Introducción
La pandemia de covid-19 ha tenido un fuerte impacto en la salud global, en el bienestar de las personas y en la economía de los países. Como medida de intervención, se han buscado reducir las aglomeraciones y, en general, el contacto cercano entre personas para reducir así la tasa de infecciones. Para determinar su éxito, se ha empleado el seguimiento de la geolocalización de las personas, a través de los datos recolectados del GPS de sus teléfonos celulares. Lo anterior debido a la alta penetración y uso de la telefonía celular y del internet, lo cual facilita la obtención, agregación y análisis de masivos datos de ubicación. Este seguimiento se realiza hasta tanto los individuos seleccionen no participar mediante un consentimiento opt-out.
En este texto, se explora cuál sería la responsabilidad moral en aquellas personas que eligen opt-out de esta intervención de determinación de la movilidad social (individual y colectiva).
Empezaré por brindar un contexto tanto de la pandemia de covid-19, de las tecnologías de información y comunicación (TIC) como de los datos masivos y de acceso libre.
Seguido mostraré la existente convergencia entre estas tres situaciones y cómo se han abierto las posibilidades en el empleo de los datos digitales para la salud pública y, por ende, para la gestión de la pandemia de covid-19.
Presentaré entonces los dilemas éticos del uso de herramientas digitales para enfrentar la pandemia, en donde profundizaré sobre las cuestiones referentes a la autonomía en el caso de las restricciones y las mediciones de la movilidad social.
La pandemia
El covid-19 es una enfermedad infecciosa que es causada por el virus SARS-CoV-2. El brote iniciado a finales de 2019 en la provincia de Wuhan, China, fue declarado Emergencia Sanitaria de preocupación internacional por la Organización Mundial de la Salud el 30 de enero de 2020 (World Health Organization, 2020b) y como pandemia el 11 de marzo del mismo año (World Health Organization, 2020c). A 22 de diciembre de 2020, 5:08pm (UTC -5), ha dejado alrededor 77,801,721 de casos confirmados y 1,713,109 muertes confirmadas en el mundo (Center for Systems Science and Engineering, 2020),(Dong et al., 2020).
Las TIC
Esta pandemia se da en un contexto en el que existe una alta penetración de la telefonía celular, el uso de la internet y de las redes sociales (y en términos generales del denominado social media[1]). Las suscripciones de telefonía celular en América Latina y en el mundo pasaron de menos del 10% en el 2000 a más del 100% en el 2017. Es decir, hay más suscripciones que personas (Ritchie, 2020). Frente al porcentaje de personas que usan el internet, el cambio también ha sido dramático: del 7 y 5% en el mundo y América Latina para el año 2000, respectivamente; al 50-60% y 40-50% en el mundo y América Latina para el año 2015. (Ritchie, 2020). En cuanto a las redes sociales, Facebook tiene más de 2000 millones de usuarios en el mundo, YouTube cerca de 2000 millones, WhatsApp cerca de 1500 millones, Instagram cerca de 1000 millones (Ritchie, 2020), y especialmente TikTok, lanzado en el 2016, cuenta ya 500 millones de usuarios convirtiéndose en la app más descargada del año 2019 (Briskman, 2019).
Los Datos Masivos
Esto ha causado, entre otros factores, el surgimiento de los Datos Masivos (Big Data), es decir, de un volumen enorme de datos digitales caracterizados también por su velocidad acelerada de creación, la variabilidad de sus formatos de presentación y, además, las variaciones en su veracidad. El Big Data tiene múltiples fuentes como, por ejemplo: el Social Media, las búsquedas en internet, datos de máquinas y dispositivos (como las máquinas y los robots de las fábricas, GPS de los teléfonos celulares, cámaras de vigilancia con y sin reconocimiento facial, dispositivos médicos, y un largo etcétera), los datos transaccionales (ya sean presenciales o virtuales) y, finalmente, el internet de las cosas (es decir, cuando hasta los objetos más impensados se encuentran conectados a internet e intercambian datos entre ellos sobre nosotros).
