. Supongamos que tuviéramos un widget en 1999 y duplicamos el número cada año. Los siguientes gráficos muestran el número de widgets en una escala lineal y logarítmica:

Figura 4. Una comparación de escalas lineales y logarítmicas (logarítmicas)

La escala lineal muestra el número absoluto de widgets a lo largo del tiempo, mientras que la escala logarítmica muestra la tasa de cambio del número de widgets a lo largo del tiempo. El gráfico inferior de la Figura 4 deja mucho más claro que la tasa de cambio o la tasa de crecimiento es constante.

El Dr. Nicolas Bissantz en su blog, Me, Myself, and BI, llamaría al gráfico lineal un pánico gráfico. Dice que "los gráficos de líneas son gráficos de velocidad". Es decir, muestran la tasa de cambio o pendiente del número de widgets. Un gráfico con una escala lineal similar al gráfico superior de la Figura 4 que muestra una cantidad como nuestra deuda nacional provoca pánico incluso si la tasa de cambio es constante.

Las escalas logarítmicas son extremadamente útiles pero no todas las entienden. Como en todas las presentaciones, los diseñadores deben conocer a sus públicos.


† Investigación epidemiológica y pandemia conjunta de UNIversities. Ver https://maths.org/juniper/.

Publicado por la Royal Society bajo los términos de la licencia de atribución Creative Commons http://creativecommons.org/licenses/by/4.0/, que permite el uso sin restricciones, siempre que se acredite el autor y la fuente originales.

Referencias

. 2006 Mecánica estadística de detección de comunidades. Phys. Rev. E 74, 016110. (doi: 10.1103 / PhysRevE.74.016110) Crossref, PubMed, ISI, Google Académico

2006 El paquete de software igraph para la investigación de redes complejas. InterJournal Complex Syst. 1695, 1-9. Google Académico

. 2001 Epidemiología. Predecir lo impredecible. Ciencias 294, 1663-1664. (doi: 10.1126 / science.1067669) Crossref, PubMed, ISI, Google Académico

. 1992 Enfermedades infecciosas del ser humano: dinámica y control . Oxford, Reino Unido: Oxford University Press. Google Académico

. 2011 Modelización de enfermedades infecciosas en humanos y animales . Princeton, Nueva Jersey: Princeton University Press. Crossref, académico de Google

. 2021 Desafíos en el control de COVID-19: tiempo de duplicación corto y retraso prolongado en el efecto de las intervenciones. Phil. Trans. R. Soc. B 376, 20200264. (doi: 10.1098 / rstb.2020.0264) Enlace, Google Académico

Leer JM, Bridgen JRE, Cummings DAT, Ho A, Jewell CP

. 2021 Nuevo coronavirus 2019-nCoV (COVID-19): estimación temprana de parámetros epidemiológicos y estimaciones del tamaño de la epidemia. Phil. Trans. R. Soc. B 376, 20200265. (doi: 10.1098 / rstb.2020.0265) Enlace, Google Académico

Fyles M, Fearon E, Overton C, Grupo de modelado COVID-19 de la Universidad de Manchester, Wingfield T, Medley GF, Hall I, Pellis L, House T

. 2021 Uso de un proceso de ramificación estructurado por hogares para analizar el rastreo de contactos en la pandemia de SARS-CoV-2. Phil. Trans. R. Soc. B 376, 20200267. (doi: 10.1098 / rstb.2020.0267) Enlace, Google Académico

Danon L, Lacasa L, Brooks-Pollock E

. 2021 Burbujas domésticas y transmisión de COVID-19: conocimientos de la teoría de la percolación. Phil. Trans. R. Soc. B 376, 20200284. (doi: 10.1098 / rstb.2020.0284) Enlace, Google Académico

Brooks-Pollock E, Danon L, Jombart T, Pellis L

. 2021 Modelado que dio forma a la respuesta pandémica temprana de COVID-19 en el Reino Unido. Phil. Trans. R. Soc. B 376, 20210001. (doi: 10.1098 / rstb.2021.0001) Enlace, Google Académico

Challen R, Tsaneva-Atanasova K, Pitt M, Edwards T, Gompels L, Lacasa L, Brooks-Pollock E, Danon L

. 2021 Estimaciones de la infectividad regional de COVID-19 en el Reino Unido tras la imposición de medidas de distanciamiento social. Phil. Trans. R. Soc. B 376, 20200280. (doi: 10.1098 / rstb.2020.0280) Enlace, Google Académico

Sherratt K, Abbott S, Meakin SR, Hellewell J, Munday JD, Bosse N, CMMID Grupo de trabajo COVID-19, Jit M, Funk S

. 2021 Explorando los sesgos de los datos de vigilancia al estimar el número de reproducción: con información sobre la transmisión de subpoblaciones de COVID-19 en Inglaterra. Phil. Trans. R. Soc. B 376, 20200283. (doi: 10.1098 / rstb.2020.0283) Enlace, Google Académico

2020 Cuantificación del impacto de las medidas de distancia física en la transmisión de COVID-19 en el Reino Unido. BMC Med. 18, 124. (doi: 10.1186 / s12916-020-01597-8) Crossref, PubMed, ISI, Google Académico

. Informe final de 2021 REACT-1 ronda 9: disminución continua pero lenta de la prevalencia del SARS-CoV-2 durante el cierre nacional en Inglaterra en febrero de 2021. MedRxiv. Google Académico

. 2021 Prevalencia comunitaria del SARS-CoV-2 en Inglaterra de abril a noviembre de 2020: resultados de la Encuesta de infección por coronavirus de la ONS. Pub Lancet. Salud 6, E30 – E38. (doi: 10.1016 / s2468-2667 (20) 30282-6) Google Académico

. 2015 ¿Qué hace que un artículo académico sea útil para las políticas de salud? BMC Med. 13, 301. (doi: 10.1186 / s12916-015-0544-8) Crossref, PubMed, ISI, Google Académico

. 1989 ¿Pueden los malos modelos sugerir buenas políticas? Mestizaje sexual y epidemia de sida. J. Sex Res. 26, 301-314. (doi: 10.1080 / 00224498909551517) Crossref, ISI, Google Académico

Anderson RM, Medley GF, May RM, Johnson AM

. 1986 Estudio preliminar de la dinámica de transmisión del virus de la inmunodeficiencia humana (VIH), agente causante del SIDA. IMA J. Math. Apl. Medicina. Biol. 3, 229-263. (doi: 10.1093 / imammb / 3.4.229) Crossref, PubMed, Google Académico

Anderson RM, Medley GF, Blythe SP, Johnson AM

. 1987 ¿Es posible predecir el tamaño mínimo de la epidemia del síndrome de inmunodeficiencia adquirida (SIDA) en el Reino Unido? Lanceta 1, 1073-1075. (doi: 10.1016 / S0140-6736 (87) 90493-4) Crossref, PubMed, ISI, Google Académico

Ghani AC, Ferguson NM, Donnelly CA, Anderson RM

. 2000 Mortalidad prevista de vCJD en Gran Bretaña. Naturaleza 406, 583-584. (doi: 10.1038 / 35020688) Crossref, PubMed, ISI, Google Académico

. 2001 Dinámica de la epidemia de fiebre aftosa en el Reino Unido de 2001: dispersión estocástica en un paisaje heterogéneo. Ciencias 294, 813-817. (doi: 10.1126 / science.1065973) Crossref, PubMed, ISI, Google Académico

Baguelin M, Flasche S, Camacho A, Demiris N, Miller E, Edmunds WJ

. 2013 Evaluación de las poblaciones objetivo óptimas para los programas de vacunación contra la influenza: una síntesis de evidencia y un estudio de modelado. PLoS Med. 10, e1001527. (doi: 10.1371 / journal.pmed.1001527) Crossref, PubMed, ISI, Google Académico

. 2021 Intervenciones epidémicas: conocimientos a partir de resultados clásicos. Phil. Trans. R. Soc. B 376, 20200263. (doi: 10.1098 / rstb.2020.0263) Enlace, Google Académico

Kucharski AJ, Funk S, Eggo RM

. 2020 La respuesta COVID-19 ilustra que las estructuras y métricas académicas tradicionales de recompensa no reflejan contribuciones cruciales a la ciencia moderna. PLoS Biol. 18, e3000913. (doi: 10.1371 / journal.pbio.3000913) Crossref, PubMed, ISI, Google Académico

. 2021 Por qué se debe valorar, apoyar y financiar el desarrollo de herramientas de análisis de brotes. Lancet Infect. Dis. 21, 458-459. (doi: 10.1016 / S1473-3099 (20) 30996-8) Crossref, PubMed, Google Académico

. La simulación de coronavirus criticada de 2020 recibe el visto bueno de los esfuerzos de verificación de códigos. Naturaleza 582, 323-324. (doi: 10.1038 / d41586-020-01685-y) Crossref, PubMed, ISI, Google Académico

Birrell P, Blake J, van Leeuwen E, Gent N, De Angelis D.

