Condado de Allegheny, Pennsylvania (EE. UU

Recuadro 4.10 Uso de datos integrados y análisis predictivos para el cribado y la toma de decisiones: condado de Allegheny, Pennsylvania (EE. UU.)

El Departamento de Servicios Humanos (DHS, por sus siglas en inglés) del condado de Allegheny, en Pensilvania (EE. UU.), está experimentando activamente con diversos usos de los datos y análisis integrados para respaldar un modelo de prácticas integradas en los servicios sociales. Entre las aplicaciones que han dado a estos métodos está la mejora en la toma de decisiones para la evaluación y la prevención de los abusos infantiles.

Objetivos. La finalidad era desarrollar una herramienta que ayudase a los trabajadores sociales especializados en el bienestar infantil a decidir si derivar un caso de abuso infantil notificado para investigarlo en mayor profundidad. La meta era complementar (no sustituir) la evaluación clínica de los trabajadores sociales con una herramienta de puntaje que integrara los datos de las personas implicadas en el caso para reflejar los patrones pasados y los pronósticos sobre la probabilidad de que el niño estuviese en peligro.

Exposición del problema. Antes de que se desarrollase la herramienta de puntaje, los datos históricos mostraban que el 48 % de los casos de bajo riesgo se consideraron por error como de alto riesgo y, en consecuencia, se seleccionaron para continuar siendo investigados (errores de inclusión); además, el 27 % de los casos de alto riesgo se evaluaron erróneamente y se descartaron para futuras investigaciones (errores de exclusión). El problema es que la información a la que pueden acceder los trabajadores sociales especializados en el bienestar infantil suele limitarse a los datos de las alegaciones concretas del supuesto abuso infantil, y la información es asimétrica (ya que el potencial autor de los abusos tiene motivos para ocultar sus comportamientos, y existen muchos factores que podrían dificultar la evaluación de la situación). Incluso con sistemas de información interoperables, los trabajadores sociales tienen acceso a otros datos, pero no disponen de una forma sistemática de aplicar la información obtenida.

integrados. Un equipo de investigación que colaboraba con el DHS desarrolló un modelo de análisis predictivo para determinar la probabilidad de que un juez dictaminase retirar al niño del hogar tras un informe de abuso infantil mediante una línea directa de ayuda.a Esta variable dependiente (la probabilidad de que el niño deje el hogar) refleja situaciones extremas de abuso infantil, y el modelo trataba de identificar los factores de riesgo asociados a estos resultados. Se identificaron más de 100 factores que permitían pronosticar futuras derivaciones o salidas del hogar con datos administrativos ya introducidos «en el sistema», procedentes de fuentes internas y externas. Entre los sistemas de información internos estaban los procedentes de distintas unidades de DHS sobre el envejecimiento, el bienestar infantil, los servicios relacionados con las drogas y el alcohol, la intervención temprana, los centros de apoyo familiar, HeadStart (un programa de desarrollo infantil), las personas sin hogar, las ayudas para la vivienda, los servicios de salud mental y los servicios de discapacidad intelectual. Las fuentes de datos externas procedían de otros sistemas administrativos, como los registros de nacimiento, los registros de autopsias, los beneficios de asistencia social pública, las viviendas públicas, la salud física (Medicaid), el sistema escolar, la libertad condicional juvenil, la cárcel del condado, el sistema de tribunales para adultos/familias, los avisos de emergencias (911), y las fuentes laborales e industriales (del sector privado). Con estos datos y los modelos de análisis predictivo, desarrollaron un puntaje de cribado que iba del 1 al 20, y en la que un mayor puntaje indicaba una probabilidad más alta de ocurrencia de un evento en el futuro (abuso infantil, salida del hogar, nueva derivación). Para comprobar si el modelo mejoraba la precisión de las decisiones de evaluación de los abusos infantiles, se puntuaron miles de informes de abusos infantiles realizados con anterioridad y se llevó a cabo un seguimiento de los casos en posteriores derivaciones para ver con qué frecuencia el modelo estaba en lo correcto.