Para darnos una idea del volumen, velocidad y variedad, consideremos que diariamente se hace streaming de más de 400 mil horas de Netflix, se realizan más de 200 mil reuniones en Zoom, se suben más de 500 horas de video en YouTube, se comparten más de 340 mil historias en Instagram y se envían más de 41 millones de mensajes en WhatsApp (Jenik, 2020).
Estos datos no sólo se limitan a tablas y bases de datos, sino a datos en todo su gran espectro: estructurados, los que se arreglan en filas y columnas, y no estructurados como el texto libre, las imágenes, los videos, los audios, etc. De ahí el que mencionemos, como una de sus características, su variedad.
Además, estos datos pueden ser de origen público (para el caso de la pandemia, son un ejemplo, los reportes epidemiológicos), de origen privado (los datos de movilidad generados por Google mediante los GPS instalados en celulares Android) e incluso de origen personal (los que compartimos vía redes sociales).
La apertura de los datos y las redes internacionales
Precisamente por lo anterior, existe una fuerte tendencia a la Apertura de los Datos (denominado Open Data, en inglés), que busca asegurar que un grupo definido y acordado de datos estén disponibles para uso público sin restricciones de propiedad intelectual. Esto ha creado, además, lo que se denomina la Apertura de Datos Gubernamentales (del inglés: Open Government Data), o el que las organizaciones del gobierno pongan a disposición pública algunos datos para su uso secundario. Subrayo algunos puesto que hay otros que, por su carácter altamente sensible, no han sido liberados y podría argumentarse que no deberían ser liberados: por ejemplo, los datos de los nombres de personas HIV positivas o los datos de personas en procesos judiciales. Esta apertura (openness) se ha visto ampliarse, y es porque es la gran sombrilla que lo cubre todo: Código Abierto (Open Source), Ciencia Abierta (Open Science), Internet abierta (Open Web), Gobierno Abierto (Open Government), entre muchos otros.
Por el otro lado, y por las características propias de la pandemia -enmarcadas en el concepto de Salud Global-, se ha hecho necesario una fuerte colaboración intra a internacional que ha acelerado los procesos de investigación en tratamientos y vacunas -como nunca antes se había visto-. En otros casos, se ha suspendido temporalmente el pago para acceder a publicaciones científicas sobre covid-19 y se han puesto a descarga libre la recopilación gubernamental de los datos de casos y muertes confirmadas, de testeo y muchos más.
La intersección
En esa convergencia entre pandemia y el advenimiento y la disponibilidad de los datos digitales (de muchísimos de ellos), se ha buscado explorar, desarrollar y explotar diversas estrategias que buscan recolectar y analizar dichos datos abiertos para mejorar y agilizar los procesos de toma de decisión y así informar, en consecuencia, el diseño de estrategias de mitigación y contención del covid-19.
Esto, por supuesto no es una novedad. Quizás sí para la pandemia de covid-19, pero es porque ella es nueva, sino que no lo es para muchos otros casos en salud pública en donde el análisis de datos de salud (o asociados) es indispensable para desarrollar intervenciones adecuadas. Es la base misma de la epidemiología, tanto la tradicional, como la que hace uso de datos digitales (internet, redes sociales, transacciones comerciales y demás) y que se ha denominado Epidemiología Digital. Para el 2009 ya se había creado un marco conceptual de la denominada infovigilancia e infodemiología (Eysenbach, 2009) y hacia el 2018 se empezó a configurar el de Epidemiología Digital (Salathé, 2018), convirtiéndose así todo esto en toda un área de investigación en sí misma y que ha ido trasladándose de la academia al trabajo de campo para informar políticas públicas en salud.
La evidencia
El principio bajo el cual se parte es que, con la capacidad computacional suficiente, las técnicas adecuadas (Ahmed, 2019) (Brockmann, 2020) y un mecanismo hábil de recolección y procesamiento de datos digitales, es posible obtener información clave que permita elaborar mejores intervenciones en salud pública (Barros et al., 2020). En el caso del covid-19, fundamentalmente se emplea para determinar el nivel de adherencia a las indicaciones de salud pública, y así prevenir contagios masivos en corto tiempo. Ahora bien, este campo sigue siendo relativamente nuevo (no tiene más de 10 años), lo cual implica que aún la comunidad científica está en el proceso de recabar evidencia suficiente para señalar su utilidad, sus riesgos y además determinar su correcta metodología.
