Page 7 - 83_01

5. ALMACENAMIENTO Y ANÁLISIS DE DATOS
MASIVOS (BIG DATA O MACRODATOS)
El término big data (macrodatos, datos masivos o datos
a gran escala), hace referencia al almacenamiento de
grandes cantidades de datos y a los procedimientos usados
para encontrar patrones repetitivos dentro de ellos. Estas
técnicas, que surgieron de la necesidad de confeccionar
informes estadísticos y modelos predictivos, representan
una revolución en las tecnologías de la información y la
comunicación, y están cambiando la forma de hacer
negocios, la política, la educación, la sanidad, y la
innovación (15), constituyendo una oportunidad para la
investigación. Los científicos necesitan hoy día
complementar la ciencia con las búsquedas inteligentes de
datos, cuyo volumen crece constantemente, y adaptar sus
prácticas a esta nueva herramienta. Su utilización es
también un reto, ya que estos datos han de procesarse
inteligentemente (16). No puede perderse de vista la
enorme diferencia que existe entre los big data científicos,
que se extraen de muchos trabajos experimentales, y los
big data extraidos de conductas humanas, ya que estos
últimos son muchas veces contradictorios.
Entre las muchísimas herramientas para analizar los big
data, se encuentra su agrupación (clustering), en la que
grandes grupos de datos dan lugar a grupos más pequeños
en función de su semejanza, desconocida antes de realizar
este tipo de análisis. Esta técnica, referida a individuos, se
está aplicando en el campo de la salud. Por ejemplo,
utilizando los datos de búsquedas que contenían los
términos Influenza-Like Illness Symptoms, agregados
según ubicación y fecha, Google Flu Trends, predijo hacia
mediados de 2009 una pandemia de gripe A, con dos
semanas de antelación a los sistemas de detección
tradicionales. El análisis de datos masivos ha comenzado
ya a aplicarse en el tratamiento del cáncer y en el
diagnóstico de enfermedades, campos en los que la
inteligencia artificial es capaz de realizar análisis con una
gran precisión (17).
6. CONCLUSIÓN
La metaciencia está demostrando que es posible hacer
una investigación más exigente y reproducible (18), y
descubrir que lo que considerábamos como verdadero
puede que no lo sea. En palabras de Regina Nuzzo:
Humans are remarkably good at self-deception, but
growing concern about reproducibility is driving many
researchers to seek ways to fight their own worst instincts
(20). Fomentar la autocorrección del propio proceso
científico puede ser de gran utilidad en medicina, tanto en
lo que se refiere a métodos diagnósticos (19) como a
tratamientos.
7. BIBLIOGRAFÍA
1. Ioannidis JPA, Allison DB, Ball CA, et al. Repeatability
of published microarray gene expression analyses.
Nature Genet 2009; 41: 149-55.
2. Begley CG, Ellis LM. Drug development: Raise
standards for preclinical cancer research. Nature 2012;
483: 531-3.
8 Review RMMs Suplement, 2016; issue 6.
Carmen Avendaño
3. Baker M. 1,500 scientists lift the lid on reproducibility.
Nature 2016; 533: 452-4.
4. Freedman L, Cockburn IM, Simcoe TS. The Economics
of Reproducibility in Preclinical Research. PLoS
Biology 2015; 13: e1002165.
5. Kerr NL. HARKing: hypothesizing after the results are
known. Pers Soc Psychol Rev 1998; 2: 196-217.
6. Crabbe JC, Wahlsten D, Dudek BC. Genetics of mouse
behavior: interactions with laboratory
environment. Science 1999; 284: 1670-2.
7. Simmons JP, Nelson LD, Simonshohn U. False-positive
psychology: undisclosed flexibility in data collection
and analysis allows presenting anything as significant.
Psychol Sci 2011; 22: 1359-66.
8. a) Ioannidis JPA. Why most published research findings
are false. PLoS Med 2005; 2, e124. b) Fanelli D.
“Positive” results increase down the Hierarchy of the
Sciences. PloS ONE 2010; 5: e10068. c) Button KS,
Ioannidis JPA, Mokrysz C, et al. Power failure: why
small sample size undermines the reliability of
neuroscience. Nat Rev Neurosci 2013; 14: 365-76.
9. a) Ioannidis JP, Haidich AB, Lau J. Any casualties in
the clash of randomised and observational evidence?
BMJ 2001; 322: 879-80. b) Lawlor DA, Smith GD,
Kundu D, et al. Those confounded vitamins: What can
we learn from the differences between observational
versus randomised trial evidence? The Lancet 2004;
363: 1724-7. c) Vandenbroucke JP. When are
observational studies as credible as randomised trials?
The Lancet 2004; 363: 1728-31.
10. a) Michiels S, Koscielny S, Hill C. Prediction of cancer
outcome with microarrays: A multiple random
validation strategy. The Lancet 2005; 365: 488-92. b)
Ioannidis JPA, Ntzani EE, Trikalinos TA,
Contopoulos-Ioannidis DG. Replication validity of
genetic association studies. Nat Genet 2001; 29: 306-
9.
11. Papanikolaou GN, Baltogianni MS, Contopoulos-
Ioannidis DG, et al. Reporting of conflicts of interest
in guidelines of preventive and therapeutic
interventions. BMC Med Res Methodol 2001; DOI:
10.1186/1471-2288-1-3.
12. a) Collins FS, Tabak LA. Policy: NIH plans to enhance
reproducibility. Nature 2014; 505: 612-3. b)
Motulsky HJ. Common misconceptions about data
analysis and statistics. J Pharmacol Exp Ther 2014;
351: 200-5.
13. Munafò MR, Nosek BA, Bishop DVM, Button KS, et
al. A manifesto for reproducible science. Nature
Human Behaviour 2017, doi:10.1038/s41562-016-
0021. 14. Miller MJ, van den Heuvel ER, Roesti D.
The role of statistical analysis in validating rapid
microbiological methods. European Pharmaceutical
15. Mayer-Schönberger V, Cukier K. Big Data: A
Revolution That Will Transform How We Live,
@Real Academia Nacional de Farmacia. Spain