2021 Pronóstico y pronóstico inmediato en tiempo real de la dinámica del COVID-19 en Inglaterra: la primera ola. Phil. Trans. R. Soc. B 376, 20200279. (doi: 10.1098 / rstb.2020.0279) Enlace, Google Académico

et al. 2021 Monitoreo en tiempo real de la dinámica de COVID-19 mediante el ajuste de tendencias automatizado y la detección de anomalías. Phil. Trans. R. Soc. B 376, 20200266. (doi: 10.1098 / rstb.2020.0266) Enlace, Google Académico

Brooks-Pollock E, Read JM, McLean AR, Keeling MJ, Danon L

. 2021 Mapeo de medidas de distanciamiento social al número de reproducción de COVID-19. Phil. Trans. R. Soc. B 376, 20200276. (doi: 10.1098 / rstb.2020.0276) Enlace, Google Académico

. 2021 El impacto de la reapertura de la escuela en la propagación del COVID-19 en Inglaterra. Phil. Trans. R. Soc. B 376, 20200261. (doi: 10.1098 / rstb.2020.0261) Enlace, Google Académico

Brooks-Pollock E, Read JM, House T, Medley GF, Keeling MJ, Danon L

. 2021 La fracción de casos atribuible a la población debido a reuniones y grupos con relevancia para las estrategias de mitigación de COVID-19. Phil. Trans. R. Soc. B 376, 20200273. (doi: 10.1098 / rstb.2020.0273) Enlace, Google Académico

Escenario HB, Shingleton J, Ghosh S, Scarabel F, Pellis L, Finnie T

. 2021 Cerrar y reabrir: el papel de las escuelas en la propagación del COVID-19 en Europa. Phil. Trans. R. Soc. B 376, 20200277. (doi: 10.1098 / rstb.2020.0277) Enlace, Google Académico

Danon L, Brooks-Pollock E, Bailey M, Keeling M

. 2021 Un modelo espacial de transmisión de COVID-19 en Inglaterra y Gales: propagación temprana, momento pico e impacto de la estacionalidad. Phil. Trans. R. Soc. B 376, 20200272. (doi: 10.1098 / rstb.2020.0272) Enlace, Google Académico

. 2021 Compromisos de compromiso y adherencia para el rastreo de contactos del SARS-CoV-2. Phil. Trans. R. Soc. B 376, 20200270. (doi: 10.1098 / rstb.2020.0270) Enlace, Google Académico

Evans S, Agnew E, Vynnycky E, Stimson J, Bhattacharya A, Rooney C, Warne B, Robotham J

. 2021 El impacto de las pruebas y las estrategias de prevención y control de infecciones en la dinámica de transmisión intrahospitalaria de COVID-19 en los hospitales ingleses. Phil. Trans. R. Soc. B 376, 20200268. (doi: 10.1098 / rstb.2020.0268) Enlace, Google Académico

Hall I, Lewkowicz H, Webb L, House T, Pellis L, Sedgwick J, Gent Sin nombre del Grupo de modelado COVID-19 de la Universidad de Manchester y el Equipo de modelado de Public Health England

. 2021 Los brotes en residencias de ancianos pueden generar una carga de enfermedad sustancial si no se mitigan. Phil. Trans. R. Soc. B 376, 20200269. (doi: 10.1098 / rstb.2020.0269) Enlace, Google Académico

. 2021 Segmentación y blindaje de los miembros más vulnerables de la población como elementos de una estrategia de salida del encierro del COVID-19. Phil. Trans. R. Soc. B 376, 20200275. (doi: 10.1098 / rstb.2020.0275) Enlace, Google Académico

. 2021 Dinámica del SARS-CoV-2 con inmunidad menguante en la población del Reino Unido. Phil. Trans. R. Soc. B 376, 20200274. (doi: 10.1098 / rstb.2020.0274) Enlace, Google Académico


COVID-19, mentiras y estadísticas: corrupción y pandemia

Niños en la Iniciativa de Salud Pública en Karnataka, India. Investigadores en India descubrieron que las infecciones por COVID-19 en el país se habían subestimado enormemente y podrían ser hasta 95 veces más altas que las cifras oficiales. Copyright: Fundación Trinity Care, (CC BY-NC-ND 2.0).

Desde Brasil hasta Filipinas, los gobiernos secretos de todo el mundo están respondiendo a la pandemia de COVID-19 encubriendo datos y eludiendo las reglas de contratación pública, socavando la confianza en los sistemas de salud, alimentando a los anti-vacunas y poniendo en riesgo las campañas de inmunización.

Los contratos clandestinos de bienes y servicios médicos se han convertido en la norma en muchos países, mientras que los datos sobre casos y muertes de COVID-19 se han manipulado y no se han reportado.

Las autoridades y los jefes de estado han utilizado la pandemia como una oportunidad para destripar a los organismos públicos dedicados a la apertura y la comunicación, y los peores delincuentes forman una galería de delincuentes de coronavirus.

En el Sur global, las repercusiones para los sistemas de gobernanza y de salud que ya están en dificultades podrían ser catastróficas.

Esta es la historia de dos pandemias, dice Jonathan Cushing, quien dirige la salud global en la organización sin fines de lucro anticorrupción Transparencia Internacional.

"Tiene COVID-19 y luego lo que hemos visto durante el año pasado es esta falta de transparencia: la utilización de la legislación de adquisiciones directas debido a las necesidades de emergencia en ese momento", le dice Cushing a SciDev.Net.

"Hemos visto casos repetidos de corrupción, y esa es la segunda pandemia en muchos sentidos".

La negligencia, dice Cushing, se ha informado "en todo el mundo, en Filipinas, en Uganda, hemos visto casos planteados en Kenia, América Latina también".

"A medida que la pandemia ha progresado, hemos visto el cambio de la prisa por comprar [equipo de protección personal] y ventiladores ... a la adquisición de vacunas", dice Cushing.

"Lo que estamos viendo ahora es una completa falta de transparencia".

El presidente de Tanzania, John Magufuli, puede haber sido víctima de su propia negativa a reconocer la presencia y la gravedad del SARS-CoV-2, el virus que causa el COVID-19.

En junio, Magufuli declaró que "la enfermedad de la corona ha sido eliminada por Dios", dejando a Tanzania "libre de coronavirus". El gobierno dejó de publicar datos sobre números de casos, mientras que la vigilancia y la promoción de enfermedades disminuyeron.

La muerte de Magufuli, oficialmente por problemas cardíacos, pero se cree que está relacionada con COVID-19, se anunció el 17 de marzo.

Los residentes de la ciudad más grande de Tanzania, Dar es Salaam, dijeron a SciDev.Net que quedaba por ver si el gobierno de Tanzania revertiría las políticas cada vez más autoritarias de Magufuli. Pero la nueva presidenta Samia Suluhu Hassan ya marcó una desviación de su predecesora, prometiendo formar un comité científico asesor sobre COVID-19.

Los epidemiólogos dicen que las estadísticas serán fundamentales para cualquier nueva respuesta basada en la evidencia. Por ahora, el déficit de datos se mantiene a medida que la gente sigue enfermando.

"Lo que falta ahora en Tanzania es un entorno propicio que permita investigaciones científicas sobre temas como las pandemias", dice Frank Minja, médico tanzano y profesor asociado de neurorradiología en el departamento de radiología e imágenes biomédicas de la Facultad de Medicina de Yale, en Estados Unidos.

"Por supuesto, la ciencia no funciona de forma aislada, necesita decisiones económicas y políticas. Pero la ciencia es una herramienta que debería utilizarse para resolver nuestros problemas".

Para los países que están publicando estadísticas, muchas de ellas han sido manipuladas para revelar una versión más optimista de la realidad.