Resultados. Se determinó que, en un elevado número de ocasiones, el modelo permitía pronosticar

continuación

Recuadro 4.10 (continuación)

con precisión las futuras salidas del hogar. En concreto, entre los niños con un puntaje previsto de 1 (riesgo bajo), 1 de cada 100 salían del hogar en los dos años posteriores a la llamada. En el caso de los niños con un puntaje previsto de 20 (riesgo elevado), 1 de cada 2 salían del hogar en los dos años posteriores a la llamada. La validación externa demostró que, en comparación con un niño con un puntaje de 1, el riesgo relativo de que un niño con un puntaje de salida del hogar de 20 presente una lesión autoinfligida es 21 veces mayor, el riesgo de que sea agredido físicamente es 17 veces mayor, y el riesgo de que sea atendido por una caída accidental es 1,4 veces mayor.

La herramienta dio lugar a cambios en las políticas y los procesos institucionales. En primer lugar, el condado desarrolló una interfaz de usuario de primera línea que permitía a los trabajadores sociales calcular el puntaje de cribado familiar «pulsando un botón». También se incluyó el cálculo del puntaje en los procesos institucionales estándar. En segundo lugar, ante el escepticismo de algunos trabajadores sociales, fue necesario hacer ciertos cambios culturales para alentarlos a usar de la herramienta, y se puso especial énfasis en que esta última no sustituía a su evaluación clínica, sino que proporcionaba información adicional que los trabajadores podían usar durante la evaluación. En tercer lugar, el condado aprobó medidas que exigían que los asistentes sociales empleasen la herramienta de cribado y calculasen el puntaje de cribado familiar en todos los casos notificados de abuso infantil. Por último, el condado aprobó una medida que obligaba a que todos los casos notificados de abuso infantil que recibiesen un puntaje de cribado de 20 se derivasen para investigarlos en mayor profundidad. Eubanks (2018) incluye una crítica del uso de estos modelos predictivos.

Fuente: Dalton, 2018. a. El equipo de investigación estaba compuesto por Rhema Vaithianathan, de la Universidad Tecnológica de Auckland; Emily Putnam-Hornstein, de la Universidad del Sur de California; Irene de Haan, de la Universidad de Auckland; Marianne Bitler, de la Universidad de California en Irvine; Tim Maloney, de la Universidad Tecnológica de Auckland; y Nan Jiang, de la Universidad Tecnológica de Auckland. El equipo incluía también a expertos en ética, como Tim Dare, de la Universidad de Auckland, y Eileen Gambrill, de la UC Berkeley, además de los siguientes evaluadores: Hornby-Zellar Associates (para evaluar los aspectos del proceso) y la Universidad de Stanford (para evaluar las repercusiones).

esa complejidad y dar lugar a intervenciones ineficaces o desiguales. Los métodos integrados que reúnen las capacidades y los conocimientos de distintas burocracias permiten evaluar mejor las necesidades y condiciones complejas, y dan como resultado paquetes de beneficios y servicios más adecuados a las necesidades y condiciones individuales.

Con estos enfoques multidimensionales, es posible evaluar exhaustivamente las necesidades y condiciones de las personas mediante diversas características. Un ejemplo de ello es el cribado de las personas en función de los riesgos sociales, como parte de un perfil de la capacidad de inserción profesional de los solicitantes de empleo. El gráfico 4.5 recoge la capacidad de inserción profesional y la complejidad de los riesgos sociales para ilustrar este problema. Habitualmente, los asesores laborales elaboran el perfil de los demandantes y de los desempleados para determinar su empleabilidad centrándose en los grupos 1 y 2 del gráfico 4.5. Sin embargo, en esta elaboración de los perfiles se pueden pasar por alto las barreras sociales que afectan la capacidad laboral. Puede que algunas personas tengan una empleabilidad relativamente buena (y estén dispuestas a trabajar), pero deban hacer frente a otras barreras sociales que serían atendidas mediante intervenciones distintas a las de los servicios de empleo y PAML (grupo 3 en el gráfico 4.5). A continuación se recogen algunos ejemplos de estas barreras: (1) trabajadores en condición de discapacidad para los cuales resulte sencillo encontrar trabajo, siempre que