Embed Size (px)
Citation preview
MÓDULO DE DESARROLLO DE PRUEBAS PSICOTÉCNICAS PARA LA
PLATAFORMA MENTAL DATA
JORGE ESTEBAN MUÑOZ MAYA
FABIAN STEEVEN SANDOVAL VEGA
PROGRAMA DE INGENIERÍA DE SISTEMAS
FACULTAD DE INGENIERÍA
UNIVERSIDAD CATÓLICA DE COLOMBIA
BOGOTÁ, DICIEMBRE
2021
1
PROPUESTA DE TRABAJO DE GRADO
MÓDULO DE DESARROLLO DE PRUEBAS PSICOTÉCNICAS PARA LA
PLATAFORMA MENTAL DATA
JORGE ESTEBAN MUÑOZ MAYA
FABIAN STEEVEN SANDOVAL VEGA
Trabajo de Grado para optar al título de
INGENIERO DE SISTEMAS
Asesor: HOLMAN DIEGO BOLÍVAR BARÓN Ph.D
PROGRAMA DE INGENIERÍA DE SISTEMAS
FACULTAD DE INGENIERÍA
UNIVERSIDAD CATÓLICA DE COLOMBIA
BOGOTÁ, DICIEMBRE
2021
3
https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
2
NOTA DE ACEPTACIÓN
Jurado
Jurado
Holman Diego Bolívar Barón, Ph.D Asesor
Bogotá, Diciembre 04, 2021
4
TABLA DE CONTENIDOS
INTRODUCCIÓN 10
PLANTEAMIENTO DEL PROBLEMA 11
OBJETIVOS 15
OBJETIVO GENERAL 15
OBJETIVOS ESPECÍFICOS 15
MARCO CONCEPTUAL 16
NORMAS Y PROTOCOLOS QUE SUGIERE EL BID PARA TRATAMIENTO DE DATOS EN INVESTIGACIÓN. 16
Recolección. 16
Almacenamiento. 166
Análisis. 16
Compartición. 16
Eliminación. 16
REGLAMENTO GENERAL DE PROTECCIÓN DE DATOS. 17
ANONIMIZACIÓN DE DATOS. 188
DESAFÍOS EN EL USO DE DATOS: TIPOLOGÍAS DE RIESGOS ÉTICOS. 188
Privacidad. 18
Discriminación Algorítmica. 19
Opacidad. 21
MARCO TEÓRICO 22
TÉCNICAS DE ANONIMIZACIÓN 233
Aleatorización. 23
Adición de ruido. 23
Permutación. 23
Privacidad diferencial. 23
Generalización. 23
Agregación y Anonimato k. 23
Diversidad I y Proximidad t. 23
STACK MERN. 244
ESTADO DEL ARTE 255
METODOLOGÍA 277
5
FASES DEL PROYECTO 277
INSTRUMENTOS O HERRAMIENTAS UTILIZADAS 27
IDENTIFICACIÓN DE ELEMENTOS DEL MÓDULO DE DESARROLLO DE PRUEBAS PSICOTÉCNICAS 28
ELEMENTOS DEL MÓDULO DE DESARROLLO DE PRUEBAS PSICOTÉCNICAS 366
ARQUITECTURA 366
DIAGRAMA DE COMPONENTES. 377
DIAGRAMA DE DESPLIEGUE. 38
MODELO DE DATOS 39
MÓDULO DE DESARROLLO DE PRUEBAS PSICOTÉCNICAS 40
CONCLUSIONES 45
TRABAJOS FUTUROS 46
REFERENCIAS 47
6
LISTA DE FIGURAS
Figura 1. Historia de usuario número uno. 27
Figura 2. Historia de usuario número dos. 28
Figura 3. Historia de usuario número tres. 29
Figura 4. Historia de usuario número cuatro. 30
Figura 5. Historia de usuario número cinco. 31
Figura 6. Historia de usuario número seis. 32
Figura 7. Historia de usuario número siete. 33
Figura 8. Historia de usuario número ocho. 34
Figura 9. Arquitectura del módulo de desarrollo de pruebas psicotécnicas. 35
Figura 10. Diagrama de componentes del módulo de desarrollo de pruebas
psicotécnicas. 36
Figura 11. Diagrama de despliegue del módulo de desarrollo de pruebas
psicotécnicas. 37
Figura 12. Modelo de datos del módulo de desarrollo de pruebas psicotécnicas.
38
Figura 13. Apartado de Sign In del módulo. 39
Figura 14. Apartado de Sign up del módulo. 39
Figura 15. Apartado de Sign up del módulo cuando un usuario es creado. 40
Figura 16. Apartado de Sign in del módulo cuando un usuario ingresa
satisfactoriamente. 40
Figura 17. Home del módulo. 41
Figura 18. Apartado de “formularios” del módulo 41
Figura 19. Creación y/o edición de formularios. 42
Figura 20. Diligenciamiento de formularios. 42
7
Figura 21. Archivo .xlsx arrojado por el módulo al llenar el formulario. 43
8
RESUMEN
Acorde a las estadísticas mostradas por la Organización Mundial de la Salud (OMS) y la Organización Panamericana de la Salud (OPS), alrededor de 4.4% de la población mundial padece de algún tipo de trastorno depresivo, y un 3.6% un trastorno de ansiedad; ambos catalogados como trastornos mentales comunes. Teniendo en cuenta una media de estimación cercana al 4% de la población mundial, alrededor de 320 millones de personas padecen algún tipo de trastorno mental común, esto daría por hecho que la gran mayoría de población de continentes como América o Europa, sufre de algún tipo de trastorno mental.
La ciencia de datos es clave para mejorar el diagnóstico, transformar los tratamientos y, en última instancia, hacer que las enfermedades mentales se puedan prevenir.
Para hacer un adecuado tratamiento de los datos, se aborda el tema de la anonimización de la información, el cual es el proceso de convertir los datos en una forma en que no se pueda identificar a individuos, para así garantizar la seguridad de la información.
Basado en lo explicado anteriormente, cuáles serían las funcionalidades de una aplicación web para el registro de información personal de los participantes en el proyecto de investigación de un módulo de pruebas de desarrollo de pruebas psicotécnicas para la plataforma mental data, teniendo en cuenta la ley estatutaria 1851 de 2012, las recomendaciones del BID, y de la OCDE y la posibilidad de hacer inferencias estadísticas a partir de los datos no personales. Con la presente propuesta se busca desarrollar un módulo de gestión de datos de pacientes mediante la implementación de tecnologías de tendencia mundial y la gestión ética de los datos, para contribuir en el área de informática en proyectos de investigación referentes a la salud mental.