La manipulación de datos es un marcador clave de la corrupción de COVID-19, según Transparencia Internacional. Esto puede tener consecuencias devastadoras, como una mala asignación de recursos, picos en las tasas de casos, ya que se alienta a los ciudadanos a seguir con normalidad y una mayor desconfianza en los gobiernos cuando la realidad no coincide con la versión oficial de los hechos.

Múltiples estudios, incluidos los basados ​​en tasas de población con anticuerpos COVID-19, han sugerido que el SARS-CoV-2 es más prevalente en muchos países de lo que revelan las estadísticas oficiales.

Uno de esos estudios, realizado en Zambia y publicado en el BMJ, observó "una prevalencia sorprendentemente alta de mortalidad por COVID-19".

El equipo de investigación, dirigido por Lawrence Mwananyanda de Right to Care, dijo: "Contradiciendo la narrativa predominante de que el COVID-19 ha salvado a África, el COVID-19 ha tenido un impacto severo en Zambia. La forma en que esto se pasó por alto se explica en gran medida por las bajas tasas de pruebas. , no por una baja prevalencia de COVID-19.

"Si nuestros datos se pueden generalizar a otros entornos en África, la respuesta a la pregunta, '¿Por qué COVID-19 se saltó África?' es que no fue así ".

En respuesta, patólogos del Ministerio del Interior y del Hospital Universitario de Zambia dijeron que las conclusiones del estudio de Lusaka eran "altamente cuestionables" y no podían extrapolarse a toda el África subsahariana.

Investigadores en India encontraron que las infecciones por COVID-19 se habían subestimado enormemente y podrían ser hasta 95 veces más altas que las cifras oficiales. El economista de salud y desarrollo Anup Malani le dijo a SciDev.Net que la alta seroprevalencia —el número de personas que dieron positivo por COVID-19— en las áreas rurales estudiadas se debió a la migración masiva de las ciudades para escapar de las restricciones de bloqueo.

En Brasil, el Ministerio de Salud del país eliminó los datos acumulados de COVID-19 de su sitio web en junio cuando el presidente Jair Bolsonaro declaró que las estadísticas no "reflejan el momento en el que se encuentra el país".

La Corte Suprema ordenó que se restauren los datos, y las cifras ahora indican que Brasil se encuentra entre los países más afectados del mundo, ya que el gobierno nombra a su cuarto ministro de Salud desde que comenzó la pandemia.

Atacando a los mensajeros

Aquellos que se niegan a seguir las líneas del gobierno se han enfrentado a repercusiones, desde la pérdida de sus trabajos hasta la intimidación legal y los ataques verbales.

Después de que criticara al presidente de Filipinas, Rodrigo Duterte, y a su gobierno por su manejo de la crisis del COVID-19, se dirigió un aluvión de abusos en línea contra Maria Ressa, fundadora del sitio de noticias Rappler, con sede en Filipinas.

Ressa es una crítica abierta de Duterte, pero el análisis del Centro Internacional para Periodistas (ICFJ) muestra que el segundo pico más alto en el abuso de Ressa se correlacionó con su cuestionamiento de los informes oficiales de los datos de COVID-19.

Los científicos argumentan que los datos del gobierno que indican un número bajo de casos de COVID-19 en Tanzania, México y Filipinas tergiversan la realidad de la crisis de salud. El gráfico refleja los datos oficiales obtenidos por el mapa COVID-19 de la Universidad Johns Hopkins, al 26 de marzo.

"Ressa vive en el centro de una tormenta del siglo XXI", dice el informe, dirigido por la directora global de investigación del ICFJ, Julie Posetti. "Es un furor de desinformación y ataques, uno en el que periodistas creíbles son sometidos a la violencia en línea con impunidad donde los hechos se marchitan y las democracias se tambalean".

Posetti dice que las amenazas estatales y la violencia digital ponen a los periodistas —y al periodismo— en riesgo en el mundo real. En enero, se emitió la décima orden de arresto contra Ressa, quien enfrenta múltiples procesos por difamación, además de una pena de prisión de seis años, que Ressa está apelando.

Anthony Leachon, un destacado médico y experto en salud pública de Filipinas, se vio obligado a renunciar como asesor especial del grupo de trabajo COVID-19 en junio después de que públicamente no estuvo de acuerdo con el manejo de la pandemia por parte de la administración Duterte, y argumentó que el grupo de trabajo había sucumbido. a la presión política.

Leachon también criticó al departamento de salud, diciendo que su informe de COVID-19 no era confiable y estaba retrasado, y cuestionó por qué el gobierno estaba favoreciendo las vacunas de compañías sin datos de seguridad y eficacia. El gobierno de Filipinas ha aprobado las vacunas Sinovac y Sinopharm para personas menores de 65 años.

Leachon ha seguido pidiendo a las autoridades que divulguen datos en tiempo real sobre las infecciones por COVID-19, lo que, dijo, permitirá a los funcionarios locales responder rápidamente con las políticas adecuadas.

Por hablar de forma independiente, Leachon ha sido ridiculizado y burlado por los partidarios de Duterte. El portavoz de la administración, Harry Roque, dijo que Duterte maldijo repetidamente a Leachon durante una reunión del gabinete en diciembre sobre COVID-19.

"Esta falta de transparencia y urgencia es la razón por la que Filipinas está en un lío en este momento y se ha quedado atrás de sus pares en la región", dijo Leachon a SciDev.Net.

"Estamos en el bloqueo continuo más largo del mundo. Todavía estamos en cuarentena, pero ahora estamos viendo un aumento en los casos ... [y] todavía estamos en medio del debate sobre qué vacunas adquirir, cómo y cuáles son las pautas de selección ".

En marzo, Filipinas recibió su primera entrega de vacunas de la instalación de COVAX, la asociación internacional establecida para apoyar el acceso a las vacunas para los países de ingresos bajos y medianos. Leachon advierte que la falta de apertura y transparencia en el país corre el riesgo de socavar la confianza en las vacunas COVID-19.

Los ataques al organismo independiente de libertad de información de México, el Instituto Nacional de Transparencia, Acceso a la Información y Protección de Datos Personales (INAI), se intensificaron con el inicio de la pandemia.

En 2019, primer año en el cargo del presidente Andrés Manuel López Obrador, el INAI informó que la administración impugnó legalmente al menos 30 solicitudes de información aprobadas por el instituto.

En enero, López Obrador anunció una propuesta para cerrar el INAI y reemplazarlo con una agencia gubernamental, una medida que el director de Human Rights Watch para las Américas, José Miguel Vivanco, llamó "la receta perfecta para el secreto y el abuso".

"El INAI ha jugado un papel crucial en la protección de la privacidad y en asegurar que el público pueda acceder a información sobre la corrupción gubernamental y las violaciones de derechos humanos", dijo Vivanco.

Janet Oropeza Eng, investigadora de responsabilidad y anticorrupción de la organización de la sociedad civil Fundar, dice que el INAI ha sido fundamental en los esfuerzos para monitorear las agencias del gobierno federal durante los últimos 10 años.

"Si el INAI desaparece o se vuelve dependiente del ejecutivo [poder de gobierno], sería una regresión en términos de independencia y autonomía. No es posible ser juez y partido", dice Eng a SciDev.Net.

"El ejecutivo no podía ordenarse abrir información. Para los mexicanos sería un retroceso en el derecho a la información que ya estaba garantizado".

La sucursal de Transparencia Internacional en México ha realizado repetidas solicitudes de libertad de información para la transparencia de los precios, pero "no llega a ninguna parte", según Jonathan Cushing, del equipo de salud global de la organización.

"Y no es exclusivo de México, es Argentina, en Pakistán están intentando lo mismo. Es un cierre completo", dice.

Las referencias crípticas a la 'neumonía' se convirtieron en una de las únicas formas en que los tanzanos podían hablar abiertamente sobre el brote de la enfermedad, después de que el gobierno aprobó una regulación que prohíbe informar sobre COVID-19.

Según el reglamento de contenido en línea, se prohíbe la publicación de "información pública que pueda causar estragos y desórdenes públicos", incluido "contenido con información sobre el brote de enfermedades mortales o contagiosas [sic] en el país o en cualquier otro lugar sin la aprobación del autoridades respectivas ".

Las infracciones se pueden cumplir con una pena de prisión de un mínimo de 12 meses, una multa de al menos cinco millones de chelines (US $ 2155), o ambas.

