Interés privado en la investigación con datos de salud.

La digitaP_20190418_141737lización de los servicios sanitarios está generando un volumen de datos sin precedentes, tanto para la atención sanitaria como para su uso secundario. Este uso secundario ha despertado un gran interés en empresas sanitarias y tecnológicas, ante la posibilidad de desarrollar, mediante inteligencia artificial, nuevos medicamentos, dispositivos sanitarios y algoritmos de toma de decisiones, de gran impacto económico. Hay que destacar que el sector salud es prioritario en las estrategias gubernamentales de inteligencia artificial, para cuya ejecución se necesitan grandes volúmenes de datos.

El tratamiento de estos grandes volúmenes de datos plantea desafíos tecnológicos, metodológicos, organizativos, de seguridad, calidad y disponibilidad de los mismos; no obstante, se considera que los mayores retos son los éticos y de gobernanza. Tal es así, que la consultora Gartner incluyó la “Ética digital y privacidad” entre las 10 tendencias tecnológicos estratégicas para 2019 al mismo nivel, por ejemplo, que la “Computación cuántica”.

Hay que tener en cuenta que cuestionamientos éticos han abortado iniciativas gubernamentales como Care data del National Health Service (NHS) o el VISC+ en Cataluña, o incluso iniciativas de open data como la historia clínica electrónica en Australia o el CMBD en la Comunidad de Madrid (por problemas de posible reidentificación de datos anónimos). Por otra parte, el interés de las grandes corporaciones (Google, Microsoft, Amazon, Facebook y Alibaba) por los datos de salud está cada vez más cuestionado, con varios procesos judiciales en marcha; este interés se ha concretado en proyectos de colaboración tanto con centros privados, como con centros y servicios públicos de salud.

Los retos éticos y de privacidad que plantea el uso de datos masivos parecen ser mayores en su uso secundario en investigación (aunque es un uso legítimo) que, en su uso secundario en salud pública, planificación, evaluación o gestión. La investigación clínica sigue unos procedimientos muy consolidados, garantizándose la autonomía de las personas mediante el consentimiento informado. Igualmente ocurre, hasta ahora, en la investigación a partir de bases de datos, en la que no se solicita el consentimiento informado a cada una de las personas participantes, pero sus derechos están garantizados mediante procesos de anonimización de datos con los que no es posible la identificación de las personas.

El escenario de la investigación en salud a partir de bases de datos ha cambiado radicalmente con el big data:

  • Ha caído el paradigma de la anonimización, pues con la metodología y datos adecuados, es posible la reidentificación de personas en bases de datos en principio anonimizadas. Además, se ha diluido la frontera de lo que son datos de salud, dado que estos se pueden inferir a partir de otros que no lo son.
  • Los datos sanitarios (estructurados y no estructurados) han adquirido una magnitud y complejidad sin precedentes.
  • Su tratamiento requiere grandes infraestructuras y desarrollos metodológicos, que están concentrados en unas pocas grandes corporaciones; ellas y no los gobiernos o instituciones son las que poseen el conocimiento. Es en esas grandes corporaciones en las que se concentran la mayoría de los científicos de datos.
  • Consecuencia de lo anterior, muchas iniciativas se basan en colaboración publico/privada.
  • El desarrollo de la inteligencia artificial ofrece unas posibilidades antes impensables, y puede ayudar a la investigación sanitaria, pero el espectro de sus efectos no es del todo conocido, lo que genera incertidumbre.
  • El interés y beneficio económico de los datos no tienen precedente y las posibilidades de tomar decisiones sobre las personas y predecir e influir en sus conductas, son reales.
  • La gobernanza de los datos es cada vez más compleja, asimilándose a la gobernanza de la propia organización, con el agravante de que en ocasiones el mayor conocimiento de los propios datos está fuera de la organización.

Las expectativas sobre la aportación de soluciones del big data para mejorar la salud de la población y la gestión adecuada de los servicios sanitarios eran tan elevadas, que en un principio no se valoró suficientemente que se podría lesionar el principio de beneficencia. Igualmente, hasta fechas recientes no se ha empezado a tomar conciencia de las posibles lesiones al principio de maleficencia, en la medida en la que se han ido conociendo los sesgos de las aplicaciones de inteligencia artificial. Esto llevará a un mayor interés por la trasparencia acerca de cómo funcionan los algoritmos.