En el presente proyecto o trabajo de investigación se utilizará la metodología ágil SCRUM, porque es una metodología flexible que permite ajustarlo al propósito del trabajo, además ofrece muchas ventajas para el desarrollo de la aplicación, adicionalmente, las herramientas que se usarán para la implementación de dicho proyecto son las siguientes: MongoDB, React Js, Express Js y Node Js, más conocido como el stack MERN, las cuales ofrecen un trabajo conjunto y la facilidad de desarrollo. Palabras Claves: Salud mental, Procesamiento de datos, Investigación sobre el
cerebro, SCRUM, MERN.
9
ABSTRACT
According to the statistics shown by the World Health Organization (WHO) and the Pan American Health Organization (PAHO), around 4.4% of the world population suffers from some type of depressive disorder, and 3.6% an anxiety disorder ; both classified as common mental disorders. Taking into account an average estimate close to 4% of the world population, around 320 million people suffer from some type of common mental disorder, this would take for granted that the vast majority of the population of continents such as America or Europe suffers from some type of mental disorder. type of mental disorder. Data science is key to improving diagnosis, transforming treatments, and ultimately making mental illness preventable. In order to properly process the data, the issue of anonymization of information is addressed, which is the process of converting the data in a way in which individuals cannot be identified, in order to guarantee the security of the information. Based on what was explained above, what would be the functionalities of a web application for the registration of personal information of the participants in the research project of a patient module of the data science and mental health platform, taking into account the statutory law 1851 of 2012, the recommendations of the IDB, and the OECD and the possibility of making statistical inferences from non-personal data. The present proposal seeks to develop a patient data management module through the implementation of world-class technologies and ethical data management, to contribute in the area of informatics in research projects related to mental health. In this project or research work the agile SCRUM methodology will be used, because it is a flexible methodology that allows adjusting it to the purpose of the work, it also offers many advantages for the development of the application, additionally, the tools that will be used for the implementation of this project are the following: MongoDB, React Js, Express Js and Nodejs, better known as the MERN stack, which offer joint work and ease of development.
Keywords: Mental health, Data processing, Brain research, SCRUM, MERN.
10
1. INTRODUCCIÓN
La propuesta forma parte del proyecto de investigación institucional titulado: “Plataforma de Inteligencia Artificial y estudio neurocognitivo para el apoyo a la Salud Mental Fase 1” liderado por el grupo de investigación en software inteligente y convergencia tecnológica (GISIC), junto con un equipo de psicología asociado de la Universidad Católica de Colombia, y otras entidades asociadas como lo son la Secretaría de Salud de Bogotá, la Universidad Católica de Salta, el centro de atención psicológica Lifesense, etc. Teniendo en cuenta que la depresión se denomina como la enfermedad del siglo XXI, a causa del impacto que tiene sobre la persona que la padece, su familia y la comunidad en la cual está (Ministerio de salud de Colombia, 2017). Así mismo, contemplando que es el detonador fundamental de muertes causadas por suicidio a nivel mundial, se estima que anualmente a nivel mundial, se suicidan 800.000 personas en todo el mundo, siendo individuos entre los 15 y 29 años los más afectados (Ministerio de salud de Colombia, 2017); la finalidad de la plataforma es que, mediante los diferentes proyectos que la conformen, se logre calcular la probabilidad de padecimiento de un trastorno depresivo en su fase inicial, teniendo en cuenta que, cada proyecto, a pesar de ser distinto, proporciona y/o fundamenta de manera crucial su participación en la plataforma ya mencionada. De manera específica, el proyecto descrito en el presente documento, se desarrolla bajo la modalidad de auxiliar de investigación, debido a que se encuentra vinculado al proyecto de investigación institucional titulado: “plataforma de inteligencia artificial y estudio neurocognitivo para el apoyo a la salud mental fase 1”, mediante un aplicativo web implementado bajo el stack MERN. De este modo, se permite que los demás proyectos asociados a la plataforma, puedan interactuar con el aplicativo, consultando y/o almacenando los datos necesarios y/o requeridos en sus respectivas investigaciones. Acorde al documento de tipologías de proyectos calificados como de carácter científico, tecnológico e innovación, el presente proyecto se articula bajo la modalidad de proyecto de desarrollo tecnológico, ya que, en primera instancia, se pretende diseñar un nuevo proceso de gestión de datos de pacientes con posibles trastornos mentales, materializando los conocimientos adquiridos de la facultad de ingeniería de la Universidad Católica de Colombia, adicionalmente, su lote de prueba es a escala piloto, para validar correctamente su funcionamiento dentro de la plataforma, y finalmente, en la modalidad de trabajo de investigación, se identifica una necesidad tecnológica, y se formula un proyecto que responda a la misma, mediante avances en el desarrollo de un prototipo, tal cual como se indica en el documento de tipologías de proyectos calificados como de carácter científico, tecnológico e innovación.
11
2. PLANTEAMIENTO DEL PROBLEMA
Acorde a las estadísticas mostradas por la Organización Mundial de la Salud (OMS) y la Organización Panamericana de la Salud (OPS), alrededor de 4.4% de la población mundial padece de algún tipo de trastorno depresivo, y un 3.6% un trastorno de ansiedad; ambos catalogados como trastornos mentales comunes (OMS & OPS, 2017, 14). Teniendo en cuenta una media de estimación cercana al 4% de la población mundial, alrededor de 320 millones de personas padecen algún tipo de trastorno mental común, esto daría por hecho que la gran mayoría de población de continentes como América o Europa, sufre de algún tipo de trastorno mental.
La ciencia de datos es clave para mejorar el diagnóstico, transformar los tratamientos y, en última instancia, hacer que las enfermedades mentales se puedan prevenir (McIntosh & Russ, 2019), además, se tiene en cuenta que la ciencia de datos hace referencia a las áreas superpuestas de los métodos científicos y el análisis de datos, que se usan con el fin de extraer el significado de dichos datos, valga la redundancia (Oracle, 2021). Una de las oportunidades más interesantes que brinda la ciencia de datos, es la adaptación de las nuevas tecnologías (emergentes) que permitan generar nuevas variables fenotípicas y biométricas que se puedan vincular a conjuntos de datos existentes (McIntosh & Russ, 2019); la recolección de datos fenotípicos mediante diferentes dispositivos, sensores, dispositivos portátiles y aplicativos para teléfonos inteligentes, permiten un seguimiento detallado en tiempo real, en los que se incluyen la variación de sueño, la variación de signos vitales, el estado de ánimo, el consumo de alcohol, etc… permitiendo orientar las investigaciones en áreas como las enfermedades mentales, y además permiten mejorar la atención clínica (McIntosh & Russ, 2019).