Adolf Mkono, un residente de la región norteña de Kagera en Tanzania, que limita con Burundi, Ruanda, Uganda y el lago Victoria, dice que el miedo a ser acusado en virtud de la nueva regulación está sofocando el intercambio de información.

"Desde finales del año pasado, he sido testigo de la muerte de varias personas después de quejarse de dificultad para respirar. Esto no es normal", dice Mkono.

"Tal vez no sea COVID-19, pero el gobierno debería salir y explicar qué está causando estas muertes. No tenemos la libertad o los hechos para decir si es COVID-19", dijo Mkono a SciDev.Net en una entrevista. realizado en enero de este año, antes de la decisión del nuevo presidente de Tanzania, Samia Suluhu Hassan, de formar un comité científico asesor sobre COVID-19. *

El Ministerio de Salud de Tanzania no respondió directamente a estas afirmaciones cuando SciDev.Net solicitó comentarios. Pero, el jefe de comunicaciones compartió un video de la secretaria principal del ministerio, Mabula Mchembe, diciendo: "No es cierto que se deba creer que todos los pacientes que se quejan de dificultades respiratorias tienen COVID-19. He visitado muchos hospitales y lo que puede concluir es que la situación de COVID-19 de la que se habla se basa en afirmaciones de las redes sociales que no son ciertas ".

Adquisiciones a puerta cerrada,

Los productores de la vacuna COVID-19 han exigido a los gobiernos de todo el mundo que firmen acuerdos de no divulgación para mantener en secreto el precio por dosis.

"Algunos países han creado comisiones especiales para negociar la compra de vacunas COVID-19", dijo la Oficina de las Naciones Unidas contra la Droga y el Delito en un documento de política de enero.

"Puede haber una falta de transparencia y, por lo tanto, un riesgo potencial de corrupción en lo que implican estos acuerdos".

Con los procedimientos de adquisición de emergencia y las negociaciones de vacunas ocultos a la vista del público, la corrupción del sistema de salud puede tener un rápido y devastador efecto en cadena para la contención de la enfermedad.

El 27 de marzo, el gobierno de México revisó discretamente sus estadísticas oficiales de COVID-19, reconociendo que el número real de muertos puede ser un 60 por ciento más alto de lo que se informó anteriormente.

La barra roja indica el nivel de "abuso muy explícito" dirigido a Maria Ressa después de que criticara el manejo de Filipinas de la pandemia de COVID-19, según datos compilados por la ICFJ.

El país pasó de ser elogiado por la Organización Panamericana de la Salud por su respuesta inicial a la pandemia, a ser clasificado entre los países con peor desempeño del mundo a medida que aumentaban los casos y las muertes.

En abril de 2020 el gobierno emitió un decreto indefinido que autorizaba la compra de bienes y servicios relacionados con el coronavirus sin necesidad de realizar el proceso de licitación pública.

El resultado, según el proyecto de análisis de datos COVID Compras (ComprasCOVID.MX), de la ONG de derechos humanos PODER y la iniciativa de periodismo de datos Serendipia, fue que casi el 95 por ciento de los contratos de adquisiciones de México en 2020 fueron contratos de adjudicación directa, es decir, adjudicados sin competencia. .

Esto se compara con 2019, cuando alrededor del 78 por ciento de los contratos públicos fueron adjudicaciones directas, según la organización de la sociedad civil Mexicanos Contra la Corrupción y la Impunidad.

Y se han planteado preocupaciones sobre la idoneidad de las empresas adjudicatarias de licitaciones, muchas de las cuales carecen de experiencia en los campos médicos o están vinculadas a casos de corrupción anteriores.

"Lo preocupante es que todos los niveles de gobierno, no solo el federal, están abusando del decreto de emergencia para continuar con adjudicaciones directas sin restricciones", dijo a SciDev.Net Eduardo Bohórquez, director de Transparencia Mexicana, la filial de Transparencia Internacional.

Los datos recopilados por ComprasCOVID.MX muestran que las instituciones gubernamentales pagaron precios muy diferentes por equipos de protección personal vitales, como máscaras faciales.

Mientras que algunos departamentos gubernamentales pagaban un peso mexicano —unos cinco centavos de dólar— por mascarilla, otros pagaban hasta 405 pesos, casi 20 dólares.

Bohórquez dice que sin una cláusula de caducidad en la legislación de adquisiciones de emergencia, los fondos públicos y las instituciones de México quedan vulnerables a la corrupción.

Si bien hay informes de vacaciones privadas de vacunas en los Emiratos Árabes Unidos en juego, se cree que Pakistán es el primer país en aprobar la importación privada y la venta comercial de vacunas COVID-19.

Los defensores de la transparencia han instado al gobierno a abandonar la propuesta, que permitiría que las vacunas Sputnik-V se vendan a un precio alrededor de un 160 por ciento más alto que el precio global establecido de US $ 10 por dosis.

Esto "proporcionaría una ventana de corrupción", ya que podría significar que las vacunas del gobierno terminen en hospitales privados para su venta comercial y aumentos de precios en el sector público, dijo Nasira Iqbal, ex juez del Tribunal Superior de Lahore y vicepresidente de Transparencia Internacional. Pakistán, en una carta al Primer Ministro.

"El gobierno no debería fomentar tal política de favorecer a un determinado sector de la sociedad a costa de la transparencia", prosiguió Iqbal.

En respuesta, el secretario de Coordinación y Regulaciones del Ministerio de Servicios Nacionales de Salud, Aamir Ashraf Khawaja, dijo que las ventas privadas de vacunas eran solo un elemento de la respuesta del gobierno al COVID-19.

"Fue una decisión bien meditada del gobierno federal permitir que el sector privado importara vacunas, ya que las prioridades nacionales de vacunación favorecían a los trabajadores de la salud y los ancianos, lo que implicaba cierto retraso en llegar a otros segmentos de la sociedad", dijo Khawaja en una carta.

"Se puede agregar que el gobierno está fijando el precio minorista máximo, dejando espacio para la competencia y la dinámica del libre mercado".

Los posibles conflictos de intereses entre las autoridades y las compañías farmacéuticas privadas dejan una oportunidad para la corrupción, dicen los analistas.

SciDev.Net se comunicó con el Departamento de Información de Prensa del gobierno de Pakistán para solicitar comentarios, pero no recibió una respuesta en el momento de la publicación.

Un economista con sede en Pakistán, que pidió no ser identificado por temor a represalias gubernamentales o militares, dijo a SciDev.Net que si bien había pocos informes confirmados de corrupción por coronavirus en Pakistán, abundan los rumores en un país conocido por su corrupción sistémica y endémica. .

"Por el lado de las políticas, hay rumores de corrupción en la compra de ventiladores y en la supresión de datos de casos y muertes en la provincia de Punjab desde el principio para crear la impresión de que la incidencia del virus era baja", dijo el economista.

"En el frente de la salud, ha habido mucho escepticismo sobre las pruebas de COVID-19. Nuevamente se rumorea que, para fines de viaje, los laboratorios privados daban resultados negativos a propósito. Esto se hizo principalmente para viajes internacionales. No hubo monitoreo , ya sea por la prensa o por las ONG ".

Además, los analistas dicen que los US $ 1.386 mil millones prometidos a Pakistán en abril de 2020 en virtud del Instrumento de Financiamiento Rápido del FMI aún no se habían desembolsado por completo.

Ciencia abierta, sociedades abiertas

La primera víctima de la corrupción por coronavirus bien podría ser la confianza pública, dice Cushing, ya que las estadísticas sesgadas y los procesos de adquisición torcidos dan a los escépticos de las vacunas municiones que podrían obstaculizar las respuestas a la pandemia.

"En el escenario actual de la pandemia, la confianza es clave. Necesitamos asegurarnos de que haya confianza en el sistema", dijo Cushing.

"Parte de la transparencia consiste en detener la corrupción, detener a las personas que obtienen ganancias ilegal e inmoral de esto.

"Pero también se trata de permitir que la gente entienda y participe en la toma de decisiones. Si sabe lo que está pasando y puede comprender qué decisiones se están tomando y puede ayudar a dar forma a eso, hace que sea mucho más fácil hacer que los gobiernos rindan cuentas".

Las consecuencias para las sociedades podrían ir más allá de la amenaza inmediata de enfermedad. Sin datos abiertos y ciencia abierta, las comunidades quedarán fuera de las conversaciones importantes y en la oscuridad, dice Cushing.