Hasta ahora los mayores debates se están produciendo en torno a la privacidad, en un escenario en el que por una parte los gobiernos fomentan el uso secundario de los datos sanitarios anonimizados gestionados por las administraciones públicas (iniciativas de open data), mientras que, como se ha indicado, por otra parte sabemos que la anonimización no garantiza la privacidad. En los primeros proyectos que las empresas desarrollaron con los servicios sanitarios, solicitaban copias completas de las bases de datos (anonimizadas); hoy sabemos que estas peticiones son incompatibles con el principio de minimización de datos del RGPD. Existen alternativas que permiten el análisis de los datos sin que estos salgan de su entorno natural (en nuestro caso el sanitario); entre estas alternativas nos encontramos con las bases de datos federadas, en las que los datos no salen de su entorno natural aplicando sobre ellos los cálculos, saliendo del sistema los resultados, pero no los datos originales. Igualmente, a partir de machine learning, se ha propuesto la generación y utilización de pacientes simulados generados a partir de datos de pacientes reales; otro enfoque es la creación de isopacientes tipo. En otros ámbitos igualmente sensibilizados con la privacidad como son los órganos estadísticos, están buscando nuevas fórmulas que compatibilicen la difusión de datos con garantías de privacidad.

Así pues, existen metodologías que previsiblemente permitirán la utilización de datos sanitarios en investigación garantizando la privacidad de los pacientes. Pero aun así persistirán otros problemas a mi juicio no suficientemente tratados, relacionados con el principio de justicia, en particular el tratamiento de datos de servicios públicos de salud en investigación sanitaria por parte de empresas farmacéuticas y tecnológicas.

El Reglamento General de Protección de Datos (RGPD) no introduce modificaciones substanciales en cuanto a la posibilidad de tratar estos datos en investigación; se permite su uso secundario en determinadas circunstancias sin solicitar consentimiento informado de la persona interesada, pero con unos principios y requisitos definidos, con un tratamiento de los datos proporcional al objetivo perseguido, respetando en lo esencial el derecho a la protección de datos y estableciendo medidas adecuadas y específicas para proteger los intereses y derechos fundamentales de las personas.

En la práctica, esto se resume en que haya un protocolo de investigación y una evaluación de impacto en protección de datos, que cuenten con un dictamen positivo de un comité de ética de investigación, obedezcan al interés público y que los responsables del proyecto estén en condiciones de cumplir y poder demostrar que están cumpliendo el RGPD. La investigación que se realiza en centros públicos y con financiación pública no es previsible que plantee problemas en cuanto a la decisión de autorizar este tipo de tratamiento de datos, al ser investigación que responde al interés público.

Los problemas se plantean en el tratamiento de estos datos en la investigación, innovación, desarrollo etc de ámbito, financiación o colaboración privados pues, aunque estuvieran garantizada la privacidad con los métodos arriba indicados, seguirían presentándose posibles daños colectivos que afectan al principio de justicia. La población es favorable a que sus datos sean usados en la investigación sanitaria, pero es reticente a su uso por parte de la industria.

Surgen así preguntas del tipo:

  • ¿Puede un organismo público transferir datos para investigación a entidades con finalidad lucrativa?
  • Puedes una investigación de o para una entidad privada, ser de interés general? ¿En qué condiciones?
  • ¿Hasta qué punto la fabricación de un fármaco contribuye al bien común o al bien económico de la industria?
  • ¿Puedo vender mis datos sanitarios? (son parte de mi persona, como un órgano). ¿Y una institución pública?
  • ¿Puede haber acuerdos justos entre algunas corporaciones y los organismos públicos dada la asimetría tecnológica a favor de las corporaciones?
  • ¿Pueden los servicios públicos de salud ceder o vender datos se salud a compañías que van a generar un producto o servicios que posteriormente vendan o alquilen a esos servicios públicos o a las personas que contribuyeron a su desarrollo cediendo altruista y anónimamente sus datos? ¿En qué condiciones?
  • ¿Pueden los servicios públicos de salud ceder o vender datos se salud a compañías cuyo objeto principal es el tecnológico y no el sanitario? ¿Dónde está el límite del interés sanitario y el tecnológico? ¿Qué implicaciones regulatorias tiene?

Vivimos una situación en la que no hay una respuesta fácil a estas preguntas y que exige un análisis desde el principio de justicia, valorando la equidad en la distribución de cargas y beneficios.  Además, es preciso no olvidar que:

  • El proceso ha de ser transparente.
  • Debe de haber una participación informada de la sociedad en este debate.
  • El objetivo de la investigación debe ser relevante para la comunidad de la que proceden los datos.
  • Los resultados del tratamiento de datos deben revertir en las personas o instituciones que los han aportado.
  • Los intereses de las personas e instituciones públicas que comparten sus datos deben de estar por encima de los intereses de la industria.
  • Las instituciones pueden estar en una situación de vulnerabilidad respecto a las grandes corporaciones.
  • Posible sesgo de los algoritmos desarrollados con datos de otro contexto al aplicarlos a nuestro medio.