El Banco Interamericano de Desarrollo (BID) sugiere ciertas normas o protocolos para tener en cuenta al momento de interactuar con los datos personales de las personas, o en términos simplificados, hacer ciencia de datos (Banco Interamericano de Desarrollo., 2019), para que de esta manera se garantice la ética en cuanto a la gestión de los datos personales de las personas.
Hace alrededor de 3 décadas, el mundo comenzó a tomar conciencia acerca de la importancia de la protección de los datos personales, la Organización para la Cooperación y el Desarrollo Económicos fue pionera en este tema, publicando una guía para resguardar la privacidad y los flujos transfronterizos de datos personales a partir de los siguientes principios (OECD, 2013):
I. Establecer límites claros para la obtención de los datos. II. Determinar la relevancia de los datos para el uso previsto.
III. Definir con claridad el uso que se dará a los datos antes de solicitarlos. IV. Abstenerse de utilizar los datos para usos distintos al determinado
originalmente sin el consentimiento de las personas afectadas. V. Asegurarse de proteger los datos contra el acceso ilícito o piratería.
12
VI. Asegurar que los avances, prácticas y políticas sobre el uso de los datos sean abiertos y transparentes.
VII. Garantizar que las personas cuyos datos se han recolectado tengan acceso a los mismos y puedan solicitar bien sea modificaciones o su eliminación definitiva.
El Banco Interamericano de Desarrollo (2019), propone 5 etapas que se deben realizar en todo el ciclo de la gestión ética de los datos, definidas desde la creación y captura, pasando por el almacenamiento, la transmisión y el análisis, hasta el archivo o eliminación (Banco Interamericano de Desarrollo., 2019).
1. Recolección. 2. Almacenamiento. 3. Análisis. 4. Compartición. 5. Eliminación.
Tanto el Banco Iberoamericano de Desarrollo, como McIntosh & Russ, sugieren o han usado, la anonimización de datos (Banco Interamericano de Desarrollo., 2019) (McIntosh & Russ, 2019). Acorde al Ministerio de Salud de Colombia, se entiende por anonimización de datos el proceso en el cual se tratan los datos personales con el objetivo de evadir la identificación de una persona (ya sea directa o indirectamente) de forma irreversible (Ministerio de Salud de Colombia, 2016). Los formularios en línea suelen ser la forma más popular y eficaz de capturar información de contacto de los visitantes del sitio web o incluso de sus ubicaciones reales, estos formularios permiten recopilar información de los usuarios a través de preguntas sencillas y por lo general, las respuestas se registran en la base de datos y luego se procesan y analizan para diferentes propósitos (QuestionPro, 2021). Según sisdoc (Sisdoc, 2020), la captura de datos sigue 5 lineamientos para que esta guarde sentido y sea de gran utilidad. Empezando por detectar la información específica, es decir saber que sirve y que no ahorrará mucho trabajo y tiempo al grupo de investigación. De igual manera esto aporta valor añadido para el análisis de datos, ya que refuerza el proceso de conexión para ofrecer mejores resultados al momento de la búsqueda. Una vez obtenida la información, se discrimina la información más importante a la menos importante. En este caso, se añaden metadatos para consultas e integración para el enriquecimiento de la gran data de información. Y para finalizar la captura de datos busca comparar para obtener estadísticas fiables con el objetivo de facilitar la búsqueda de información y dar soluciones a lo largo del tiempo sobre lo que se vuelva prioritario o no (Sisdoc, 2020).
13
Los consentimientos informados se definen como procedimientos médicos formales, para aplicar el principio de autonomía del paciente, haciendo referencia a respetar los pacientes como individuos, y hacer honor a sus preferencias en cuidados médicos (Benito, 2020). Un consentimiento informado debe aclarar de manera clara el procedimiento o tratamiento que se va a realizar, los riesgos típicos frecuentes, los beneficios esperados, la existencia o no de procedimientos alternativos, la constancia de disponibilidad para ampliar la información cuando lo desee, y la comunicación de que el paciente puede retirar su decisión en el momento que éste lo desee (Rioja Salud, 2021). El inicio de sesión se encarga de toda la autenticación del usuario (comprobando que todos sus datos sean correctos, como por ejemplo el email y su contraseña), y lo que se establece es un entorno para el usuario otorgando diferentes permisos, con la finalidad de hacer la correcta gestión de la información salvaguardando la integridad y la privacidad del cliente. Los inicios de sesión son utilizados por sitios web, aplicaciones móviles y aplicaciones de escritorio en las cuales son una medida de seguridad diseñada para evitar el acceso no autorizado a información confidencial (TechLib, 2021). El Ministerio de Salud de Colombia afirma que existen 3 etapas para hacer anonimización de datos, definidas por pre anonimización; haciendo referencia a la determinación de las variables y los identificadores que de manera directa o indirecta pueden aportar en la identificación de una persona, la anonimización de microdatos de uso interno; entendiéndose como la implementación de actividades de protección de la privacidad de los datos, sobre características de unidades de una población y que constituyen una unidad de información, una vez hagan parte de las bases de datos de la entidad recolectora, por último, está la anonimización, en la que se aplican una o varias técnicas tendientes a eliminar al el riesgo de identificación de las personas o entidades, causando el menor daño a los datos. (Ministerio de Salud de Colombia, 2016, 8-10). Para poder hacer un análisis más eficiente de los datos y/o los resultados, se pueden usar modelos estadísticos que permiten codificar la información extraída de los datos, las técnicas de modelado estadístico pueden proporcionar modelos adecuados de forma rápida. En algunos casos, es posible el uso de algunos modelos estadísticos como modelos predictivos de línea base, para juzgar el rendimiento de técnicas más avanzadas (IBM, 2020). Basado en lo explicado anteriormente, cuáles serían las funcionalidades de una aplicación web para el registro de información personal de los participantes en el proyecto de investigación de un módulo de desarrollo de pruebas psicotécnicas para la plataforma mental data, teniendo en cuenta la ley estatutaria 1851 de 2012, las recomendaciones del BID, y de la OCDE y la posibilidad de hacer inferencias estadísticas a partir de los datos no personales.