Los organismos de salud necesitan datos para respaldar la "toma de decisiones racional" cuando se trata de priorizar qué medicamentos comprar. "Si eso no está ahí, en el mejor de los casos, podría estar desperdiciando dinero, en el peor de los casos, podría tener un impacto en los resultados de salud", dijo Cushing.

"La conexión entre la gobernanza y las sociedades saludables es exactamente eso: desea sistemas de gobernanza transparentes y cuanto más transparentes sean y más gente pueda participar en ellos, habrá mayor confianza en ese sistema.

"Eso debería permitir que se produzca esa conversación sobre a dónde va el país en términos de salud, desarrollo y prioridades socioeconómicas".


Agradecemos a Christian Diem por las útiles discusiones, a Georg Heiler y Tobias Reisch por los datos de movilidad, y a dos árbitros anónimos por una gran cantidad de sugerencias para mejorar el trabajo. Este trabajo fue apoyado en parte por el proyecto de la Agencia Austriaca de Promoción Científica bajo la subvención FFG 857136, el Fondo Austriaco para la Ciencia bajo la subvención FWF P29252, el Wiener Wissenschafts und Technologiefonds bajo la subvención COV 20-017 y el Medizinisch-Wissenschaftlichen Fonds des Bürgermeisters der Bundeshauptstadt Wien bajo la subvención CoVid004.

Contribuciones de los autores: S.T. investigación diseñada S.T. y P.K. concibió la obra S.T. y P.K. realizó investigaciones S.T., P.K. y R.H. contribuyeron con nuevos reactivos / herramientas analíticas S.T., P.K. y R.H. analizaron datos y S.T. escribió el periódico.

Los autores declaran no tener intereses en competencia.

Este artículo es una presentación directa de PNAS.

Este artículo de acceso abierto se distribuye bajo Creative Commons Attribution License 4.0 (CC BY).


Reconociendo la incertidumbre

Los modelos que se basan en supuestos fijos no son los únicos que deben manejarse con cuidado. Incluso los modelos epidemiológicos complejos con mecanismos incorporados para dar cuenta de las condiciones cambiantes abordan incertidumbres que deben manejarse y comunicarse con cautela.

A medida que surgía la epidemia a su alrededor en España, Susanna Manrubia, bióloga de sistemas del Centro Nacional de Biotecnología de España en Madrid, se preocupó cada vez más por cómo se publicitaban los resultados de varios modelos. “Nuestro gobierno decía: 'Llegaremos a la cima de la propagación el viernes', y luego 'No, tal vez a mediados de la semana que viene'”, dijo. "Y todos estaban sistemáticamente equivocados, como hubiéramos esperado", porque nadie estaba prestando atención a la incertidumbre en las proyecciones, lo que provocó cambios salvajes con cada actualización de los datos.

“Para nosotros estaba claro”, dijo Manrubia, “que esto no era algo que pudieras decir tan descuidadamente”. Así que se propuso caracterizar la incertidumbre arraigada en el sistema intrínsecamente impredecible que todos estaban tratando de modelar y determinar cómo esa incertidumbre se intensificó a lo largo del proceso de modelado.

Manrubia y su equipo pudieron ajustar muy bien sus modelos a datos pasados, describiendo con precisión la dinámica de transmisión de COVID-19 en toda España. Pero cuando intentaron predecir lo que sucedería a continuación, sus estimaciones divergieron considerablemente, a veces de formas totalmente contradictorias.

El grupo de Manrubia estaba descubriendo una realidad deprimente: el pico de una epidemia nunca podría estimarse hasta que sucediera lo mismo que sucedía con el fin de la epidemia. El trabajo en otros laboratorios ha demostrado de manera similar que intentar predecir mesetas en la curva epidémica a largo plazo es igualmente infructuoso. Un estudio encontró que los investigadores ni siquiera deberían intentar estimar un pico u otro punto de referencia en una curva hasta que el número de infecciones sea dos tercios del camino.

"La gente dice: 'Puedo reproducir el pasado, por lo tanto, puedo predecir el futuro'", dijo Manrubia. Pero aunque "estos modelos son muy ilustrativos de la dinámica subyacente ... no tienen poder de predicción".

Se han dejado sentir las consecuencias de la imprevisibilidad de esos picos. Alentadas por lo que parecían ser descensos en los números de COVID-19, muchas regiones, ciudades y escuelas reabrieron demasiado pronto.

Las estudiantes Michelle Vu (izquierda) y Klaudia Bak de la Universidad Estatal de Pensilvania, después de que reabriera su campus el otoño pasado. Los planes de reapertura de escuelas en todo el país tuvieron que ajustarse a comportamientos y eventos inesperados que tenían el potencial de causar grandes brotes.

Ferrari y sus colegas en Penn State, por ejemplo, tuvieron que enfrentar esa posibilidad cuando comenzaron a hacer proyecciones en marzo sobre cómo sería agosto, para informar sus modelos de planificación más granulares para traer a los estudiantes de regreso al campus. En ese momento, parecía que la primera ola de infecciones pasaría de su pico y disminuiría para el verano, por lo que Ferrari y el resto del equipo de modelado asumieron que su enfoque debería estar en implementar políticas para evitar una segunda ola cuando el los estudiantes regresaron para el otoño.

“Y luego la realidad fue, a medida que nos acercábamos más y más, de repente estamos en junio y estamos en julio, y todos gritamos: 'Oye, la primera ola no va a terminar'. ”Dijo Ferrari. Pero los planes de reapertura ya estaban en marcha. Los estudiantes regresaban a un campus donde el riesgo podría ser mucho mayor de lo previsto, lo que dejó al equipo luchando por encontrar una respuesta adecuada.


Por qué los científicos necesitan mejorar la visualización de datos

Imagínese un libro de texto de ciencias sin imágenes. Sin cuadros, sin gráficos, sin ilustraciones o diagramas con flechas y etiquetas. La ciencia sería mucho más difícil de entender.

Eso es porque los humanos son criaturas visuales por naturaleza. Las personas absorben información en forma gráfica que los eludiría en palabras. Las imágenes son eficaces para todo tipo de narraciones, especialmente cuando la historia es complicada, como suele suceder con la ciencia. Los elementos visuales científicos pueden ser esenciales para analizar datos, comunicar resultados experimentales e incluso para realizar descubrimientos sorprendentes.

Las visualizaciones pueden revelar patrones, tendencias y conexiones en los datos que son difíciles o imposibles de encontrar de otra manera, dice Bang Wong, director creativo del Broad Institute del MIT. "Trazar los datos nos permite ver la estructura subyacente de los datos que de otro modo no vería si estuviera mirando una tabla".

Y, sin embargo, pocos científicos prestan el mismo cuidado a las imágenes que a la generación de datos o al escribir sobre ellos. Los gráficos y diagramas que acompañan a la mayoría de las publicaciones científicas tienden a ser lo último que hacen los investigadores, dice el científico de visualización de datos Seán O’Donoghue. "La visualización se considera realmente una especie de guinda del pastel".

Como resultado, la ciencia está plagada de visualizaciones de datos deficientes que confunden a los lectores e incluso pueden engañar a los científicos que las elaboran. Los datos visuales deficientes pueden reducir la calidad e impedir el progreso de la investigación científica. Y con más y más imágenes científicas que se abren camino en las noticias y en las redes sociales, que ilustran todo, desde el cambio climático hasta los brotes de enfermedades, el potencial es alto para que las malas imágenes perjudiquen la comprensión pública de la ciencia.

El problema se ha agudizado con la cantidad y complejidad cada vez mayores de los datos científicos. La visualización de esos datos, tanto para comprenderlos como para compartirlos, es más importante que nunca. Sin embargo, los científicos reciben muy poca formación en visualización. "En general, la comunidad no ha reconocido que esto es algo que realmente se necesita", dice O'Donoghue, de la Universidad de Nueva Gales del Sur y autor principal de un artículo sobre visualización de datos biomédicos en 2018. Revisión anual de la ciencia de datos biomédicos.

Sin embargo, hay señales de progreso. En la última década han surgido al menos dos conferencias anuales dedicadas a la visualización de datos científicos. Y el diario Métodos de la naturaleza publicó una columna regular de 2010 a 2016 sobre la creación de mejores figuras y gráficos, que luego se adaptó a las pautas para los científicos que envían artículos a esa revista. Pero hasta ahora, pocos científicos se están enfocando en el problema.