(Una versión previa debeste documento fué presentada en las Jornadas GRX Health Data. EASP. 14Noviembre 2.019) 

Salud e Inteligencia Artificial

AI IA health saludEl software como dispositivo medico ha tomado un interés creciente en los últimos años; supone nuevos desafíos en cuanto a armonización y regulación, que son abordados por el International Medical Device Regulators Forum (IMDRF), establecido en el año 2011. Tanto la Unión Europea (Mercado Interior, Industria, Emprendimiento y Pymes) como EEUU (FDA) son elementos activos de este foro, del que la OMS es observador.  A destacar que el órgano competente en la materia en la UE depende del Comisario responsable del mercado interior e industria, mientras que en EEUU depende del  Department of Health and Human Services.

En la Unión Europea, el Reglamento (UE) 2017/745 sobre productos sanitarios, incluye los “Sistemas electrónicos programables”, productos que llevan incorporados sistemas electrónicos programables, o programas informáticos que constituyan productos por sí mismos.

La FDA por su parte, es el organismo regulador del Software as a Medical Device (SaMD), y cuenta con normas específicas para su evaluación: Software as a Medical Device (SAMD): Clinical Evaluation. La FDA hace una evaluación de riesgos en estos productos similar a la del resto, basada en: significación de la información dada por el dispositivo para la decisión clínica, y la situación clínica en la que se aplica.

Estos algoritmos usan una función fija, por lo que el dispositivo es un producto cerrado y por tanto no modificado con su propio uso; la FDA tiene indicaciones acerca de cuándo las modificaciones del producto le han de ser notificadas.

El marco regulador no fue diseñado para las tecnologías de inteligencia artificial / máquinas que aprenden (en lo sucesivo IA), en las que los algoritmos no están bloqueados, y tienen capacidad de “aprender” continuamente de la experiencia de uso, con datos del mundo real, experimentando por tanto modificaciones después de su distribución. Por ello la FDA ha publicado la Proposed Regulatory Framework for Modifications to Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) – Discussion Paper and Request for Feedback. Abre el debate sobre una proposición regulatoria de los dispositivos a la largo de su ciclo de vida.

Lejos de un planteamiento futurista, se trata de responder a investigaciones de big data, que no dejan de ser un paso necesario e instrumental en las estrategias generales de inteligencia artificial, en un contexto en el que será difícil establecer la diferencia entre los proyectos de desarrollo de los de atención a pacientes.

(Lo que sigue a continuación está tomado de una revisión). En el sector salud, hay iniciativas de proyectos de inteligencia artificial en el ámbito de la investigación en cribados, diagnóstico y pronóstico, generalmente en el ámbito de un hospital concreto, lo que da problemas de reproductibilidad y generalización. No obstante, los avances son muy rápidos.

Para los más optimistas, la IA ayudará a resolver los grandes desafíos de los sistemas de salud; no obstante hay que ser conscientes que la irrupción de nuevas tecnologías y procesos automatizados, siempre va acompañada de tensiones derivadas de su impacto en las personas e interacción persona-máquina. Para suavizar estas tensiones es preciso crear contextos receptivos para la adopción y difusión de las nuevas tecnologías.

En el caso de la IA en salud, este contexto necesita, entre otras cosas, disponer de datos adecuados, una regulación que lo permita, garantías legales y salvaguarda de los derechos ciudadanos, rendición de cuentas y gestión adecuada del cambio.

En cuanto a los datos, son relevantes temas como interoperabilidad, sus sesgos, o la confianza de las personas para compartir sus datos personales. En cuanto a las relaciones con la industria tecnológica se presentan situaciones nuevas en cuanto al necesario acceso a los datos para generar algoritmos, la propiedad industrial, el dato de salud como bien público, y los nuevos tipos de relaciones contractuales.

Los sistemas de IA se comportan como una caja negra, siendo difícil entender y explicar su funcionamiento interno; esto tiene implicaciones al hacer efectivo el derecho europeo a solicitar una explicación de una decisión tomada mediante procesos automáticos. Se apunta que la rendición de cuentas será diferente en función del tipo de problema que es resuelto por los sistemas de IA.

La superior eficiencia del sistema de IA no es el único elemento a considerar para su implantación; su impacto en otros procesos y la organización en conjunto, tienen especial relevancia.