14
Teniendo en cuenta lo anterior, este proyecto pretende resolver la siguiente pregunta de investigación: ¿Cuáles son las entidades, atributos y procesos relacionados con la gestión de información de personas en el marco de un proyecto de investigación teniendo en cuenta los parámetros éticos para el desarrollo de un módulo de gestión de pacientes en el marco de un proyecto de investigación en salud mental?
15
3. OBJETIVOS
3.1 OBJETIVO GENERAL
Desarrollar un módulo de pruebas psicotécnicas para pacientes, mediante la implementación de tecnologías de tendencia mundial y la gestión ética de los datos, para contribuir en el área de informática en proyectos de investigación referentes a la salud mental.
3.2 OBJETIVOS ESPECÍFICOS
● Caracterizar la información asociada al paciente para identificar los elementos que constituirán el módulo de desarrollo de pruebas psicotécnicas, mediante concertación con el equipo de investigación de psicología asociado al proyecto.
● Diseñar un prototipo web para la gestión eficiente y ética de los datos asociados al paciente mediante los parámetros de SCRUM.
● Implementar el prototipo que permita la validación del diseño previamente
desarrollado, utilizando tecnologías de tendencia mundial.
● Validar la funcionalidad del prototipo web para asegurar la calidad del mismo a partir de atributos de seguridad, usabilidad, escalabilidad y rendimiento.
16
4. MARCO CONCEPTUAL
Los actores públicos y privados consideran cada vez más cómo usar la tecnología para expandir su influencia. Al mismo tiempo, el uso y la gestión de millones de datos personales ha preocupado cada vez más a los ciudadanos y existe una necesidad urgente de proteger la seguridad y privacidad de los datos utilizados. ¿Qué medidas se pueden tomar y cuáles son los riesgos si no se toman medidas? ¿Cómo gestiona el sector público los datos de forma responsable?
4.1 NORMAS Y PROTOCOLOS QUE SUGIERE EL BID PARA TRATAMIENTO DE DATOS EN INVESTIGACIÓN.
4.1.1 Recolección. En esta etapa, las agencias públicas obtienen datos de diferentes formas (automática o manualmente). Por ejemplo, esto se puede hacer: recolectando nueva información a través de encuestas/investigaciones, extrayendo datos de gestión de los sistemas existentes, comprando una base de datos u obteniéndolos de otra institución porque su autoridad legal lo permite o porque ha firmado un protocolo de cooperación.
4.1.2 Almacenamiento. El objetivo de esta fase es garantizar que los datos estén seguros y accesibles cuando sea necesario. Esto incluye el proceso de hacer una copia de seguridad de estos archivos para evitar pérdidas debido a fallas técnicas o de personal, virus o acceso ilegal. También considera la seguridad física de la red, sistema y archivos a través de diferentes perfiles de acceso.
4.1.3 Análisis. En esta etapa, se pueden considerar las actividades de exploración y evaluación de datos que permiten separar información útil para la toma de decisiones. Sobre esta base, se evalúa la hipótesis y se extraen conclusiones en base al análisis estadístico, visualización, análisis espacial y modelado, y otras actividades.
4.1.4 Compartición. Los datos pueden ser compartidos, siempre y cuando sea dentro de la misma institución, con entidades externas como lo pueden ser universidades u organizaciones sin fines de lucro, proveedores como empresas, etc; así mismo, también se pueden proporcionar a la comunidad en formato de datos abiertos. El anonimato, la privacidad diferenciada y la transparencia son las claves en esta etapa.
4.1.5 Eliminación. En el sentido de proteger los datos archivados y poder acceder a ellos, esta etapa tiene algunas similitudes con el almacenamiento. También incluye la definición de períodos de retención y procedimientos de eliminación.
17
4.2 REGLAMENTO GENERAL DE PROTECCIÓN DE DATOS.
El Reglamento General de Protección de Datos (RGPD, o GDPR) es un nuevo marco legal en la Unión Europea que reemplaza la directiva de protección de datos. La diferencia más importante entre los dos es la diferencia entre "reglamentos" y "directivas" (helpsystems, S.f).
Aunque las directivas se entienden como recomendaciones que deben tenerse en cuenta, no son legalmente vinculantes, pero en su lugar, las regulaciones son leyes y responsabilizan de manera legal a las compañías. Esto significa que GDPR es una ley, por lo que todos los estados miembros europeos deben cumplir con la ley, mientras que la Directiva de Protección de Datos anterior no lo era. Las regulaciones también pueden entenderse como un conjunto de reglas que se deben seguir, y las instrucciones son un conjunto de reglas que dejan espacio para la interpretación (helpsystems, S.f).
El Reglamento general de protección de datos tiene como objetivo proteger los datos personales y organizar el procesamiento, almacenamiento y destrucción de datos personales cuando ya no sean necesarios. La ley proporciona control personal sobre cómo las empresas utilizan la información relacionada directa y personalmente con las personas y otorga ocho derechos específicos. Además, ha establecido reglas muy estrictas que rigen lo que sucede si se viola el acceso a los datos personales y las consecuencias (sanciones) que una organización puede sufrir en tales situaciones (helpsystems, S.f).
Aunque la Directiva de protección de datos de la UE no define qué es una violación de datos, el RGPD contempla y detalla una definición muy amplia, donde menciona que una filtración de datos es una infiltración en la seguridad, y que puede desencadenar destrucción, pérdida, alteración, divulgación no autorizada, o acceso -accidental o ilegal-, a datos personales transmitidos, almacenados, o procesados de alguna forma. Además de ello, da a entender como “datos personales” a “cualquier información relacionada a una persona identificable o no identificable” – no se trata únicamente de datos que puedan ser usados para fraude o robo de identidad (helpsystems, S.f). El RGPD ha establecido seis principios básicos para el procesamiento de datos personales: (i) Deben ser tratados de manera legal, leal y transparente; (ii) Deben ser recolectados para fines específicos, claros y legales; (iii) Deben ser suficientes, relevante y limitados al contenido requerido de acuerdo con la finalidad; (iv) Deben ser precisos y siempre actualizados; (v) Deben almacenarse de manera que permita la identificación de las partes relevantes, y el tiempo de procesamiento no deberá exceder el tiempo necesario para el propósito del procesamiento; (vi) Deben ser manipulado de manera que garantice su seguridad (Banco Interamericano de Desarrollo., 2019).
18
4.3 ANONIMIZACIÓN DE DATOS.
La anonimización de datos es un proceso que consiste en “transformar los datos individuales de las unidades de observación, de tal modo que no sea posible identificar sujetos o características individuales de la fuente de información, preservando así las propiedades estadísticas en los resultados” (Sistema único de información normativa, 2016).