Mejorar la visualización científica requerirá una mejor comprensión de las fortalezas, debilidades y sesgos de cómo el cerebro humano percibe el mundo. Afortunadamente, la investigación ha comenzado a revelar cómo la gente lee, y malinterpreta, diferentes tipos de visualizaciones y qué tipos de gráficos son más efectivos y fáciles de descifrar. La aplicación de ese conocimiento debería conducir a una mejor comunicación visual de la ciencia.

"Tenemos mucho conocimiento práctico sobre lo que funciona y lo que no", dice la científica informática Miriah Meyer de la Universidad de Utah. "Hay muchos principios que han pasado por la prueba del tiempo y se ha demostrado una y otra vez que son realmente efectivos".

Elección de gráfico

El sistema visual humano evolucionó para ayudarnos a sobrevivir y prosperar en el mundo natural, no para leer gráficos. Nuestros cerebros interpretan lo que ven nuestros ojos de maneras que pueden ayudarnos a encontrar plantas comestibles entre las variedades tóxicas, detectar animales de presa y ver razonablemente bien tanto a plena luz del día como de noche. Al analizar la información que recibimos a través de nuestros ojos para cumplir estos propósitos, nuestro cerebro nos da una percepción personalizada del mundo.

A principios de la década de 1980, los estadísticos de Bell Labs William Cleveland y Robert McGill comenzaron a investigar cómo los detalles de la percepción humana afectan nuestra capacidad para descifrar las presentaciones gráficas de datos, para descubrir qué tipos de gráficos juegan con nuestras fortalezas y con cuáles luchamos. En un artículo fundamental publicado en 1984 en el Revista de la Asociación Estadounidense de Estadística, Cleveland y McGill presentaron una clasificación de elementos visuales de acuerdo con la facilidad y precisión con la que la gente los lee.

Sus experimentos demostraron que las personas son mejores para leer gráficos basados ​​en la longitud de barras o líneas, como en un gráfico de barras estándar. Estas visualizaciones son la mejor opción cuando es importante discernir con precisión las pequeñas diferencias entre los valores.

A los participantes del estudio les resultó un poco más difícil juzgar las diferencias en la dirección, el ángulo y el área. Las cifras que usaban volumen, curvatura o sombreado para representar datos eran aún más difíciles. Y el método menos efectivo de todos fue la saturación de color.

"La capacidad de la audiencia para percibir diferencias mínimas va a empeorar cada vez más" a medida que avanza en la lista, dice el científico informático Jeffrey Heer de la Universidad de Washington en Seattle. En general, se recomienda utilizar el elemento gráfico más alto de la lista que satisfaga las necesidades de cada tipo de datos.

Por ejemplo, si es importante mostrar que una enfermedad en particular es mucho más letal que otras, un gráfico que utilice el tamaño de círculos para representar el número de muertes funcionará bien. Pero para enfatizar diferencias mucho menores en el número de muertes entre las enfermedades menos letales, un gráfico de barras será mucho más efectivo.

En 2010, Heer utilizó el servicio de crowdsourcing de Mechanical Turk de Amazon para confirmar que la clasificación de Cleveland y McGill es válida en el entorno digital moderno. Desde entonces, Heer, O’Donoghue y otros han utilizado el crowdsourcing para probar muchos otros aspectos de la visualización y descubrir qué funciona mejor. "Eso tiene un gran poder en el futuro para tomar todo este campo y realmente darle una base de ingeniería sólida", dice O'Donoghue.

Pasteles perniciosos

La clasificación gráfica de Cleveland y McGill destaca por qué algunos tipos populares de figuras no son muy efectivos. Un buen ejemplo es el siempre popular gráfico circular, que se ha ganado el desdén de expertos en visualización de datos como Edward Tufte. En su influyente tratado de 1983, La presentación visual de información cuantitativa, Tufte escribió que "el único diseño peor que un gráfico circular son varios de ellos".

Los gráficos circulares se utilizan a menudo para comparar partes de un todo, una tarea visual cognitivamente desafiante. El lector debe juzgar las diferencias entre las áreas de los sectores circulares o entre los ángulos en el centro del gráfico: ambos tipos de estimaciones son más difíciles que discernir la diferencia en las longitudes de las barras en un gráfico de barras, lo que sería un mejor opción en muchos casos.

Los gráficos circulares pueden ser tentadores porque generalmente son más atractivos que los gráficos de barras, son fáciles de rellenar con colores y fáciles de hacer. Pero rara vez son la mejor opción y solo son aceptables en contextos limitados. Si el objetivo es mostrar que las partes suman un todo, o comparar las partes con ese todo (en lugar de comparar sectores entre sí), un gráfico circular bien ejecutado podría ser suficiente siempre que la precisión no sea crucial.

Por ejemplo, un gráfico circular que muestra cuánto contribuye cada sector económico a las emisiones de gases de efecto invernadero muestra muy bien que alrededor de la mitad proviene de la producción de electricidad y calor junto con la agricultura, la silvicultura y otros usos de la tierra. El transporte, que a menudo recibe la mayor atención, constituye una parte mucho más pequeña del pastel. Poner seis barras una al lado de la otra en este caso no muestra inmediatamente que las partes suman el 100 por ciento o qué proporción del todo representa cada barra.

En algunas disciplinas científicas, el gráfico circular es simplemente una práctica estándar para mostrar tipos específicos de datos. Y es difícil oponerse a la tradición. "Hay ciertas áreas en la epigenética en las que tenemos que mostrar el gráfico circular", dice Wong, que trabaja con científicos biomédicos en el Instituto Broad para crear mejores visualizaciones. "Conozco las deficiencias de un gráfico circular, pero siempre se ha mostrado como un gráfico circular en todas las publicaciones, por lo que la gente se aferra a eso".

En otros casos, el trabajo extra que los pasteles le piden al cerebro humano los convierte en vehículos pobres para entregar información precisa o una historia coherente.

Tras las rejas

Aunque los gráficos de barras son fáciles de leer y comprender, eso no significa que siempre sean la mejor opción. En algunos campos, como la psicología, la medicina y la fisiología, los gráficos de barras a menudo pueden tergiversar los datos subyacentes y enmascarar detalles importantes.

"Los gráficos de barras son algo que debe utilizar si está visualizando recuentos o proporciones", dice Tracey Weissgerber, fisióloga de la Clínica Mayo en Rochester, Minnesota, que estudia cómo se realiza y se informa la investigación. "Pero no son una estrategia muy eficaz para visualizar datos continuos".

Weissgerber realizó una encuesta de las principales revistas de fisiología en 2015 y descubrió que alrededor del 85% de los artículos contenían al menos un gráfico de barras que representa datos continuos, como medidas de presión arterial o temperatura, donde cada muestra puede tener cualquier valor dentro del rango relevante. Pero las barras que representan datos continuos pueden no mostrar información significativa, como cuántas muestras representa cada barra y si hay subgrupos dentro de una barra.

Por ejemplo, Weissgerber señala que la preeclampsia, una complicación del embarazo, puede deberse a problemas con la madre o problemas con el bebé o la placenta. Pero dentro de esos grupos hay subgrupos de pacientes que llegan a los mismos síntomas a través de diferentes vías. "Estamos realmente enfocados en tratar de comprender e identificar a las mujeres con diferentes subtipos de preeclampsia", dice Weissgerber. "Y uno de los problemas con eso es que si presentamos todos nuestros datos en un gráfico de barras, no hay subgrupos en un gráfico de barras".

Los gráficos de barras son especialmente problemáticos para los estudios con tamaños de muestra pequeños, que son comunes en las ciencias biomédicas básicas.Las barras no muestran qué tan pequeños son los tamaños de muestra y los valores atípicos pueden tener un gran efecto en la media indicada por la altura de una barra.

“Uno de los desafíos es que en muchas áreas de las ciencias biomédicas básicas, los gráficos de barras se aceptan simplemente como… cómo mostramos datos continuos”, dice Weissgerber.

Existen varias buenas gráficas alternativas para pequeños conjuntos de datos continuos. Los diagramas de dispersión, los diagramas de caja y los histogramas revelan la distribución de los datos, pero rara vez se utilizaron en los artículos analizados por Weissgerber. Para ayudar a corregir este problema, ha desarrollado herramientas para crear diagramas de dispersión simples y varios tipos de gráficos interactivos.