De lo anterior se deduce que la dimensión ética de la irrupción de estas tecnologías es importante. Vamos teniendo referencias importantes al respecto: la Unión Europea ha desarrollado Ethics guidelines for trustworthy AI, y específico para salud, el Hastings Center ha publicado How Bioethics Can Shape Artificial Intelligence and Machine Learning.

Todo un campo dentro de la ética digital.

 

Expectativas del “big data” y salud.

big data salud healthLa tecnología “big data” ha pasado (usando la terminología de Gartner) del pico de la expectativa, al valle de la desilusión, esperando alcanzar algún día la llanura de la productividad. Su pico de máxima expectativa como tecnología emergente fue en el año 2013, con previsiones de implantación entre 5 y 10 años; ese fue el año en el que los NIH iniciaron el programa The “big data” to Knowledge (BD2K), incluido ahora en el NIH Data Science Community. A partir del 2015, como suele ser habitual con las nuevas tecnologías, disminuyeron sus expectativas, con planteamientos más realistas. Esta situación gereral es igualmente aplicable al ámbito sanitario.

En la actualidad, la expectativa máxima en todos los sectores, incluido el sanitario está en la inteligencia artificial, que se supone será la tecnología más disruptiva en los próximos 10 años. Para su desarrollo se requieren entre otras cosas, avances notables en ““big data”” y en el desarrollo de algoritmos de aprendizaje automático.

El análisis “big data” presenta diferencias con el análisis estadístico habitual, sumarizadas en el trabajo Medical “big data”: promise and challenges, en el que se indica que a pesar de las expectativas, su aplicación actual es más prometedora que efectiva. La evidencia de sus beneficios es escasa, enfrentándonos a problemas relacionados con la calidad delos datos, las limitaciones metodológicas de los estudios observacionales, aspectos legales y de gobernanza, entre otros. Se abre un debate metodológico interesante, pues a modo de ejemplo, hay diferencias en los resultados de la artroscopia de cadera, según se use análisis “big data” (peores resultados) o ensayos clínicos.

En una revisión sistemática se ha mostrado como los principales desafíos se hallan en la estructura, seguridad, estandarización, almacenaje y transferencia de datos, así como su gestión y gobierno.   Las principales oportunidades están en la mejora de la calidad asistencial, mejora de la salud desde la perspectiva poblacional, detección temprana de enfermedades, mayor accesibilidad y calidad de datos, mejora en la toma de decisiones, y reducción de costes.

Otra revisión sistemática, indica que no hay consenso en cuanto a una definición operativa de “big data” en la investigación sanitaria, siendo su escenario de uso muy amplio (desde unidades hospitalarias o patologías específicas a servicios de salud en su conjunto o industria farmacéutica), Sus usos en el ámbito asistencial se centran en el apoyo a las decisiones clínicas, la optimización de los procesos asistenciales y la reducción de costes; el mayor desafío en su implantación está en la falta de evidencia de su efectividad, al ser insuficientes los estudios de evaluación, con evaluaciones de impacto más cualitativas que cuantitativas. En cuanto a herramientas, la metodología más usada es el procesamiento del lenguaje natural y la herramienta Hadoop.

En cuanto al uso de datos por la industria farmacéutica, se han señalado tensiones entre la privacidad, la reutilización de datos bajo el paraguas del “open data” y la necesidad de datos masivos del “big data”.

En una revisión sistemática sobre las fuentes y métodos usados en el análisis de enfermedades crónicas, se indica que el “big data” permite análisis predictivo para: identificación de pacientes con riesgo de reingreso, prevención de infecciones hospitalarias, prevención de  enfermedades crónicas y obtención de modelos predictivos de calidad. Los métodos predictivos más usados son el árbol de decisiones, Naïve Bayes y Red Neuronal Artificial (ANN) y la herramienta Hadoop.

El debate sobre las amenazas y oportunidades del “big data” en el sector sanitario sigue abierto; es un camino a recorrer, con grandes posibilidades de tener un impacto positivo, aunque para ello debe superar importantes obstáculos.

Actualización 13 de junio: Excelente revisión sistemática sobre al análisis de grandes volúmenes de datos:  A Systematic Review on Healthcare Analytics: Application and Theoretical Perspective of Data Mining.

In recent years, a number of peer-reviewed articles have addressed different dimensions of data mining application in healthcare. However, the lack of a comprehensive and systematic narrative motivated us to construct a literature review on this topic. We found that the existing literature mostly examines analytics in clinical and administrative decision-making. Use of human-generated data is predominant considering the wide adoption of Electronic Medical Record in clinical care. However, analytics based on website and social media data has been increasing in recent years. Lack of prescriptive analytics in practice and integration of domain expert knowledge in the decision-making process emphasizes the necessity of future research.