Los tipos
Empleando la tipología realizada por (Gasser et al., 2020), las herramientas de salud pública digital en el contexto de la pandemia de covid-19, se han desarrollado para cumplir con los siguientes propósitos:
1. Para medir la proximidad espacial entre los usuarios con el objetivo de rastrear su interacción.
2. Para declarar y/o verificar síntomas mediante el análisis, interpretación y difusión de datos del estado de salud.
3. Para confirmar el cumplimiento de la cuarentena mediante el monitoreo en tiempo real de las personas que deben seguir dicha cuarentena.
4. Para determinar la movilidad de las personas mediante la cuantificación y rastreo de los movimientos de las personas.
Por el otro lado, también existen otras posibilidades como:
5. Entender las dinámicas de opinión y sentimientos mediante el análisis de datos de social media. (Banco Interamericano de Desarrollo, 2020)
6. El uso de los datos de social media para identificar indicadores de riesgo y enfermedad asociados directa o indirectamente con la pandemia de covid-19. (Mackey et al., 2020)
7. El uso de datos de motores de búsqueda para analizar el uso de términos asociados directa o indirectamente con la pandemia de covid-19. (Walker et al., 2020) (Ayyoubzadeh et al., 2020)
Dejo subrayada la aplicación que trabajaré con más profundidad.
Los dilemas éticos
El desarrollo e implementación de estas herramientas digitales para enfrentar el covid-19 ha traído consigo, además, una variedad de cuestiones éticas como las siguientes (Gasser et al., 2020) (Mello & Wang, 2020):
A. Que el beneficio en la sociedad sea superior a sus riesgos.
B. Que exista prácticas científicas suficientes para determinar su efectividad.
C. Que no atenten contra la privacidad de las personas.
D. Que no sean un mecanismo en contra de la autonomía[2].
E. Que no sean una fuente de discriminación.
F. Que los datos no sean empleados para otros propósitos fuera de los acordados.
G. Que las intervenciones tengan un principio y un fin una vez superada la emergencia.
H. Que no fomenten la inequidad digital para aquellos no conectados a ninguna de las TIC o con bajos niveles de alfabetización digital, por ejemplo.
I. Que existan claros responsables quienes asuman las consecuencias sobre el uso de estas herramientas y sus posibles riesgos.
Dejo subrayada la que trabajaré con más profundidad. Buscaré expandir las implicaciones de este dilema ético en cuanto a dar el consentimiento (o no) para que la institucionalidad acceda y use sus datos personales.
La gestión de la autonomía
Como ya establecimos, las intervenciones de salud digital hacen uso de datos digitales, muchos de los cuales, se obtienen de internet, redes sociales y dispositivos móviles. Para acceder a estos datos digitales las instituciones, que hacen uso de los datos, en principio, deben (o deberían) consultar a los individuos si están de acuerdo (o no) al acceso y uso posterior de estos datos para X o Y propósito.
Para ello existen consentimientos tipo Opt-in (en donde las personas toman la acción de participar), Opt-out (en donde las personas toman la acción de no participar, es decir, está preseleccionado por ellxs el sí participar) o mandatorios (no es posible no poder participar).
Con respecto a los Tipos, (Gasser et al., 2020) nos señala que 1 y 2 son Opt-in, 3 no es ni opt-in ni opt-out y 4 es Opt-out.
Finalmente, en el caso de 6, 7 y 8, no existe un esquema general de consentimiento pues éste está atado al acuerdo que el usuario establece con la plataforma que contiene sus datos. Por ejemplo, en Twitter los datos (ya sea de los usuarios, el contenido de los tweets y la geolocalización) pueden ser extraídos, por ejemplo, por terceros para estudios posteriores. La información, a menos que haya sido seleccionada por el usuario como privada, es de amplio acceso.
En otros casos, como en Facebook, cualquier extracción debe realizarse de forma manual y tiene muchas más restricciones de acceso a datos por fuera del perfil individual y propio. Esto desde la perspectiva de un externo a las plataformas. Desde la perspectiva de las plataformas, es decir, desde dentro de Facebook o Twitter, no existe realmente ni el Opt-in ni el Opt-out para sus estudios internos.
