He dedicado una parte importante de mi carrera a trabajar con datos de salud: datos de vigilancia, datos de monitoreo de programas, datos de evaluación, datos administrativos de salud. Una cosa que he aprendido es que los datos no se interpretan por sí mismos. El significado de un número depende por completo de comprender qué está midiendo, cómo se midió y qué estaba ocurriendo en el entorno cuando se realizó la medición.
Los errores de datos más peligrosos que he encontrado no fueron causados por fraude o negligencia. Fueron causados por analistas competentes que interpretaron datos técnicamente sólidos sin el contexto adecuado.
Un distrito con una tasa alta de notificación de casos puede estar detectando la enfermedad de manera eficiente. O puede tener una cultura de notificación por parte del personal de salud más fuerte que los distritos vecinos. O puede haber recibido recientemente una intervención de capacitación que aumentó temporalmente la vigilancia. O simplemente puede tener más establecimientos que reportan. Cada una de estas explicaciones tiene implicaciones completamente diferentes para la respuesta del programa.
Un distrito con una tasa baja de notificación de casos puede tener genuinamente una carga baja. O puede tener un sistema de vigilancia débil que está pasando por alto casos. La diferencia entre esas dos interpretaciones es crítica, y los datos por sí solos no pueden decirle cuál es verdadera.
Por eso, los datos de los programas siempre deben ser interpretados por personas con conocimiento de campo, no solo por personas con habilidades analíticas. El contexto de campo proporciona el marco interpretativo que da sentido a los datos. Sin él, un análisis sofisticado aplicado a datos de vigilancia o de programas puede producir conclusiones que son técnicamente rigurosas pero operativamente erróneas.
En la práctica, esto significa construir procesos de revisión en los que analistas y personal de campo examinen los datos juntos. Significa crear ciclos de retroalimentación en los que el personal de campo vea los análisis generados a partir de sus datos y pueda señalar cuando las interpretaciones no coinciden con lo que están observando. Significa resistir la presión de producir narrativas limpias y simples a partir de datos que son inherentemente complejos y contextuales.
Los datos son un activo. Pero, como la mayoría de los activos, pueden ser mal utilizados. El mal uso de los datos de salud pública mediante una interpretación descontextualizada ha llevado a una asignación errónea de recursos que ha costado vidas. Esa es una razón contundente para tomar en serio la disciplina interpretativa.