Y aqui otra, tambien estupenda, sobre deep learnibg  Opportunities and obstacles for deep learning in biology and medicine

Has deep learning transformed the study of human disease? Though the answer is highly dependent on the specific domain and problem being addressed, we conclude that deep learning has not yet realized its transformative potential or induced a strategic inflection point. Despite its dominance over competing machine learning approaches in many of the areas reviewed here and quantitative improvements in predictive performance, deep learning has not yet definitively ‘solved’ these problems.

 

Espacio de trabajo, innovación y gestión del conocimiento

P_20170828_210407 (1)La configuración del espacio de trabajo es uno de los factores que contribuyen a la gestión del conocimiento en las organizaciones. Por otra parte, las personas pueden experimentan una pérdida de espacio considerado como propio, no tener el espacio que consideran que deberían tener, o considerar que en su ambiente inmediato no disponen de elementos acordes a su posición social o individual; esto es lo que se ha denominado deprivación ambiental.

Para abordar el tema del espacio en la administración pública, podemos ver las propias experiencias en este sector, así como la experiencia de otras organizaciones basadas en el conocimiento.

En los centros de investigación de empresas farmacéuticas, automóvil o diseño, se ha pasado de espacios de trabajo cerrados donde una o dos personas comparten su oficina o laboratorio, a multiespacios abiertos que ofrecen diferentes opciones en función de las necesidades del momento y lugares flexiles para trabajar: zonas tranquilas, zonas recreativas, zonas de colaboración, salas de proyecto, salas flexibles de reuniones, “burbujas de trabajo” grandes y pequeñas y zonas de laboratorio. El espacio no es algo neutro, por lo que el proceso de diseño de los espacios de trabajo, ha de contribuir a:

  1. Expresar la identidad corporativa.
  2. Hacer visible el proceso de trabajo,
  3. Fomentar el intercambio de ideas,
  4. Atraer y retener a los mejores profesionales,
  5. Integrar la tecnología en el espacio,
  6. Motivar al personal, cliente sy usuarios,
  7. Dar soporte a diversos estilos de trabajo,
  8. Contribuir a la creación y la diversidad.

El diseño del lugar de trabajo puede contribuir al éxito de la organización mediante tres mecanismos: a) Proyectando la identidad organizativa, expresando los valores que son importantes para la organización, b) Contribuyendo a la satisfacción y la moral de los empleados, y c) Afectando al propio proceso de trabajo.

El estudio sobre los cambios que se produjeron en una empresa de comunicación, al cambiar a espacios abiertos, mostró que afectaron positivamente a: 1) Acceso a espacios de trabajo en equipo,2) El acceso a espacios de relajación e informales, 3) Acceso a espacios de trabajo silenciosos, y 4) La presencia de luz natural y vistas.

Se han realizado estudios etnográficos sobre los aspectos culturales relacionados con el espacio de trabajo en una empresa del automóvil , considerando dos configuraciones del espacio (una abierta con algunas oficinas de dirección y pequeñas salas de conferencias que rodean un gran espacio abierto poblado por áreas de trabajo individuales de tipo cubículos bajos; la otra configuración era predominantemente compuesta de oficinas de investigadores individuales con diferentes opciones de puertas y configuraciones). Se analizaron las dimensiones concentración, funcionalidad, confort y estética.

La dimensión más importante, tanto para investigadores como directores de laboratorio era la funcionabilidad, para investigadores y ejecutivos la concentración ocupaba la segunda posición; la tercera posición en valoración era para el componente estético, más valorado por los ejecutivos y directores de laboratorio y menos por investigadores. El confort era el menos valorado por los tres grupos.

El espacio está diseñado para proporcionar visibilidad que fomente encuentros casuales y contactos fáciles, en una estrategia dirigida a garantizar el intercambio de conocimientos entre las distintas unidades, que se ha denominado co-localización.  Los resultados del Proyecto de co-localización  en Novartis, muestran que el ambiente con multiespacios ha tenido un efecto positivo en el compartir conocimiento, si bien es preciso establecer que tipo de espacio es más adecuados para cada tipo de persona trabajadora del conocimiento.

La experiencia en otra industria farmacéutica, indica que el mero hecho de mover las personas de oficinas cerradas a espacios abiertos no aumenta por sí mismo la comunicación cara a cara. Esta comunicación está relacionada con la visibilidad de las personas en el espacio de trabajo y en  la disponibilidad de espacios formales e informales para reuniones y encuentros.