La finalidad de la anonimización es evitar la identificación de una persona en base a información o combinación de información, ya sea un individuo, una empresa o una institución, u otro tipo de unidades de observación en archivos de microdatos (DANE, 2018, 10).
La anonimización es una herramienta para mitigar los riesgos que plantea la adquisición y el procesamiento masivo de datos personales. El proceso incluye identificar y ocultar información sensible y permitir su divulgación sin que ello implique el proceso de vulneración de los derechos de protección de datos de personas y organizaciones que se puedan referenciar en ellos mismos (Biblioguías, 2020).
4.4 DESAFÍOS EN EL USO DE DATOS: TIPOLOGÍAS DE RIESGOS ÉTICOS.
En los últimos años, se han presentado diferentes hechos que han desencadenado diferentes desafíos en cuanto al uso de datos y/o información de personas, a manera de ejemplo, empresas globales de uso intensivo de datos como Uber y Airbnb han sufrido crisis periódicas de confianza en la forma en que procesan los datos personales de los clientes (Banco Interamericano de Desarrollo., 2019). Por situaciones como la que se mencionó anteriormente, y que no solamente pasan en Uber o Airbnb, sino en muchas otras empresas, de lo que estamos hablando es del tipo de riesgo, que puede clasificar los diversos desafíos éticos que enfrentan las entidades (especialmente el personal) en la gestión de datos (Banco Interamericano de Desarrollo., 2019).
4.4.1 Privacidad. El primer riesgo (y más obvio) al que se enfrentan las personas que procesan datos personales es el riesgo de protección de datos y, en un sentido amplio, el riesgo de privacidad. De hecho, es esta última la que ha generado más referencias y marcos legales, no solo porque es un derecho reconocido en las constituciones de muchos países, sino también especialmente porque el RGPD (Reglamento General de Protección de Datos) de la Unión Europea, fue promulgado y entró en vigencia en 2018 y se ha convertido en un estándar de referencia global (CNIL, S.f) en un corto período de tiempo. La administración pública tiene una base legal para procesar datos de población y, en algunos casos, es irresponsable otorgar a los ciudadanos el derecho a eliminar su información personal de la base de datos (por ejemplo, su información fiscal). Otro elemento importante es la definición de comprensión de datos personales, que no se limita a nombres y apellidos, sino que también incluye cualquier elemento que
19
pueda conducir a la identificación de un sujeto en particular (Banco Interamericano de Desarrollo., 2019). Por lo tanto, los identificadores únicos de computadoras y teléfonos, así como la ubicación geográfica y los datos biométricos constituyen datos personales, incluso si no están directamente relacionados con el nombre propio, deben estar protegidos por la ley (Banco Interamericano de Desarrollo., 2019). Si desea compartirlos o abrirlos, es necesario definir un protocolo robusto de anonimización o pseudonimización para evitar un mal uso o uso para fines distintos a los expresados en el momento de la recopilación inicial. Es importante insistir en que la anonimización debe ser sólida, porque incluso si la base de datos es anónima, el cruce con otras bases de datos puede llevar a la reidentificación de algunas personas (Kupersmith, 2013). El gobierno no es inmune a las infracciones de los acuerdos de seguridad. En 2008, un pirata informático accedió ilegalmente a una base de datos del gobierno y divulgó la información personal de 6 millones de chilenos (BBC News, 2008). La información y/o datos que fueron filtrados, incluían nombres publicados, direcciones y números de identificación en varios foros técnicos antes de que interviniera la policía. En este caso, el problema radica en la debilidad del firewall utilizado para proteger los datos. Además, estos hechos no cifrados y / o anónimos convierten los errores en desastres.
Cabe señalar que el uso masivo de datos y los fallos o errores ocasionales están provocando la aparición de nuevos derechos, muchos de los cuales quedan oscurecidos por el concepto de derechos digitales. Específicamente, en términos de privacidad, el RGPD cubre el derecho al olvido (artículo 17), que permite a los ciudadanos retirar su consentimiento para el uso de sus datos y exigir que los datos se eliminen cuando, por ejemplo, ya no se utilicen para el propósito original de su obtención. 4.4.2 Discriminación Algorítmica. Debido a la clasificación arbitraria o irrelevante, la discriminación es otro trato nocivo para las personas. Se llama "algorítmica" porque el uso del aprendizaje informático y la inteligencia artificial puede resolver y difundir la discriminación en los sistemas informáticos. Entonces, la discriminación algorítmica se refiere al proceso de reproducción de diferentes tipos de discriminación que ocurren en el mundo real en el entorno de datos, o el proceso de discriminación que solo ocurre en él, por ejemplo, cuando el sistema de reconocimiento facial produce más errores al procesar rostros no caucásicos. (Banco Interamericano de Desarrollo., 2019, 16)
Como señalaron Barocas y Selbst (2016: 671), los datos son “a menudo imperfectos” porque pueden reflejar los sesgos de las personas que toman la decisión de recolección. Del mismo modo, pueden sufrir las deficiencias, errores y sobrerrepresentación de ciertos grupos en la sociedad, todo lo cual puede llevar a decisiones algorítmicas incorrectas. La falta de datos actualizados oportunamente puede afectar a estos temas a terceros. Por ejemplo, si los datos de una persona en el registro del deudor no se actualizan de manera oportuna, puede resultar
20
perjudicado al evaluar el trabajo o solicitar un préstamo. (Banco Interamericano de Desarrollo., 2019).
Esta distinción no es más que el resultado del algoritmo que reproduce procesos discriminatorios que ocurren en el mundo real, sin corregir sus efectos al programar el algoritmo. El poder predictivo teórico de estos sistemas no es más que una inferencia futura de la dinámica determinada en el pasado. De esta manera, un algoritmo que analice las sentencias judiciales de Estados Unidos y los datos de reincidencia comprenderá que, en el pasado, los afroamericanos tenían tasas de encarcelamiento y criminalidad más altas que los blancos. Si el valor registrado por el sistema de algoritmos es "raza", automáticamente traerá mayor peligro a los afroamericanos que a los blancos. (Banco Interamericano de Desarrollo., 2019).