Arcoiris ruinosos

El color puede ser muy eficaz para resaltar diferentes aspectos de los datos y agregar algo de vida a las cifras científicas. Pero también es una de las formas más fáciles de equivocarse. La percepción humana del color no es sencilla y la mayoría de los científicos no tienen en cuenta las peculiaridades del sistema visual al elegir colores para representar sus datos.

Una de las malas prácticas más comunes es utilizar la escala de colores del arco iris. Desde la geología hasta la climatología y la biología molecular, los investigadores gravitan hacia el mapeo de sus datos con la ayuda de Roy G. Biv. Pero la paleta del arcoíris tiene varios inconvenientes graves, y muy pocos para recomendarla.

Aunque se deriva del espectro de luz natural, el orden de los colores en el arco iris no es intuitivo, dice Wong. “Tienes que pensar, ¿es el azul más grande que el verde? ¿El amarillo es más grande que el rojo? "

Un problema aún mayor es que el cerebro humano percibe el arco iris de manera desigual. La gente ve el color en términos de matiz (como rojo o azul), saturación (intensidad del color) y luminosidad (cuánto blanco o negro se mezcla). Los cerebros humanos dependen principalmente de la claridad para interpretar las formas y la profundidad y, por lo tanto, tienden a ver los colores más brillantes como picos y los colores más oscuros como valles. Pero el color más brillante del arco iris es el amarillo, que generalmente se encuentra en algún lugar en el medio de la escala, lo que lleva a los espectadores a ver puntos altos en los lugares equivocados.

Para agravar el problema, las transiciones entre algunos colores parecen graduales, mientras que otros cambios parecen mucho más abruptos. Los datos subyacentes, por otro lado, suelen tener una tasa de cambio constante que no coincide con la desigualdad percibida del arco iris. "Puede tener límites de percepción donde no existen y también ocultar los límites que existen", dice el científico del clima Ed Hawkins de la Universidad de Reading en Inglaterra. Incluso los científicos pueden caer presa de esta ilusión al interpretar sus propios datos.

Para evitar el problema del arco iris, algunos investigadores han creado paletas basadas en matemáticas que combinan mejor el cambio de percepción en sus colores con los cambios en los datos correspondientes. Algunas de estas escalas de colores más nuevas funcionan específicamente para las personas con daltonismo rojo-verde, que se estima que afecta a alrededor del 8 por ciento de los hombres (pero solo a una pequeña fracción de las mujeres).

Aunque los cartógrafos y algunos científicos como Hawkins han estado criticando el arco iris durante décadas, sigue siendo omnipresente en la literatura científica. Es probable que algunos campos de la ciencia lo hayan utilizado desde que se inventó la impresión en color. Y debido a que muchos científicos no son conscientes de los aspectos problemáticos del arco iris, no ven ninguna razón para desafiar la tradición. “La gente está acostumbrada a usarlo, así que les gusta, se sienten cómodos con él”, dice Hawkins.

Esta inclinación también se ve favorecida por el hecho de que la escala de colores del arco iris es la predeterminada para gran parte del software que los científicos utilizan para crear visualizaciones. Pero Hawkins y otros han estado presionando a los fabricantes de software para que cambien sus valores predeterminados, con cierto éxito.

En 2014, MathWorks cambió la configuración predeterminada del programa de software MATLAB a un esquema de color mejorado llamado parula. En 2015, un científico cognitivo y un científico de datos desarrollaron un nuevo esquema de color predeterminado llamado viridis para hacer gráficos con el popular lenguaje de programación Python. Y un nuevo esquema de color derivado matemáticamente llamado cividis ya se ha agregado a una docena de bibliotecas de software, aunque todavía no es el predeterminado en ninguna de ellas.

Mapas de calor peligrosos

Una de las peculiaridades más interesantes del sistema visual humano, y una de las más irritantes para la visualización de datos, es que nuestra percepción de un color puede verse influenciada por otros colores cercanos. En algunos casos, el efecto es bastante dramático, dando lugar a todo tipo de ilusiones ópticas.

Siempre que una visualización coloca diferentes colores, o incluso tonos del mismo color, uno al lado del otro, pueden interactuar de formas no deseadas. El mismo color exacto se verá completamente diferente cuando está rodeado por un tono más oscuro que cuando está rodeado por un tono más claro, un fenómeno conocido como contraste simultáneo. Una ilustración bien conocida de esto, la ilusión de la sombra a cuadros, juega con la interpretación del cerebro de los colores cuando se proyecta una sombra sobre una cuadrícula a cuadros.

"El efecto de las interacciones de color plantea un gran problema", dice Wong. En las ciencias de la vida, un ejemplo generalizado es el mapa de calor, que a menudo se utiliza para revelar relaciones entre dos conjuntos de datos. "Si hojeas un diario, un tercio de las cifras son mapas de calor", dice. "Esta es una forma muy popular de visualización de datos que, de hecho, está sesgando los datos científicos".

Un mapa de calor es una matriz bidimensional, básicamente una tabla o cuadrícula, que usa color para cada cuadrado en la cuadrícula para representar los valores de los datos subyacentes. Los tonos más claros y oscuros de uno o más tonos indican valores más bajos o más altos. Los mapas de calor son especialmente populares para mostrar datos sobre la actividad genética, lo que ayuda a los investigadores a identificar patrones de genes que producen proteínas (u otras moléculas) de manera más o menos activa en diferentes situaciones.

Los mapas de calor son excelentes para empaquetar una tonelada de datos en una pantalla compacta. Pero poner varios tonos de colores uno al lado del otro puede desencadenar la ilusión de contraste simultáneo. Por ejemplo, un científico que compara los colores de cuadrados individuales en la cuadrícula puede malinterpretar fácilmente dos tonos diferentes de naranja como iguales, o pensar que dos tonos idénticos son bastante diferentes, dependiendo de los colores de los cuadrados circundantes.

"Este es un gran problema en los mapas de calor donde se depende de un montón de mosaicos de colores colocados uno al lado del otro", dice Wong. "Este sesgo involuntario es una especie de rampante en todos los mapas de calor".

Para los datos de actividad genética, el verde y el rojo se utilizan a menudo para mostrar qué genes son más o menos activos. Un tono particular de verde puede verse muy diferente rodeado de tonos más claros de verde en comparación con cuando está rodeado por tonos más oscuros de verde, rojo o negro. El valor que representa el tono de verde es el mismo, pero aparecerá más alto o más bajo dependiendo de sus cuadrados vecinos.

Una mancha de cuadrados de color verde brillante en una parte de la cuadrícula podría significar que un gen es muy activo en un grupo de subespecies estrechamente relacionadas, por ejemplo, de bacterias. Al mismo tiempo, en otra parte de la cuadrícula, un solo cuadrado verde opaco rodeado de cuadrados negros puede verse brillante, haciendo que parezca que el mismo gen es muy activo en una especie de bacteria no relacionada, cuando en realidad solo está débilmente activo.

Una forma de mitigar el problema, dice Wong, es introducir algún espacio en blanco entre las partes de la cuadrícula, quizás para separar grupos de especies relacionadas, grupos de muestras o conjuntos de genes relacionados. Romper los cuadrados reducirá la interferencia de los colores vecinos. Otra solución es utilizar una pantalla completamente diferente, como un gráfico que usa líneas para conectar genes altamente activos, o una serie de gráficos que representan cambios en la actividad genética a lo largo del tiempo o entre dos estados experimentales.

Mensajes confusos

Asegurarse de que una visualización no tergiversará los datos ni inducirá a error a los lectores es esencial para compartir resultados científicos. Pero también es importante considerar si una figura realmente llama la atención sobre la información más relevante y no distrae a los lectores.

Por ejemplo, la distribución de muchos conjuntos de datos cuando se traza como un gráfico lineal o un histograma tendrá forma de campana con la mayor parte de los datos cerca del centro. "Pero a menudo nos preocupamos por lo que hay en la cola", dice Wong. Para el espectador, "a menudo se ve abrumado por esta gran cosa en el medio".

La solución podría ser utilizar algo diferente a la altura para representar la distribución de los datos. Una opción es un gráfico de código de barras, que muestra cada valor como una línea. En este tipo de gráfico, es más fácil ver detalles en áreas de baja concentración que tienden a desaparecer en una curva de campana.

El color aplicado cuidadosamente también puede mejorar y aclarar el mensaje de un gráfico. En un diagrama de dispersión que usa diferentes colores para identificar categorías de datos, por ejemplo, la información más importante debe estar representada por los colores que más se destacan. Los programas de gráficos pueden simplemente asignar rojo al azar al grupo de control porque es la primera columna de datos, mientras que el interesante mutante que es fundamental para los hallazgos termina en gris.