La pregunta
I. En un contexto de pandemia como la de covid-19 y frente a la necesidad de determinar la movilidad de las personas (Punto 4 en Los Tipos)
II. ¿elegir opt-out para que instituciones en salud no hagan uso de los datos digitales personales en las intervenciones en salud pública digital dirigidas a (4) implica una responsabilidad moral sobre los impactos negativos de la pandemia? [3]
Trabajando una respuesta
Haré una exploración de la respuesta mediante una serie de preguntas:
Preguntas generales
- ¿Es necesaria la medida de determinar la movilidad de las personas?
La determinación de la movilidad de las personas se realiza como consecuencia de las intervenciones de aislamiento preventivo que, en últimas, buscan disminuir la velocidad de propagación de la pandemia al reducir las probabilidades de cercanía entre las personas (Bilgin, 2020). Esto porque la infección se transmite por vía aérea y aerosol y porque no existe tratamiento para la enfermedad. Además, aunque ya existen vacunas desarrolladas y en distribución (World Health Organization, 2020a), aún falta tiempo para llegar a una inmunidad de rebaño global.
Así, entre menos contacto entre personas haya, menos probabilidad de contagio y de infección a otros.
Esta es una intervención que implica el análisis del movimiento de un número enorme de personas, lo cual supera a la capacidad que tienen las instituciones para poder verificar su cumplimiento tanto in-situ como persona a persona. De modo que se hace necesario buscar mecanismos que den cuenta del cumplimiento (o no) del aislamiento preventivo. Visto desde esta perspectiva, se concluye que sí es necesaria la medida de determinar la movilidad de las personas.
Sin embargo, es importante resaltar que la intervención misma, el aislamiento preventivo, tiene muchos aspectos éticos que valen la pena considerar: sin duda es efectiva para prevenir infecciones, pero además tiene impactos en el bienestar de las personas frente a su salud mental, su libertad y su autonomía.
- ¿Existe otra alternativa diferente a la de determinar la movilidad de las personas mediante el uso de datos digitales?
Cualquiera que sea la alternativa debe ser más ágil, más efectiva, con menor costo, con menores requerimientos de logística y que, además, no choque con los dilemas éticos descritos o los que apliquen, según el caso. Como posibilidades están:
o El patrullaje continuo de zonas claves.
Para que sea efectiva requiere de una participación enorme de personal encargado de la vigilancia -lo cual sería contrario al principio inicial de mantener la distancia-, requiere bastante logística y existe otros dilemas éticos a considerar asociados a la invasión del espacio físico y de la intimidación.
o El uso de un mecanismo de declaración de ubicación de los individuos.
Requiere necesariamente de un reportaje continuo y veraz que es muy difícil de asegurar y requiere un consentimiento Opt-in. Las personas podrían, además, reportar cualquier ubicación (no necesariamente la real) y esto haría que los datos obtenidos no sean necesariamente fiables para el propósito.
o Confirmación de ubicación vía telefónica.
La mayor desventaja que tiene es que requiere de un número notable de personas que deben comunicarse con los individuos a sus casas (asumiendo que tengan aún teléfono fijo). Verificación que debe hacerse continuos intervalos de tiempo, lo cual representa una logística muy difícil. Además, podría estarse violando la autonomía y libertad de las personas dentro de su propia casa debido al exceso de control explícito.
o El uso de cámaras de vigilancia fijas instaladas en zonas claves.
Se ha empleado anteriormente para monitorear el tráfico, pero requiere de muchas cámaras instaladas para asegurar que se obtengan los datos suficientes pues se trata de personas y no de automóviles y, además, se requiere de un análisis de datos no estructurados (videos o fotografías) que requieren o de análisis manual, lo cual representa muchas horas de trabajo por persona, o de un sofisticado análisis computacional, que eleva el costo. Por el otro lado, tiene consigo dilemas éticos asociados como la privacidad y la autonomía.
o El uso de drones con cámaras de vigilancia dirigidas a zonas claves.
Aplica lo referido al punto anterior.
Como vemos, las alternativas existentes, al menos las que se listan, no ofrecen los mismos resultados que la medida de determinar la movilidad de las personas mediante el uso de datos digitales provenientes de sus teléfonos celulares.
- ¿Es realmente útil el uso de datos digitales para determinar la movilidad de las personas?
Esta es una pregunta acerca de la evidencia que es el punto B de los dilemas éticos. Como mencionaba anteriormente, la evidencia en términos generales, del uso de datos masivos asociados a la salud es un campo relativamente nuevo. Esto también incluye el determinar la movilidad de las personas mediante datos y tecnologías digitales.
No obstante, existen ya algunos ejemplos en donde se ha estudiado: la geolocalización desde Twitter para determinar la movilidad de migrantes (Mazzoli et al., 2020) y el uso de la telefonía celular para determinar la movilidad de la población para combatir el ébola (Talbot, 2014). Acá se podría cuestionar si la evidencia actual es suficiente para llevarlo a cabo de manera masiva en el caso de covid-19, lo cual debe contrastarse con del nivel de emergencia que representa la pandemia de covid-19.
Preguntas específicas
Para esta sección haré uso del esquema propuesto por (Jamrozik et al., 2016) quien realizó un análisis sobre la responsabilidad ética del opt-out en el caso de la vacunación. Tema que será de gran importancia una vez se cuente con una vacuna efectiva para covid-19. Ellos proponen el siguiente esquema:
“Un agente A es moralmente responsable del resultado O solo si
- (Previsibilidad) El resultado O es un resultado predecible o previsible de la acción Φ”
- (Prominencia) El resultado O es moralmente sobresaliente: es un resultado bueno o malo.
- (Causa) El agente A realiza una acción Φ que es una parte relevante de una explicación causal de O.
Definamos entonces las partes:
A: individuo de quien se originan los datos digitales asociados con su ubicación.
Φ: opt-out frente al uso de sus datos digitales para determinar la movilidad de A.
O: el desconocimiento por parte de las instituciones interesadas sobre la movilidad del individuo, lo cual disminuye la capacidad de determinar la movilidad.
Habiendo determinado cada una de las variables del modelo, introduciré una nueva variable P, entendida como el resultado de la presencia de la enfermedad de covid-19. Es decir, el aumento en el número de infecciones.
De esta manera, también se hace necesario vincular el resultado P como consecuencia causal de O.
Previsibilidad
En este caso el resultado O es un resultado predecible o previsible de la acción Φ, sin embargo, el resultado P no es necesariamente un resultado predecible del resultado O, en cuanto a que la reducción en la movilidad social es una medida que reduce la probabilidad de contagio, más no la evita.
Esto deja la decisión al nivel de probabilidad. Es decir, si es alta la probabilidad en la reducción, entonces es más predecible/previsible. Esto nos lleva a preguntarnos ¿cuál ha sido el impacto que las medidas de reducción de la movilidad social han tenido en la tasa de infecciones? Es decir, ¿estas medidas tienen una alta o baja probabilidad en la reducción del contagio?
Actualmente, con la segunda ola en Europa, varios países han tomado decisiones de cierre de establecimientos y de restringir la movilidad en sitios públicos y en grandes multitudes, lo cual puede ser un indicio del positivo impacto de estas medidas.
Prominencia
El resultado O no tiene una alta prominencia, en primera instancia. Es decir, la falta de datos de movilidad social no debería ser un resultado moralmente prominente. Por el otro lado, el resultado P sí lo es, en cuanto a que el daño causado por la enfermedad de Covid-19 es enorme a nivel social e individual.
En este caso, sería necesario encontrar cuál es el nivel de conexión entre el resultado O como generador del resultado P.
Si la conexión es fuerte, entonces el resultado O podría tener características de alta prominencia. Alguna evidencia sugiere que “habría habido un 65 por ciento más de casos de COVID-19 en las 347 ciudades chinas fuera de la provincia de Hubei, y un 53 por ciento más en 16 ciudades de la provincia de Hubei distintas de Wuhan, si Wuhan no hubiera entrado en lockdown el 23 de enero”(Fang et al., 2020).