Es importante recordar que también existen sesgos en el proceso de toma de decisiones humanas. Los juicios personales generalmente se ven afectados por sesgos inherentes, que son comunes en muchas áreas de la vida diaria (Saul, 2013). El desafío es combinar algoritmos, aprendizaje automático e inteligencia artificial para evitar el sesgo humano, en lugar de repetirlos. Desafortunadamente, en muchos casos, los algoritmos empeoran el proceso, por lo que cada vez más voces abogan por la transparencia de los algoritmos. Por ejemplo, en Nueva Zelanda, cuando una agencia de medios descubrió que el sistema discriminaba por nacionalidad, los servicios de inmigración tuvieron que cancelar un modelo piloto de predicción de riesgo para priorizar la expulsión de inmigrantes (Radio NZ, 2018).
En el contexto de los algoritmos, la popularidad de esta tecnología también ha propiciado la aparición de nuevos derechos, especialmente derechos como la explicabilidad. Por ejemplo, RGPD requiere que las organizaciones que ejecutan algoritmos, puedan llevar a cabo un procesamiento transparente, justo y que a su vez expliquen cómo los sistemas automatizados toman decisiones, especialmente aquellas que tienen un impacto significativo en la vida personal (como obtener beneficios sociales, trabajo o crédito) (Banco Interamericano de Desarrollo., 2019). Del mismo modo, cualquier persona que haya sufrido un daño (independientemente de si ha sufrido una pérdida importante) debido a una violación de la privacidad tiene derecho a reclamar una indemnización (Banco Interamericano de Desarrollo., 2019). En algunos casos, como el control automático de fronteras de la Unión Europea, se han introducido medidas para reparar y compensar a los pasajeros, para que los pasajeros puedan entrar y salir, y es posible corregir los datos sobre pasajeros que pueda tener el sistema (Banco Interamericano de Desarrollo., 2019).
21
4.4.3 Opacidad. El último concepto está estrechamente relacionado con la evaluación y la rendición de cuentas, porque para que los ciudadanos puedan emitir juicios sobre ciertos aspectos del gobierno o la acción pública, se debe brindar información relevante (Banco Interamericano de Desarrollo., 2019). Por esta razón, es que se dice que la falta de transparencia en los sistemas de datos (qué información recopilan, cómo es su gestión, cómo es su análisis, con quién la comparten, qué tipo de decisiones se toman a partir de ella y además qué factores se basan en ella) se debe a la calidad de la democracia y acceso ciudadano (Banco Interamericano de Desarrollo., 2019).
Actualmente, existen 3 tipos de opacidad, hablando de nuevas tecnologías (Burell, 2016). La opacidad intencional hace referencia a los algoritmos que no son transparentes por motivos de propiedad intelectual, a manera de ejemplo, podemos hablar del motor de búsqueda de Google. La opacidad analfabeta está relacionada con la falta de competencias técnicas para entender el funcionamiento de los algoritmos y los modelos de aprendizaje automático. Por último, la opacidad intrínseca surge en torno a la incapacidad de explicar los procesos algorítmicos en los que las redes neuronales participan; muchas veces ni los propios creadores logran explicar qué hacen las redes neuronales.
En el campo de la tecnología, este riesgo se agrava porque la mayoría de las personas tratan a los sistemas informáticos como "cajas negras", es decir, son mecanismos incomprensibles. En este caso, es imposible exigir a los ciudadanos un control total de los sistemas que afectan su vida diaria o los servicios que reciben (Banco Interamericano de Desarrollo., 2019).
La opacidad puede determinar la diferencia entre un error reparable y una crisis de confianza entre el gobierno y los ciudadanos. Resolver el problema de la transparencia no se limita a la responsabilidad de publicar datos sobre un proceso en particular, sino que también requiere la implementación de medidas que permitan que el gobierno sea responsable de sus decisiones, motivos e impacto esperado. Por tanto, la base de la transparencia es la capacidad de potenciar el valor público de determinada información y demostrar la necesidad de adoptar determinadas medidas tecnológicas y la capacidad de determinar sus efectos positivos y negativos. Es la transparencia en la planificación, la toma de decisiones y la evaluación de impacto lo que demuestra un gobierno comprometido con la gestión responsable de la información y los datos (Banco Interamericano de Desarrollo., 2019).
22
5. MARCO TEÓRICO
Inicialmente, los procesos de anonimización deber ir enfocados primordialmente en el concepto de protección de datos desde el diseño, es decir, los requerimientos de privacidad serán tenidos en cuenta desde las primeras etapas de diseño del sistema o del producto utilizado para el proceso de anonimización, este concepto puede resumirse en la aplicación de los siguientes principios:
● Principio proactivo: La privacidad debe ser protegida a toda costa durante la anonimización, y su gestión debe realizarse de manera proactiva y no reactiva. Desde el inicio del diseño del sistema de información o producto a desarrollar (módulo de pruebas psicotécnicas en este caso) en el proceso de anonimización, se deben contemplar las medidas necesarias para garantizar la privacidad de las personas. La privacidad no puede garantizarse como algo secundario, lo que viene después, como el resultado de la corrección de brechas existentes en el recurso de anonimización o perjuicios ocasionados a los interesados (Agencia española de protección de datos, 2019).
● Principio de privacidad por defecto: Lo primero que se debe garantizar en
el diseño de un sistema de información es la confidencialidad, Por lo tanto, en el comienzo conviene salvaguardar la privacidad teniendo en cuenta el grado de detalle que deben tener los datos anonimizados (Grupo Adaptalia, 2019).
● Principio de privacidad objetiva: Existe un riesgo o índice de riesgo
residual de identificación. Este índice será asumido por la persona a cargo del tratamiento como riesgo y será tenido en consideración para el diseño del proceso de anonimización (Ayuda Ley Protección Datos, 2019).
● Principio de plena funcionalidad: Desde un principio, se tendrá en cuenta
la utilidad final de los datos anonimizados, para así garantizar una buena funcionalidad del sistema (Ayuda Ley Protección Datos, 2019).
● Principio de privacidad en el ciclo de vida de la información: Al principio
del proceso de anonimización, se debe hacer eliminación de atributos de identificación que no se tengan en cuenta o que no se consideren necesarios, una vez se procede a la explotación de la información anonimizada, se seguirán tomando medidas para garantizar la privacidad (Agencia española de protección de datos, 2019).
● Principio de información y formación: Una parte fundamental para que se
pueda garantizar la privacidad, es la formación e información, el cual permita facilidad al personal en el proceso de anonimización y en la explotación de la información. Todo el personal con acceso a los datos anonimizados o no
23
anonimizados, lo ideal es que sea conveniente y debidamente formado e informado acerca de sus obligaciones (Grupo Adaptalia, 2019).
