Información y pruebas en Yemen: un caso de uso de análisis predictivos y colaboración intersectorial para la acción anticipatoria

Sumido en una guerra civil desde 2015, Yemen se ha convertido en una de las peores crisis humanitarias del mundo. Este conflicto, que tiene sus raíces en el fallido levantamiento de la Primavera Árabe de 2011, está agravando varios otros problemas. Siendo ya el país más pobre de la región, el conflicto de Yemen ha destruido su economía, sus infraestructuras y sus medios de vida.

También ha provocado desplazamientos, inseguridad alimentaria y pobreza extrema. Según Naciones Unidas, en 2021 se estimaba que 24,3 millones de personas corrían el riesgo de padecer hambre y enfermedades, de las cuales 14,4 millones se consideraban con necesidad aguda de ayuda. Además, 20, 5 millones de personas carecen de acceso a agua potable y saneamiento, y 16,2 millones necesitan ayuda de emergencia como consecuencia de la malnutrición y la inseguridad alimentaria. A su vez, la escasez de alimentos ha provocado el brote de enfermedades como el cólera y el dengue.

La Acción Anticipatoria mediante el uso de análisis predictivos en contextos humanitarios puede ir desde modelos de predicción de previsiones de inundaciones, cartografía de las tendencias del hambre y alerta temprana de brotes de enfermedades como el cólera, todo lo cual puede servir para salvar innumerables vidas. Estas acciones humanitarias, emprendidas con antelación a un peligro, requieren información y pruebas fiables, pero para obtenerlas durante una crisis a menudo se encuentran muchas barreras y retos relacionados con la calidad y cantidad de los datos. Entre ellos se encuentran el acceso a los datos, la falta de datos y los datos sesgados, y la falta de transparencia, verificación e intercambio de datos. En Yemen, por ejemplo, los datos sobre seguridad alimentaria, malnutrición y hambruna están controlados por el gobierno de Adén, reconocido internacionalmente, o por los Houthis en Saná, lo que da lugar a que la información sea errónea. Las comprobaciones y verificaciones rutinarias de los datos están prohibidas o limitadas, lo que pone en entredicho su calidad, independencia y neutralidad.

Además, los datos no pueden sacarse del país y existen límites para compartirlos externamente, lo que limita su accesibilidad. Hay problemas de datos que faltan, datos obsoletos y datos que no miden la unidad de análisis necesaria. También hay lagunas en la cobertura geográfica, lo que dificulta la identificación de "puntos calientes".

Superar los retos con mejores datos

Dada la naturaleza de los retos que plantean los datos, en Yemen y en otros lugares, deben estudiarse algunas recomendaciones. La tecnología de teledetección, los datos de código abierto y el análisis predictivo pueden y deben utilizarse para compensar la falta de datos primarios. El análisis predictivo incorpora el uso de métodos de aprendizaje automático (ML) y de inteligencia artificial (IA) para crear "previsiones" y "predicciones" humanitarias. Estas herramientas utilizan diversas formas de datos, incluidos datos históricos, datos espaciales y datos de teledetección, para construir modelos predictivos utilizando algoritmos apropiados. La advertencia con el ML y la AI es que estos modelos son tan buenos como los datos que se utilizan, y existe la amenaza de un análisis sesgado que puede dar lugar a predicciones inexactas. Sin embargo, con más información, estos modelos pueden entrenarse y modificarse para presentar escenarios más precisos y realistas.

La IA ya desempeña un papel en la acción humanitaria. La herramienta mundial de alerta temprana Agua, Paz y Seguridad identifica los conflictos emergentes relacionados con el agua con hasta un año de antelación, lo que permite orientar las intervenciones antes de que se produzca una crisis. La herramienta Famine Early Warning Systems utiliza métodos mixtos como herramienta de alerta temprana para la inseguridad alimentaria. Muchos otros programas humanitarios también han creado herramientas para estimar costes y modelizar y prever conflictos, desplazamientos y catástrofes naturales (por ejemplo, inundaciones y enfermedades).

Otra ventaja de los modelos de ML y la IA es que pueden emplearse a distancia. Durante la pandemia de COVID-19, el sector humanitario se vio obligado en gran medida a operar a distancia, lo que impuso una barrera adicional a la recogida de datos. Pero las herramientas de ML e IA pueden suplir la incapacidad de recopilar datos sobre el terreno. Además, las tecnologías de teledetección y los datos de código abierto son cada vez más asequibles y están más disponibles.

Necesidad de colaboración intersectorial

Uno de los mayores problemas de la recopilación de pruebas y el intercambio de información es que las organizaciones tienden a recopilar datos y trabajar en compartimentos estancos. Por lo tanto, los actores humanitarios de todos los sectores y agencias deben colaborar, compartir y consolidar los datos. Apoyar la colaboración intersectorial es fundamental para obtener una comprensión más holística de las situaciones de crisis, también en Yemen.

En los últimos años, se ha producido una expansión de los conjuntos de datos a disposición del público, que ahora cubren temas tan diversos como la producción agrícola, la ocupación y el uso del suelo, los precios, el clima, los conflictos, el uso de teléfonos móviles y las redes sociales. Muchos de ellos son relevantes para la labor humanitaria, como la base de datos Armed Conflict Location & Event, el Uppsala Conflict Data Program y el Yemen Data Project.

Las redes sociales también pueden informar a los actores humanitarios sobre las condiciones sobre el terreno. Aunque el acceso a Internet puede ser escaso en contextos de crisis, las plataformas de medios sociales como Twitter, Facebook y YouTube pueden, cuando están disponibles, proporcionar información útil que puede ser cartografiada. Esto puede ayudar a los actores humanitarios a identificar la ubicación y la naturaleza de los acontecimientos que ocurren en su región de operaciones.

Para hacer frente a los riesgos naturales, existen muchos conjuntos de datos climáticos de código abierto y tecnologías de teledetección que pueden utilizarse para crear modelos de predicción, un elemento esencial de la acción anticipatoria. Algunos ejemplos son la iniciativa Aqueduct del World Resource Institute y el Atlas Interactivo del Grupo de Trabajo del IPCC. En Yemen, el Observatorio de la Tierra de la NASA utilizó datos sobre precipitaciones, temperatura del aire y población para predecir el riesgo de un brote de cólera. Su modelo demostró finalmente tener una precisión del 92% en sus predicciones. Actuar con antelación a los brotes de enfermedades es un campo de interés creciente, y la IA y el ML deberían desempeñar un papel destacado en su avance.

Todas las crisis humanitarias tienen sus propios retos a la hora de obtener datos transparentes, neutrales, independientes, de alta calidad y fiables, y actuar en previsión de una crisis no es diferente. Las aplicaciones de IA y ML, las tecnologías de teledetección, los datos de código abierto y el análisis predictivo pueden suplir la falta de datos en contextos humanitarios y desempeñar un papel central en la superación de estos retos en materia de datos. Esto debe hacerse junto con una mayor colaboración intersectorial e interinstitucional y el intercambio de datos para desarrollar una imagen más completa de la situación sobre el terreno.