Causa:
Vemos que el rechazar el empleo de los datos individuales de movilidad satisface la previsibilidad y prominencia siempre que exista una fuerte conexión entre el resultado O y el resultado P como, de hecho, alguna evidencia así lo sugiere.
Ahora bien, ¿cuál es la causalidad existente entre la acción Φ y el resultado O y, en consecuencia, el resultado P?
De la misma manera en que lo señala (Jamrozik et al., 2016), en relación a la negación a vacunarse, “Aunque es innegable que la negativa de algunas personas a vacunarse es parte de la explicación causal de algunas infecciones, podría discutirse si está presente el tipo "relevante" de conexión causal requerida para la responsabilidad moral”.
Este análisis también aplica a si el elegir Opt-Out sobre el seguimiento de datos de movilidad, es una conexión causal relevante en el fracaso del aislamiento preventivo y, por ello, en el aumento de infecciones.
Es preciso señalar que la acción Φ causa el resultado O, pero no causa por acción el resultado P, sino más bien por inacción, lo cual podría ser empleado como argumento para disminuir la responsabilidad moral de A frente a Φ.
Un contrargumento, también expresado por(Jamrozik et al., 2016), es que existen otros ejemplos, como el de un conductor que bajo los efectos del alcohol causa un accidente a un transeúnte, debido a que el conductor no tiene la intención de hacer el daño y es la inacción, la de no conducir bajo los efectos del alcohol, la que causa el accidente. Es claro que el conductor es moralmente responsable.
Sin embargo, en este caso la conexión entre conductor ebrio y accidente, aunque no haya intencionalidad, es una conexión fuerte. O al menos, estimaría, más fuerte que la conexión entre el resultado O y el resultado P.
Esto sugeriría que no existe una alta responsabilidad moral en A que al realizar la acción Φ cause tanto el resultado O como el resultado P.
Por el otro lado, está el argumento sobre la relación del individuo y lo comunitario. Si una persona elige el Opt-out, el impacto frente al total de personas que participarían de esta medida de reducción de la movilidad social sería insignificante; por lo cual, la responsabilidad moral de A sobre Φ también lo sería.
Es decir, existe aquí una tensión entre la responsabilidad colectiva frente a la responsabilidad individual. Sin embargo, es suficiente argumentar que, debido a que un individuo es apenas un minúsculo participante de la totalidad, ¿eso lo exime de realizar una acción que, agregada en la totalidad, a todxs beneficiaría?
Quizás sea necesario hacer un paralelo con otras acciones individuales, como el pago de impuestos, la reducción en el consumo de carnes, el botar la basura en los contenedores establecidos, entre otros ejemplos, para determinar la responsabilidad moral.
Mi posición es que sí se es moralmente responsable tanto para los ejemplos anteriores como para el caso de la acción Φ frente a la causa O y P.
Finalmente, estaría la pregunta sobre si al aumentar los riesgos sobre los otros, al realizar A la acción Φ, existe una responsabilidad moral de A. En este caso se requeriría un análisis de la conexión entre los riesgos derivados del resultado O frente al resultado P. En cualquier caso, cualquier acción que aumente un riesgo hacia otros, debe ser considero desde la perspectiva ética y quizás sea necesario ahí un análisis utilitarista sobre cuánto es un riesgo mínimo moralmente permisible.
Aquí nuevamente encontramos que todo depende de la conexión causal entre O y P. Asumiendo una conexión fuerte, esto querría decir que A sí es moralmente responsable de la acción Φ.
Conclusiones
El alto acceso y uso de las TIC por una gran parte de la población y así mismo una apertura en el acceso al sistema global de información y de datos, ha facilitado el desarrollo de iniciativas de salud digital para enfrentar la pandemia de covid-19. Debido a las características propias de esta enfermedad, una de las intervenciones de salud pública es el aislamiento preventivo que busca reducir las probabilidades de contagio al reducir las interacciones sociales. La medición del éxito de este aislamiento es clave para la toma de decisiones dentro de las instituciones de salud en cuanto a la gestión y proyecciones de la pandemia. Una de las maneras es a través del seguimiento de los datos de geolocalización recolectados por los teléfonos celulares de los individuos, lo cual crea un cuestionamiento sobre la posible violación de la privacidad y de la autonomía. Para el individuo existe la posibilidad de negar el uso de estos datos de localización.
En este documento discutimos tres aspectos: la previsibilidad, la prominencia y la causa. En cuanto a la previsibilidad sobre el resultado P, vimos que depende de la evidencia sobre el éxito del aislamiento preventivo para reducir la tasa de contagios. De manera que, si es una evidencia fuertemente positiva, más fuerte sería entonces el problema moral de elegir opt-out. En cuanto a la prominencia sobre el resultado O y P, vimos que la prominencia de O es baja siempre que la conexión entre O y P sea baja. Así, llegamos al mismo punto final que para la Previsibilidad. Finalmente, en cuanto a la Causa, vimos que, a pesar de Φ no ser un causal directo de P, esto no es una razón para desestimar Φ como una acción moralmente incorrecta. De esta misma forma aplica lo considerado en la relación acción individual sobre acción colectiva, dado que, de todos modos, es la agregación de acciones individuales la que determina la acción colectiva, haciéndolo así moralmente responsable a A por la acción Φ. Y finalmente, vimos que aumentar los riesgos sobre los otros, más allá de un riesgo mínimo inevitable, pone la carga moral sobre A.
Referencias
Ahmed, W. (2019). Using Twitter as a data source: an overview of social media research tools (2019). LSE Impact Blog. https://blogs.lse.ac.uk/impactofsocialsciences/2019/06/18/using-twitter-as-a-data-source-an-overview-of-social-media-research-tools-2019/
Ayyoubzadeh, S. M., Ayyoubzadeh, S. M., Zahedi, H., Ahmadi, M., & R Niakan Kalhori, S. (2020). Predicting COVID-19 Incidence Through Analysis of Google Trends Data in Iran: Data Mining and Deep Learning Pilot Study. JMIR Public Health Surveill, 6(2), e18828. https://doi.org/10.2196/18828
Banco Interamericano de Desarrollo. (2020). Welfare and social unrest : citizens express themselves in real time. Banco Interamericano de Desarrollo. https://bidciviclytics.citibeats.com/#/
Barros, J. M., Duggan, J., & Rebholz-Schuhmann, D. (2020). The Application of Internet-Based Sources for Public Health Surveillance (Infoveillance): Systematic Review. Journal of Medical Internet Research, 22(3), e13680. https://doi.org/10.2196/13680
Bilgin, N. M. (2020). Tracing COVID-19 Spread in Italy with Mobility Data. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3585921
Briskman, J. (2019). Top Apps Worldwide for Q1 2019 by Downloads. SensorTower. https://sensortower.com/blog/top-apps-worldwide-q1-2019-downloads
Brockmann, D. (2020). Digital epidemiology. Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz, 63(2), 166–175. https://doi.org/10.1007/s00103-019-03080-z
Center for Systems Science and Engineering. (2020). COVID-19 Data Repository. Johns Hopkins University Website. https://github.com/CSSEGISandData/COVID-19.
Dong, E., Du, H., & Gardner, L. (2020). An interactive web-based dashboard to track COVID-19 in real time. The Lancet Infectious Diseases, 20(5), 533–534. https://doi.org/10.1016/S1473-3099(20)30120-1
Eysenbach, G. (2009). Infodemiology and infoveillance: framework for an emerging set of public health informatics methods to analyze search, communication and publication behavior on the Internet. Journal of Medical Internet Research, 11(1), e11. https://doi.org/10.2196/jmir.1157
Fang, H., Wang, L., & Yang, Y. (2020). Human mobility restrictions and the spread of the Novel Coronavirus (2019-nCoV) in China. Journal of Public Economics, 191. https://doi.org/10.1016/j.jpubeco.2020.104272
Gasser, U., Ienca, M., Scheibner, J., Sleigh, J., & Vayena, E. (2020). Digital tools against COVID-19: taxonomy, ethical challenges, and navigation aid. The Lancet Digital Health, 2(8), e425–e434. https://doi.org/10.1016/S2589-7500(20)30137-0
Jamrozik, E., Handfield, T., & Selgelid, M. J. (2016). Victims, vectors and villains: Are those who opt out of vaccination morally responsible for the deaths of others? Journal of Medical Ethics, 42(12), 762–768. https://doi.org/10.1136/medethics-2015-103327
Jenik, C. (2020). A Minute on the Internet in 2020. Statista.Com. https://www.statista.com/chart/17518/data-created-in-an-internet-minute/
Mackey, T., Purushothaman, V., Li, J., Shah, N., Nali, M., Bardier, C., Liang, B., Cai, M., & Cuomo, R. (2020). Machine Learning to Detect Self-Reporting of Symptoms, Testing Access, and Recovery Associated With COVID-19 on Twitter: Retrospective Big Data Infoveillance Study. JMIR Public Health Surveill, 6(2), e19509. https://doi.org/10.2196/19509
Mazzoli, M., Diechtiareff, B., Tugores, A., Wives, W., Adler, N., Colet, P., & Ramasco, J. J. (2020). Migrant mobility flows characterized with digital data. PLOS ONE, 15(3), 1–20. https://doi.org/10.1371/journal.pone.0230264
Mello, M. M., & Wang, C. J. (2020). Ethics and governance for digital disease surveillance. Science (New York, N.Y.), 368(6494), 951–954. https://doi.org/10.1126/science.abb9045
Ritchie, H. (2020). Technology Adoption. Our World in Data. https://ourworldindata.org/technology-adoption
Salathé, M. (2018). Digital epidemiology: what is it, and where is it going? Life Sciences, Society and Policy, 14(1), 1–5. https://doi.org/10.1186/s40504-017-0065-7
Talbot, D. (2014). Cell-Phone Data Might Help Predict Ebola’s Spread. MIT Technology Review. https://www.technologyreview.com/s/530296/cell-phone-data-might-help-predict-ebolas-spread/
Walker, A., Hopkins, C., & Surda, P. (2020). Use of Google Trends to investigate loss-of-smell‒related searches during the COVID-19 outbreak. International Forum of Allergy & Rhinology, 10(7), 839–847. https://doi.org/https://doi.org/10.1002/alr.22580
World Health Organization. (2020a). Coronavirus disease (COVID-19): Vaccines. Q&A. World Health Organization Website. https://www.who.int/news-room/q-a-detail/coronavirus-disease-(covid-19)-vaccines
World Health Organization. (2020b). Statement on the second meeting of the International Health Regulations (2005)
Emergency Committee regarding the outbreak of novel coronavirus (2019-nCoV). https://www.who.int/news-room/detail/30-01-2020-statement-on-the-second-meeting-of-the-internationa.
Emergency Committee Regarding the Outbreak of Novel Coronavirus (2019-NCoV). 2020, 2005, 1–6. https://www.who.int/news-room/detail/30-01-2020-statement-onthe-second-meeting-of-the-international-health-regulations-
World Health Organization. (2020c). WHO Director-General’s opening remarks at the media briefing on COVID-19 - 11 March 2020. WHO Director General’s Speeches, March, 4. https://www.who.int/director-general/speeches/detail/who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19---11-march-2020%0Ahttps://www.who.int/dg/speeches/detail/who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19
[1] Hay que hacer las diferencias entre Redes Sociales y Social Media. El segundo contiene al primero. En Social Media encontramos plataformas como Wikipedia, blogs, marcadores sociales, entre otros, que no están dentro del concepto de red social en internet como lo son Facebook o Twitter. [2] En este caso se refiere a si los individuos pueden decidir si se accede y se usan sus datos. [3] Esta pregunta es similar a la propuesta por el artículo Victims, vectors and villains: are those who opt out of vaccination morally responsible for the deaths of others? (Jamrozik et al., 2016)
Trabajo final para optar por el grado académico de Diploma Superior en Bioética
ÁREA DE ÉTICA, DERECHOS Y BIENES PÚBLICOS GLOBALES
Facultad Latinoamericana de Ciencias Sociales - FLACSO - Argentina
https://www.bioeticaflacso.org/
ความคิดเห็น