5.1 TÉCNICAS DE ANONIMIZACIÓN
Las técnicas de anonimización son utilizadas por los responsables del proceso y técnicos implicados, este conjunto de técnicas se divide en generales y particulares el cual cada uno de estos tienen una subdivisión y una funcionalidad que lo especifica:
5.1.1 Aleatorización. La aleatorización implica una serie de técnicas diseñadas para cambiar la veracidad de los datos para eliminar la relación entre los datos y el propietario. Hacer que la información sea ambigua, evitará que se identifique una persona concreta (Salud.uy, 2017). 5.1.2 Adición de ruido. Modifica las variables de la información o un conjunto de datos para que sean menos exactos, sin embargo, su distribución general se conserva, un ejemplo claro es cuando existe un atributo llamado altura, donde el sujeto cuenta con 1,50 centímetros, se introducen valores de + 20 o +10 centímetros, es decir, entre 1,40 centímetros a 1,60 centímetros (Salud.uy, 2017). 5.1.3 Permutación. Consiste en mezclar variables en una tabla, es decir, se intercambian algunos valores en un conjunto de información, con lo de otro registro, claramente sin romper la relación lógica (Salud.uy, 2017). 5.1.4 Privacidad diferencial. Se recolectan datos de usuarios sin conocer a quien le corresponde, la persona a cargo o responsable genera vistas anonimizadas del conjunto de datos, para al mismo tiempo, se hacen copias de los originales (Salud.uy, 2017). 5.1.5 Generalización. Se diluyen las variables de los interesados, se modifican las respectivas órdenes de magnitud, es decir, se cambian o se sustituyen los atributos que queramos, podemos cambiar una ciudad por una región o una semana por un mes, entre otras (Salud.uy, 2017). 5.1.6 Agregación y Anonimato k. El objetivo es impedir que una persona sea singularizada cuando se le agrupa junto con al menos un número k de personas. Cuando se toma una variable que es la edad de los funcionarios, formando grupos de intervalos como, por ejemplo, 30 y 40, 50 y 60, etc, en el primero se reemplaza por asteriscos y en el segundo es reemplazado por categorías más amplias (Salud.uy, 2017). 5.1.7 Diversidad I y Proximidad t. La diversidad I extiende el anonimato k para que no se pueda realizar ataques por inferencias deterministas. En cambio, la proximidad t perfecciona la técnica de diversidad I que consiste en crear clases equivalentes que se parezcan a la distribución inicial de la tabla principal (Salud.uy, 2017).
La gestión de información personal estudia cómo organizar y utilizar los datos que la gente obtiene para resolver necesidades, los datos o la información que nos llega a condicionar decisiones y acciones. La recibimos y también la emitimos,
24
claramente con el objetivo de proporcionar o provocar cambios, con esto se puede informar, convencer, incluso engañar (Franganillo, 2009).
5.2 STACK MERN.
Por otro lado, existen herramientas de desarrollo para elaborar un módulo de la plataforma de ciencia de datos y salud mental como lo son: MONGODB, EXPRESS, REACT JS Y NODE JS, también conocido como el stack MERN. El stack MERN permitirá elaborar el módulo de una manera eficiente, en el cual se visualiza al usuario final toda la información o la interfaz gráfica. MONGODB es una base de datos de documentos que ofrece una gran escalabilidad y flexibilidad, y un modelo de consultas e indexación avanzado (Universidad Distrital Francisco José de Caldas, S.f), esta herramienta ayuda a integrar o almacenar toda la información de la persona que ingrese sus datos. EXPRESS es una infraestructura de aplicaciones web Node.js mínima y flexible que proporciona un conjunto sólido de características para las aplicaciones web y móviles (Express, 2021), esta herramienta ayuda a crear aplicaciones web en menos tiempo ya que proporcionan funcionalidades como el enrutamiento, opciones para gestionar sesiones y cookies, entre otras. REACT JS permitirá crear interfaces de usuario interactivas de forma sencilla. Diseña vistas simples para cada estado en tu aplicación, y React se encargará de actualizar y renderizar de manera eficiente los componentes correctos cuando los datos cambien, de igual forma, se crean componentes encapsulados que manejen su propio estado, y los convierte en interfaces de usuario complejas (React, S.f), en este caso esta herramienta ayudará para la visualización de la aplicación web que se desarrollará, es decir, el usuario final interactúa con la página, a esto se le denomina frontend, y finalmente se encuentra NODE JS que es un entorno de código abierto (Open Source), multiplataforma y que ejecuta el código JavaScript fuera de un navegador (Wild Code School, 2021). Y es precisamente la necesidad de ejecutar este lenguaje del lado del servidor el que hace surgir Node.js.
25
6. ESTADO DEL ARTE
Este proyecto contiene dos áreas fundamentales que se catalogan como bases de respaldo para el mismo. En primera instancia, tenemos la ciencia de datos y la salud mental, básicamente este campo no contiene muchas investigaciones previas en donde se relacionen ambos temas, se tratan los dos temas por aparte. Sin embargo, a pesar de esto, se encontraron 5 documentos en los que se logran relacionar ambas áreas. En uno de los 5 documentos se explica realmente el proceso mediante en el que se obtiene la relación entre la ciencia de datos y la salud mental, mediante dispositivos que capturan variables fenotípicas, obteniendo de esta manera diferentes datos de una persona como lo es la variación del sueño, signos vitales, etc… (McIntosh & Russ, 2019). De igual manera, personal view (McIntosh et al., 2016) habla de la necesidad de usar la ciencia de datos en la salud mental hoy en día. La ciencia de datos permite predecir el tiempo y recursos necesarios en temas de salud mental (C, S. & M, S., 2019) y el aporte puede ir desde crear un modelo predictivo (C, S. & M, S., 2019) hasta grandes innovaciones como el hecho de monitorear la salud mental de una persona desde sus actividades diarias, gracias a los avances de la tecnología (Naslund, 2019). Ahora, hablando específicamente de la anonimización de datos, en este campo, las investigaciones a lo largo del tiempo han sido más fructíferas, pero en los últimos 4 años solo se encontraron 17 documentos, 4 de ellos aplicados al mismo campo. Como se ha mencionado a lo largo del documento, el rol que juega la anonimización en nuestro proyecto es realmente importante. Recordando que el principal objetivo de la publicación de datos que preserva la privacidad, es proteger la información privada en los datos, mientras que los datos siguen siendo útiles para algunas aplicaciones previstas (Li et al., 2011), hay quienes afirman que los datos abiertos aumentan la transparencia de la investigación y pueden considerarse una característica esencial de la ciencia (Hasanzadeh, 2020), además de esto, deja la oportunidad para que los algoritmos de aprendizaje automático capturen patrones útiles de los datos (Girka, 2021). Actualmente, existen diversas técnicas para poder llevar a cabo la anonimización de datos, pero las investigaciones no se frenan ahí solamente, hay tres documentos que explican técnicas de anonimización poco comunes, implementadas actualmente para poder ejercer la anonimización, en uno de ellos se habla de grafos para anonimizar datos con atributos de múltiples tipos (Wang & Li, 2018), de este mismo modo, en otro artículo se habla de un nuevo protocolo, en el cual no se restringe de los métodos de anonimización y no requiere de un canal privado (entre los poseedores de los datos y los recolectores de los datos) (Kim & Chung, 2019), por último, se habla de un nuevo enfoque de anonimización secuencial basado en atributos sensibles restringidos (RSA-SA) para la publicación de flujos de datos que preservan la privacidad (Abdelhameed & Moussa, 2019).
26
Las áreas de aplicación de las técnicas de anonimización de datos son muy variadas hoy en día, las entidades que recopilan información del usuario son bastante amplias, incluyendo el área de salud, en donde la privacidad del paciente es importante y al mismo tiempo la obtención de datos como códigos de diagnóstico y datos demográficos (Puri et al., 2019); por otra parte, también se han hecho investigaciones para mantener la privacidad de los datos para los registros de salud electrónicos que difiere de los enfoques existentes en su capacidad para evitar la divulgación de identidad incluso frente a adversarios que tienen los conocimientos previos pertinentes (Majeed, 2019). Finalmente, acorde a la información obtenida con los documentos y/o textos consultados anteriormente, podemos deducir que el campo de la ciencia de datos y la salud mental es un campo que requiere de personal, ya que, si hay algo en lo que coinciden los 5 documentos referenciados, es que trae numerosas ventajas para la humanidad, ya sea en la rapidez de detección de trastornos mentales, y atención clínica. En cuanto a la anonimización de datos, es un proceso que se debería aplicar en casi todas las actividades que requieran obtención de datos, ya que sea cual sea el campo, siempre se necesitará salvaguardar la información de la gente, ya sea con fines éticos, y/o obtener una investigación más “limpia” y sin datos innecesarios.
27
7. METODOLOGÍA
En el presente proyecto o trabajo de investigación se utilizará la metodología ágil SCRUM, ya que es una metodología flexible que permite ajustar el proyecto al propósito del trabajo, además ofrece muchas ventajas para el desarrollo de la aplicación.
7.1 FASES DEL PROYECTO
Análisis de sistemas y requisitos: En esta fase, se procede a extraer los requisitos del módulo de pruebas psicotécnicas para la plataforma mental data, luego de ello, se plasmarán en un documento ERS (Especificación de requerimientos del sistema) (INTELEQUIA, 2020).
Diseño y arquitectura del software: Se determina cómo funciona de forma general, es decir, se hacen respectivas consideraciones sobre la red, los casos de uso, el hardware, entre otros. La arquitectura, por lo general, siempre representa la primera decisión sobre el sistema, además de que es uno de los puntos más importantes durante todo el proceso de desarrollo del proyecto, en este caso, el módulo de desarrollo de pruebas psicotécnicas (Solera, 2020).
Desarrollo, Programación e Implementación: Se realizan los distintos procesos y estructuras que se han definido para el sistema. La complejidad y la duración de esta etapa no es exacta, ya que viene de la mano al lenguaje de programación que se esté usando (INTELEQUIA, 2020).
Pruebas y Revisión: Se realiza la respectiva validación del software para comprobar que funcione correctamente con las tareas indicadas, igualmente, detecta las disconformidades de los trabajadores, los clientes y los errores. Las revisiones, son consideradas como la oportunidad perfecta para ejecutar desde el principio del desarrollo, las medidas necesarias para asegurar la calidad del sistema (Solera, 2020)
7.2 INSTRUMENTOS O HERRAMIENTAS UTILIZADAS
Para el desarrollo del módulo de desarrollo de pruebas psicotécnicas para la plataforma mental data, utilizando MERN STACK, se usará el conjunto de subsistemas de software para el desarrollo de aplicaciones, y páginas web dinámicas, que están basadas, cada una de estas en el popular lenguaje de programación conocido como JavaScript.
● MongoDB ● Express JS ● React ● Node JS ● Visual Studio Code
28
8. IDENTIFICACIÓN DE ELEMENTOS DEL MÓDULO DE DESARROLLO DE
PRUEBAS PSICOTÉCNICAS
Figura 1. Historia de usuario número uno. [Fabián Sandoval y Esteban Muñoz]
La identificación del primer elemento que debe tener el módulo de desarrollo de pruebas psicotécnicas se realizó gracias a la elaboración de la historia de usuario número 1 (figura 1), el cual permite dar a entender que se requiere de un Login para ingresar debidamente al módulo.
29
Figura 2. Historia de usuario número dos. [Fabián Sandoval y Esteban Muñoz]
La identificación del segundo elemento que debe tener el módulo de desarrollo de pruebas psicotécnicas se realizó gracias a la elaboración de la historia de usuario número dos (figura 2), el cual permite dar a entender que se requiere de un Log In para registrarse debidamente en el módulo.
30
Figura 3. Historia de usuario número tres. [Fabian Sandoval y Esteban Muñoz]
La identificación del tercer elemento que debe tener el módulo de desarrollo de pruebas psicotécnicas se realizó gracias a la elaboración de la historia de usuario número tres (figura 3), el cual permite dar a entender que el paciente debe diligenciar un formulario, ya estando debidamente logueado en el módulo.
31
Figura 4. Historia de usuario número cuatro. [Fabian Sandoval y Esteban Muñoz]
La identificación del cuarto elemento que debe tener el módulo de desarrollo de pruebas psicotécnicas, se realizó gracias a la elaboración de la historia de usuario número cuatro (figura 4), el cual permite dar a entender que se requiere de un apartado de edición de datos personales, que se podrá realizar estando debidamente registrado y logueado en el módulo.
32
Figura 5. Historia de usuario número cinco. [Fabian Sandoval y Esteban Muñoz]
La identificación del quinto elemento que debe tener el módulo de desarrollo de pruebas psicotécnicas, se realizó gracias a la elaboración de la historia de usuario número cinco (figura 5), el cual permite dar a entender que el módulo, debe ser capaz de permitirle al usuario recuperar su contraseña, para lo cual el usuario deberá estar debidamente registrado en el sistema.
33
Figura 6. