Co-creating data science solutions for maternal and child health decision-making in tribal primary health centres: an action research using the Three Co's Framework

Mediante un enfoque de investigación-acción basado en el Marco de los Tres Co's, este estudio demuestra que la co-creación de soluciones de ciencia de datos con el personal de salud en centros de atención primaria tribales de la India permite desarrollar herramientas digitales contextualizadas que transforman datos subutilizados en información accionable para la toma de decisiones en salud materno-infantil.

Lo esencial

¡Claro que sí! Imagina que este estudio es como una historia de "construcción de puentes" en un pueblo remoto de las montañas de la India, donde la gente necesita ayuda médica urgente, pero la información sobre su salud está atrapada en un laberinto de papeles y pantallas que no entienden.

Aquí tienes la explicación de la investigación, traducida a un lenguaje sencillo y con algunas analogías creativas:

🏔️ El Problema: El Mapa Perdido en la Niebla

Imagina que tienes un tesoro de información (datos sobre madres y niños) guardado en una caja fuerte digital. Los médicos en los centros de salud de las tribus tienen la llave, pero la caja está diseñada para que solo los jefes de la ciudad la abran y miren estadísticas generales.

• La realidad: Los médicos locales necesitan saber: "¿Quién en este pueblo específico necesita una vacuna hoy?" o "¿Qué mujer está en riesgo de anemia?".
• El obstáculo: Las herramientas digitales actuales son como un mapa del tesoro dibujado por alguien que nunca ha pisado la montaña. Les dicen a los médicos cuántas personas hay en total, pero no les dicen dónde están ni cómo llegar a ellas. Además, la conexión a internet es mala (como tener un teléfono con señal que se va y viene) y los médicos están muy ocupados atendiendo pacientes para perder tiempo aprendiendo software complicado.

🤝 La Solución: Cocinar Juntos (Co-creación)

En lugar de que unos ingenieros de la ciudad diseñen una aplicación y se la envíen a los médicos (lo cual suele fallar), los investigadores decidieron hacer algo diferente: cocinar juntos.

Usaron una receta llamada "Los Tres Co's" (Definir, Diseñar, Refinar), que es como construir una casa habitación paso a paso con los futuros dueños:

1. Co-Definir (¿Qué necesitamos?):

   • En lugar de que el investigador dijera: "Aquí tienen un software de análisis", preguntó: "¿Qué les impide salvar vidas hoy?".
   • La analogía: Los médicos dijeron: "No necesitamos más números grandes; necesitamos una lista de tareas que nos diga quién está atrasado".
   • Resultado: Descubrieron que el problema no era que los médicos no sabían usar datos, sino que los datos no estaban organizados para ayudarlos a tomar decisiones diarias.

2. Co-Diseñar (¿Cómo lo hacemos?):

   • Aquí es donde la magia de la ciencia de datos se mezcló con la experiencia local.
   • El Modelo de Datos: Imagina que construyeron un esqueleto digital que conecta a cada madre y niño con su médico, su clínica y su pueblo.
   • La Calidad de los Datos: Usaron un "detective digital" (un programa en R) para limpiar la basura. Si un dato decía que un bebé nació con el peso de un elefante, el detective lo marcaba para revisarlo.
   • El Mapa: Como no existían mapas de qué pueblo pertenece a qué clínica, los médicos dibujaron las fronteras a mano y el investigador las convirtió en un mapa digital. ¡Así pudieron ver dónde se agrupaban los casos de anemia!
   • El Tablero (Dashboard): Crearon una pantalla interactiva que funciona sin internet (como un libro de notas digital). En lugar de números fríos, mostraba nombres de personas y colores (rojo para peligro, verde para bien), tal como los médicos lo pedían.

3. Co-Refinar (¿Cómo lo mejoramos?):

   • La prueba no fue en una sala de conferencias, sino en la vida real. Incluso cuando dos médicos fueron transferidos a otros pueblos, siguieron usando la herramienta desde su nuevo trabajo y enviando sugerencias por WhatsApp.
   • La analogía: Fue como darles un nuevo coche; al principio les costó, pero pronto se dieron cuenta de que era más rápido que caminar.

📊 Los Resultados: Un Cambio Real

• La herramienta: Ahora tienen un tablero que les permite hacer "zoom": ver el resumen de todo el distrito, luego bajar a una clínica, luego a un pueblo y finalmente ver el nombre de una paciente específica que necesita ayuda.
• La madurez de datos: Los médicos aprendieron a confiar más en los datos. Pasaron de ser "observadores" a ser "analistas" de su propia realidad.
• Lo que NO se arregló: La herramienta es genial, pero no puede arreglar los caminos de tierra ni la falta de internet. Eso sigue siendo un problema que requiere ayuda del gobierno, no solo de un software.

💡 La Lección Principal

Esta investigación nos enseña que la tecnología no es mágica si no la construyes con las personas que la van a usar.

Si intentas regalar un Ferrari a alguien que vive en un camino de barro sin gasolina, el Ferrari no sirve. Pero si preguntas: "¿Qué necesitas para moverte por este barro?", y construyen juntos un buen vehículo de tracción total, ¡entonces sí funciona!

En resumen: Los investigadores no solo entregaron una herramienta; entregaron un lenguaje común entre la tecnología y la realidad de las tribus, permitiendo que los médicos locales tomaran decisiones más rápidas y salven más vidas.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo de investigación en español, estructurado según los componentes solicitados:

Título: Co-creación de soluciones de ciencia de datos para la toma de decisiones en salud materno-infantil en centros de salud primaria tribales: una investigación-acción utilizando el Marco de los Tres "Co".

---

1. El Problema

En los centros de salud primaria (PHC) de zonas tribales de la India, existe una brecha crítica entre la disponibilidad de datos y su utilidad para la toma de decisiones locales.

• Subutilización de datos: Aunque existen sistemas digitales robustos (como el Portal RCH y el HMIS) que generan grandes volúmenes de datos de salud materno-infantil (MCH), estos rara vez informan decisiones clínicas o programáticas a nivel local.
• Fallo de las herramientas "Top-Down": Las herramientas digitales existentes suelen diseñarse desde arriba para la "reportabilidad ascendente" (hacia el estado o el distrito), no para el apoyo a la decisión local. Suelen fallar en entornos de bajos recursos debido a suposiciones incorrectas sobre conectividad, alfabetización digital y flujos de trabajo reales.
• Necesidad de contexto: En las zonas tribales, factores como el aislamiento geográfico, la intermitencia de la red móvil y la movilidad de la población hacen que las herramientas genéricas sean inadecuadas. Los trabajadores de la salud carecían de acceso a sus propios datos en formatos accionables (ej. saber qué beneficiarios específicos en qué aldeas están atrasados en servicios).

2. Metodología

El estudio se llevó a cabo como una investigación-acción en tres PHC tribales bajo la Agencia de Desarrollo Tribal Integrado (ITDA) en Rampachodavaram, Andhra Pradesh, India, entre agosto de 2023 y agosto de 2024.

• Marco Teórico: Se aplicó el Marco de los Tres "Co" (Co-Define, Co-Design, Co-Refine) de Pearce y Magee, adaptado para un contexto de bajos recursos.
• Participantes (Co-creadores): 5 médicos oficiales (decision-makers locales), 24 enfermeras auxiliares de salud (ANM) y 36 activistas sociales de salud acreditadas (ASHA).
• Enfoque de Ciencia de Datos: Se utilizó el marco de Keller para estructurar el pipeline analítico (descubrimiento, preparación, evaluación de calidad y análisis) utilizando el lenguaje R.
• Ciclos de Investigación:
  • Ciclo 1 (Co-Define): Diagnóstico y planificación. Mapeo del ecosistema de datos, entrevistas y observación para redefinir el problema.
  • Ciclo 2 (Co-Design y Co-Refine): Desarrollo de soluciones, validación y refinamiento iterativo.
• Evaluación: Se utilizó la Evaluación de Madurez de Datos (DMA) de Data.org para medir la madurez organizacional antes y después de la intervención.

3. Contribuciones Clave y Soluciones Técnicas

El proceso de co-creación generó cinco soluciones de ciencia de datos interconectadas, diseñadas específicamente para las necesidades locales:

1. Definición de Indicadores Co-creados (42 indicadores):

   • Se redefinieron los indicadores basándose en flujos de trabajo clínicos reales en lugar de requisitos de reporte rígidos.
   • Ejemplo: En lugar de usar fechas de corte fijas del sistema para "prenatal pendiente", se definió clínicamente según la edad gestacional y el intervalo desde la última visita.
   • Categorías: Salud materna, salud infantil, entrega de servicios y cobertura geográfica.

2. Modelo de Datos (Entity-Relationship):

   • Se desarrolló un modelo que vincula cinco entidades centrales: INDIVIDUAL (madres/hijos con RCHID), HEALTH-SERVICE, HEALTH-PROVIDER (ANM/ASHA), HEALTH-FACILITY y HEALTH-SERVICE-LOCATION.
   • Este modelo permite la navegación "drill-down" desde el resumen del centro de salud hasta los registros individuales.

3. Marco de Validación de Calidad de Datos:

   • Se construyeron agentes de validación utilizando el paquete pointblank en R.
   • Validaciones críticas: Formato de RCHID, secuencia de fechas (ej. fecha de parto > fecha de registro), rangos fisiológicos (ej. hemoglobina, peso al nacer).
   • Los médicos ajustaron las reglas iterativamente (ej. relajando el límite inferior de peso al nacer para comunidades con alta prevalencia de bajo peso).

4. Construcción de Áreas de Cobertura de Instalaciones de Salud (HFCA) y Análisis Espacial:

   • Dado que no existían límites administrativos precisos para las áreas de cobertura, se construyeron desde cero utilizando el conocimiento local de los médicos y teselación de Voronoi.
   • Análisis Exploratorio de Datos Espaciales (ESDA): Reveló agrupaciones espaciales significativas (Moran's I = 0.28, p<0.001) tanto en la cobertura de controles prenatales (ANC) como en la prevalencia de anemia, validando la necesidad de un enfoque geográfico.

5. Dashboard Interactivo (R Shiny):

   • Una interfaz capaz de funcionar offline (sincronización diaria vía GitHub Actions).
   • Principios de diseño: "Nombres sobre números" (datos individuales vs. agregados), "Drill-down por defecto" (de PHC a aldea), y patrones familiares (similares a WhatsApp/Hojas de cálculo).
   • Organizado por el continuum de vida (desde registro de embarazo hasta inmunización).

4. Resultados

• Reencuadre del Problema: Los co-creadores pasaron de ver el problema como una falta de habilidades de análisis a una cuestión de acceso estructural y arquitectura del sistema. La solución no era "analizar mejor", sino "acceder a los datos correctos".
• Madurez de Datos (DMA):
  • Puntuación global: Aumentó de 5.04 a 5.75 (escala 0-10).
  • Mejoras significativas: La dimensión "Análisis" mejoró en +1.90 puntos, y "Talento" en +1.15, indicando que los participantes adquirieron capacidades analíticas.
  • Limitaciones: La dimensión "Práctica" (Infraestructura, Seguridad) no mejoró (incluso bajó ligeramente), lo que demuestra que las soluciones de software no pueden resolver déficits estructurales de conectividad o seguridad de datos sin reformas sistémicas.
• Sostenibilidad: Dos médicos oficiales transferidos mantuvieron el compromiso y el análisis de datos desde sus nuevas ubicaciones mediante WhatsApp, sugiriendo una internalización de las capacidades desarrolladas.

5. Significado e Implicaciones

• Validación del Marco de los Tres "Co": El estudio demuestra que separar explícitamente la definición del problema (Co-Define) del diseño de la solución es crucial en contextos donde los usuarios finales han sido históricamente excluidos de la definición de problemas.
• Ciencia de Datos Participativa: Se demuestra que las tareas técnicas (modelado de datos, validación, análisis espacial) pueden ser actividades participativas cuando se adaptan a los flujos de trabajo locales y se utilizan investigadores con "posicionalidad interna" (el investigador principal pertenecía a la comunidad tribal).
• Adaptabilidad en Entornos de Recursos Limitados: El modelo de co-creación distribuido (conversaciones breves en campo, WhatsApp, demostraciones de pantalla) es más efectivo que los talleres tradicionales en zonas con conectividad intermitente y alta carga de trabajo clínico.
• Política Pública: Se recomienda que las estrategias de salud digital (como la Misión Digital Ayushman Bharat en India) exijan procesos de co-creación para herramientas dirigidas a poblaciones desatendidas, utilizando la fase "Co-Define" como diagnóstico obligatorio antes del despliegue.

En conclusión, el estudio prueba que es posible co-crear soluciones de ciencia de datos robustas y relevantes localmente en entornos tribales, transformando datos brutos en herramientas de decisión que responden a necesidades clínicas reales, aunque su impacto total sigue limitado por las restricciones de infraestructura física y digital.