Se ha hecho esfuerzos por medir la innovación en espacios de trabajo en la administración pública, concretamente en Canadá, pero desde mi punto de vista sin resultados concluyentes.

El lugar de trabajo físico en el ámbito gubernamental está adquiriendo importancia debido a: Los rápidos avances tecnológicos que hacen que las oficinas gubernamentales modernas sean más flexibles y accesibles incluso sin requerir presencia física (teletrabajo o acceso mediante administración electrónica), los aspectos relacionados con la salud y seguridad en el trabajo y finalmente el crecimiento del “trabajo del conocimiento” en el gobierno que requiere espacio que fomenten la interacción, la flexibilidad y el intercambio de información y conocimiento. Se ha propuesto, tras revisión bibliográfica,  un modelo conceptual y propuestas para el desarrollo de espacios adecuados a las necesidades dela administración pública. Espacio Modelo

De este modelo se desprende que:

  • La disposición del espacio de trabajo tiene un gran impacto en aspectos afectivos, conductuales y de desempeño, pero este depende de las características personales y organizacionales, así como de el tipo de trabajo.
  • El ambiente de trabajo tiene impacto en aspectos afectivos, conductuales y de desempeño , pero el alcance de los efectos puede depender de las características de los empleados, como género o nivel jerárquico.
  • La incorporación y uso adecuado de la tecnología como ayuda a sus usuarios, generaría buenos resultados afectivos, conductuales y de rendimiento, pero el alcance de los efectos sería mayor cuando los usuarios tuvieran control sobre la configuración.
  • La accesibilidad y comodidad para los usuarios de las áreas de espera o atención darían mejores resultados afectivos, conductuales y de desempeño, pero el alcance de los efectos sería mayor cuando los usuarios tuvieran control sobre los cambios y diseños.
  • Los aspectos simbólicos de los espacios como signo de estatus, generaría en quien los ostenta resultados afectivos, conductuales y de desempeño, pero debería estar revisado ante las características emergentes del lugar de trabajo tales como la colaboración, la apertura, las normas democráticas y la confianza.
  • Finalmente, la satisfacción de los empleados con el espacio de trabajo generaría comportamientos positivos (p. Ej., Aumento de la salud, colaboración y permanencia) con mejor desempeño del trabajo individual y calidad general del servicio.

Los desafíos en este  campo son metodológicos, infravaloración del tema por las organizaciones e implicación de los grupos de interés en el proceso, de todos los afectados.

The WorkPlace 20⋅20 program in GSA introduce un proceso colaborativo en el diseño de los espacios de trabajo en USA. No obstante, el diseño innovador no puede por sí mismo cambiar la organización y debe estar acompañado de estrategias de gestión lideradas por los máximos responsables para maximizar los resultados.

Por otra parte, la Futures Academy in Dublin Institute of Technology (DIT) ha desarrollado una metodología denominada “Prospectiva a través de escenarios”. Consta de tres etapas, relacionadas respectivamente con el lugar de trabajo global, el lugar de trabajo sostenible y el lugar de trabajo inteligente. Forma parte del proyecto ‘‘Workplace of the Future’’: usando una aproximación de escenarios adaptativos y técnicas de prospectiva, trata de establecer las estrategias para el desarrollo de los espacio de trabajo del mañana. En su análisis de partida, señalan como cambios que afectan actualmente al espacio de trabajo: la emergencia del trabajo basado en el conocimiento, la flexibilidad de los contratos, la sostenibilidad, crecimiento de trabajadores que se desplazan de un sitio a otro, organizaciones más ligeras y el desarrollo tecnológico.

Mentoría y desarrollo profesional

playa ayudaUna de las experiencias más interesantes que estoy teniendo en mi vida profesional en los últimos años es mi participación como mentor de personas directivas de la Junta de Andalucía. Es una actividad organizada por el IAAP para la formación en competencias directivas.

En paralelo a esta actividad, estoy teniendo algunas experiencias como mentor para ayudar a otras personas en su desarrollo profesional. Ambas experiencias comparten los mismos métodos, si bien el perfil profesional de las personas mentorizadas es distinto, al igual que la edad o el foco (competencias directivas versus carrera profesional).