"Los colores puros son poco comunes en la naturaleza, así que limítelos para resaltar lo que sea importante en sus gráficos", escribe el periodista de visualización de datos Alberto Cairo en su libro de 2013. El arte funcional. "Utilice tonos tenues (grises, azules claros y verdes) para todo lo demás".

Además del arcoíris y el contraste simultáneo, hay muchas otras formas de meterse en problemas con el color. El uso de demasiados colores puede distraer la atención del mensaje principal de una visualización. Los colores que son demasiado similares entre sí o al color de fondo de una imagen pueden ser difíciles de descifrar.

Los colores que van en contra de las expectativas culturales también pueden afectar qué tan bien un lector puede entender una figura. En los mapas que muestran el terreno, por ejemplo, la expectativa es que la vegetación sea verde, las áreas secas sean marrones, las elevaciones más altas sean blancas, las ciudades sean grises y, por supuesto, el agua sea azul. Un mapa que no observe estos esquemas de color bien establecidos sería mucho más difícil de leer. Imagine un mapa electoral de EE. UU. Con áreas demócratas en rojo y áreas republicanas en azul, o un gráfico de barras que muestre diferentes causas de muerte en colores brillantes y alegres: la disonancia dificultaría la absorción de su mensaje.

Si el color no es necesario, a veces es más seguro ceñirse a los tonos de gris. Como dijo Tufte en su libro de 1990 Visualización de información, “Evitar la catástrofe se convierte en el primer principio para dar color a la información: Sobre todo, no hagas daño.”

Visualiza el futuro

Muchos problemas de visualización de datos persisten porque los científicos simplemente no son conscientes de ellos o no están convencidos de que valga la pena el esfuerzo extra para obtener mejores cifras, dice O'Donoghue.

Ha estado trabajando para cambiar esta situación iniciando y presidiendo la conferencia anual de Vizbi enfocada en visualizar las ciencias biológicas, impartiendo un taller de visualización para científicos y combinando la literatura en busca de evidencia de las mejores y peores prácticas, que se compilan en su artículo de Revisiones Anuales de 2018. . Pero en general, dice, el esfuerzo aún no ha ganado mucho impulso. "Creo que tenemos un largo camino por recorrer".

Una de las razones de la falta de conciencia es que la mayoría de los científicos no reciben ninguna formación en visualización de datos. Rara vez se exige a los estudiantes de posgrado en ciencias y la mayoría de las instituciones no ofrecen clases diseñadas sobre visualización científica. Para muchos estudiantes, particularmente en las ciencias biomédicas, su única exposición a la visualización de datos es en cursos de estadística que no se adaptan a sus necesidades, dice Weissgerber.

Los científicos también tienden a seguir las convenciones cuando se trata de cómo muestran los datos, lo que perpetúa las malas prácticas.

Una forma de combatir el poder de los precedentes es incorporando mejores principios de diseño en las herramientas que los científicos usan para trazar sus datos (como las herramientas de software que ya han cambiado del arco iris predeterminado a paletas más perceptualmente uniformes). La mayoría de los científicos no van a aprender mejores prácticas de visualización, dice O'Donoghue, "pero van a utilizar herramientas. Y si esas herramientas tienen mejores principios, entonces, de forma predeterminada, [los aplicarán] ".

Los editores científicos también podrían ayudar, dice. "Creo que las revistas pueden desempeñar un papel al establecer estándares". Los científicos que inician su carrera se inspiran en colegas más experimentados y en artículos publicados. Algunas revistas, incluidas Biología PLoS, eLife y Ingeniería Biomédica de la Naturaleza ya han respondido al trabajo de Weissgerber de 2015 sobre gráficos de barras. “Desde que se publicó el artículo, varias revistas han cambiado sus políticas para prohibir o desalentar el uso de gráficos de barras para datos continuos, particularmente para conjuntos de datos pequeños”, dice.

Dado que los datos científicos se vuelven cada vez más complejos, los científicos deberán continuar desarrollando nuevos tipos de visualizaciones para manejar esa complejidad. Para que esas visualizaciones sean efectivas, tanto para los científicos como para el público en general, los diseñadores de visualización de datos deberán aplicar la mejor investigación sobre el procesamiento visual de los humanos para trabajar con el cerebro, en lugar de contra él.

Betsy Mason es una periodista independiente que vive en el Área de la Bahía de San Francisco y se especializa en ciencia y cartografía. Es coautora, con Greg Miller, de All Over the Map: A Cartographic Odyssey (National Geographic, 2018).

Este artículo apareció originalmente en Revista conocible, un esfuerzo periodístico independiente de Revisiones anuales.


Nuevo modelo predice los picos de la pandemia COVID-19

A finales de mayo, COVID-19 ha matado a más de 325.000 personas en todo el mundo. Aunque lo peor parece haber pasado para países como China y Corea del Sur, los expertos en salud pública advierten que los casos y las muertes seguirán aumentando en muchas partes del mundo. Comprender cómo evoluciona la enfermedad puede ayudar a estos países a prepararse para un aumento esperado en los casos.

Esta semana en el diario Fronteras en la física, los investigadores describen una función única que describe con precisión todos los datos disponibles existentes sobre casos activos y muertes, y predice los próximos picos. La herramienta utiliza estadísticas q, un conjunto de funciones y distribuciones de probabilidad desarrollado por Constantino Tsallis, físico y miembro de la facultad externa del Instituto Santa Fe. Tsallis trabajó en el nuevo modelo junto con Ugur Tirnakli, físico de la Universidad Ege, en Turquía.

"La fórmula funciona en todos los países en los que hemos probado", dice Tsallis.

Ninguno de los físicos se propuso jamás modelar una pandemia mundial. Pero Tsallis dice que cuando vio la forma de los gráficos publicados que representan los casos activos diarios de China, reconoció formas que había visto antes, es decir, en gráficos que ayudó a producir hace casi dos décadas para describir el comportamiento del mercado de valores.

"La forma era exactamente la misma", dice. Para los datos financieros, la función describió probabilidades de bolsa de valores para COVID-19, describió diariamente el número de casos activos - y fatalidades - en función del tiempo.

Modelar datos financieros y rastrear una pandemia global puede parecer no tener relación, pero Tsallis dice que tienen una cosa importante en común. "Ambos son sistemas complejos", dice, "y en los sistemas complejos, esto sucede todo el tiempo". Los sistemas dispares de una variedad de campos (biología, teoría de redes, ciencias de la computación, matemáticas) a menudo revelan patrones que siguen las mismas formas básicas y evolución.

El gráfico financiero apareció en un volumen de 2004 coeditado por Tsallis y el fallecido Nobel Murray Gell-Mann. Tsallis desarrolló la estadística q, también conocida como "estadísticas de Tsallis", a finales de la década de 1980 como una generalización de las estadísticas de Boltzmann-Gibbs a sistemas complejos.

En el nuevo artículo, Tsallis y Tirnakli utilizaron datos de China, donde se cree que la tasa de casos activos alcanzó su punto máximo, para establecer los principales parámetros de la fórmula. Luego, lo aplicaron a otros países, incluidos Francia, Brasil y el Reino Unido, y encontraron que coincidía con la evolución de los casos activos y las tasas de mortalidad a lo largo del tiempo.

El modelo, dice Tsallis, podría usarse para crear herramientas útiles como una aplicación que se actualiza en tiempo real con nuevos datos disponibles y puede ajustar sus predicciones en consecuencia. Además, cree que también podría ajustarse para adaptarse a futuros brotes.

"La forma funcional parece ser universal", dice, "no solo para este virus, sino también para el próximo que pueda aparecer".



Comentarios:

  1. Vudogis

    Creo que estás equivocado. Vamos a discutir.

  2. Keitaro

    Esto es insoportable.

  3. Kezshura

    Pido disculpas por interferir ... Estoy familiarizado con esta situación. Listo para ayudar.

  4. Carrol

    No está presente en absoluto. Lo sé.

  5. Deverell

    Gracias por su ayuda en este asunto, también me gustaría algo en lo que pueda ayudar.

  6. Sara

    Hay un sitio para la pregunta que le interesa.

  7. Marisar

    Perfectamente, yo y el pensamiento.



Escribe un mensaje