No tengo todavía sistematizadas las diferencias y similitudes entre ambas experiencias, por lo que me ha resultado muy interesante el artículo en el blog del British Medical Journal sobre experiencias de mentoring en el desarrollo de la carrera profesional en el ámbito académico. Dicho artículo está dedicado a la labor de David Sackett como mentor. Para mi era una faceta desconocida de un de los padres de la medicina basada en la evidencia; fue coeditor del libro Mentorship in Academic Medicine, y autor de una serie de artículos en Clinical Trials sobre los programas de mentoring en el ámbito de la investigación clínica. Sackett contaba que había recibido ayuda de varios mentores a lo largo de su vida y que a pesar de de sus múltiples reconocimientos, el elemento más gratificante de su carrera profesional había sido el hecho de haber sido mentor de más de 300 personas que se iniciaban en el ámbito académico.

La efectividad y factores determinantes de los buenos resultados del mentoreo están bien establecidos en el ámbito sanitario, tanto en relación con las intervenciones sanitarias, como las competencias técnicas o desarrollo profesional de los sanitarios. Disponemos de algunas revisiones sistemáticas recientes sobre el mentoring en el desarrollo profesional en el ámbito académico sanitario. Estos estudios han puesto de manifiesto las competencias de las personas que participan en estos programas y los factores que contribuyen al éxito de los mismos; estos resultados dan una valoración a estos programas mejor que los publicados con anterioridad. No obstante, están por evaluar sus efectos a largo plazo.

Dos de las personas de las que Sackett fue mentor, han sistematizado en base a esa experiencia las características de un buen mentor para acompañar a otras personas en su desarrollo profesional:

  • Crea oportunidades para que los más jóvenes se entusiasmen con lo que hacen y aprenden, de forma individual o en grupos.
  • Es altruista. Da oportunidades y apoyo a los que están empezando.
  • Crea un ambiente que facilite el decir “no se” y convierte esta situación en una oportunidad de aprendizaje estructurado.
  • Proporciona orientación y asesoramiento para asegurar que estén presentes sus objetivos de desarrollo profesional, proporcionando indicaciones y sugerencias, pero no qué es lo que tiene que hacer.
  • Muestra la importancia de que se disfrute en lo que se hace.
  • Recuerda la importancia de los demás aspectos de la vida además de la carrera profesional.

Creo que las acciones altruistas de mentoring en la madurez de la carrera profesional (sobre todo si esta ha sido plena), son reflejo del deseo que muchas personas sienten de ayudar a otros en su desarrollo profesional, como una formar de revertir a la sociedad lo que esta les ha dado. No es sólo una cuestión de gestión del conocimiento en las organizaciones, es una cuestión de justicia y gratitud.

Clima organizacional

Clima organizacional laboralEl clima organizacional ejerce una fuerte influencia sobre las organizaciones y las personas que en ellas trabajan. Se ha avanzado mucho en el conocimiento sobre el mismo en los últimos 50 años. Ante la dispersión del conocimiento, la síntesis narrativa de una revisión de la literatura revisó sus aspectos conceptuales, consecuencias, antecedentes, relaciones e identificó nuevas áreas para la investigación.

El clima organizacional es definido como un conjunto de percepciones compartidas con respecto a las políticas, prácticas y procedimientos que una organización recompensa, apoya y espera. Expresa las percepciones compartidas por sus miembros sobre su medio laboral, y se construye con la agregación de las percepciones individuales. Es diferente del clima psicológico, que expresa la percepción que la persona tiene sobre el efecto del medio ambiente laboral en su trabajo o persona y de la cultura organizacional que se refiere a sus experiencias, hábitos, costumbres, creencias, y valores. La cultura organizacional tiene una base antropológica, mientras que el clima la tiene psicológica.

Está bien establecida la relación entre el clima organizacional y actitudes como satisfacción, compromiso y permanencia y comportamientos como absentismo y conducta cívica. Conocemos menos sobre los factores que condicionan que se de un determinado clima organizacional, aunque sabemos que la conducta de los directivos ejerce un fuerte impacto, al igual que el tipo de interacciones entre las personas y las características de la organización. Igualmente es preciso profundizar en los mecanismos por los que unos elementos del clima facilitan o modulan la acción de otros.

Un estudio realizado mediante encuesta a más de 30.000 trabajadores de 50 empresas entre 23 y 6.000 trabajadores mostró unos resultados coherentes con lo que ya conocemos del tema a menor escala.

 Clima organizacional modelo teorico

Los análisis de regresión mostraron una relación significativa entre el clima organizacional y beneficios, sostenibilidad y crecimiento, beneficio bruto, productividad y compromiso de los empleados. No se identificó relación entre el clima organizacional y la rotación de personal. No se encontró evidencia de que la relación entre el clima organizacional y la rentabilidad, la sostenibilidad y el crecimiento, el beneficio bruto y la productividad estuviese mediada por el compromiso de los empleados. Se encontró que el clima organizacional estaba fuertemente influenciado por la dirección, y que la relación entre el tamaño de la unidad organizativa y el clima organizacional estaba igualmente mediada por la dirección.

Clima organizacional resultadosLos resultados confirman una vez más la importancia que tiene la dirección de las organizaciones en el clima de las mismas.

Dardos o los blog de tu vida

OLYMPUS DIGITAL CAMERACreo que no nos paramos lo suficiente para mirar a nuestro alrededor y dar las gracias o hacer un reconocimiento expreso a las muchas personas que realmente nos hacen aportaciones que nos permiten desarrollarnos como persona. ¿Quien no recuerda a algún colaborador, profesor, amigo etc al que no le dijimos en su momento lo importante que había sido para nosotros?

Todo esto viene a cuento de la gentileza que ha tenido @ozurri de Epi y Mas de concederme uno de los Premios Dardos, por lo que le estoy muy agradecido; él sabe que aprecio mucho el estilo y trayectoria de su blog. Este premio ha tenido en mí un doble efecto: por una parte me halaga que un colega al que tengo en gran estima y reconocimiento profesional considere que este blog se encuentre entre los 15 más interesantes para él (ese es el premio). El otro efecto se ha producido cuando he tenido que de acuerdo con las normas del premio hacer una lista de los blog que me parecen interesantes, lo que me ha llevado a pensar en aquellos blog que contribuyeron a mi desarrollo personal o profesional; el momento de esta reflexión no puede ser más oportuno al encontrarnos en unas buenas fechas para repasar el año y pensar en le futuro.

En cuanto al premio Dardos, no está claro su origen, aunque parece ser en torno a 2009; su ámbito de extensión es España, Italia, Portugal, Brasil aunque también USA y Canadá. Se extiende de forma viral hasta agotar los susceptibles de distintas redes; ha circulado en los ámbitos sanitarios a finales de diciembre de 2013 con mayor actividad en Twitter de una intensivista y un centro de salud, semanas antes se movía por el ámbito de la consultoría en recursos humanos, en el verano en blog personales de belleza etc.

Así pues, haciendo un ainterpretación particular de la iniciativa, esta es una lista de blog que son o han sido importantes para mi y que quedan eximidos de seguir con esta cadena de premios Dardos de pseudo spam entre amigos.

premio-dardos javier garcia leonEn primer lugar citaré a Cinemaldito que es un buen blog de cine, pero además en él escribe mi hijo, aunque su artículo que más me gusta (La batalla de Argel) lo escribió para Cinemadhoc. Un blog sobre tecnologías de la información y pidemiología es Epitic y aunque por ello puede ser interesante, lo es más el que lo hagan los manitas que montaron la BBS con modem de 1.200 bps que sirvió de soporte al desarrollo del SVEA y que me estimularon a que con estas manazas que tengo para la informática me lanzase a crear una página web hace ya muchos. El blog de Jose Antonio Cobeña ha sido una referencia obligada por sus aportaciones conceptuales para el desarrollo de la inteligencia digital y su compromiso con lo público, siendo ya un clásico su referencia navideña a los planos finales de la película Plácido.

El blog de Infonomia me descubrió el mundo de la innovación y ha sido una fuente de inspiración y puesta al día de nuevas tendencias gracias a Alfons Cornella. El blog de Enrique Dans sobre innovación, redes sociales y tecnología y el de Andrea DiMaio sobre redes sociales, innovación y administración pública me dieron ideas para el análisis de estos temas en las administraciones públicas. El interés de Amalio rey es la innovación y creatividad, mientras que a Luis Suarez lo empecé a seguir cuando inició su campaña de sustituir su correo electrónico por las redes sociales.

Referentes del análisis de redes sociales e innovación en las administraciones públicas, a destacar Administraciones en red  de  @alorza y @balapiakaasí como Jesús Martinez Marín en lo referente a  comunidades de prácticas,  Oscar Cortés o Carlos Guadián Orta. De una forma más específica sobre Gobierno Abierto, el blog de  Guzmán Garmendia.

El liderazgo en entornos 2.0 e innovación basada en las personas es la aportación de Virginio Gallardo, temas que comparte Jose Miguel Bolivar además de GTD y productividad personal mientras que  Alfonso Alcántara hace aportaciones para el desarrollo profesional. Pilar Jericó da siempre el lado positivo para mejorar nuestra felicidad.

A todos ellos, muchas gracias.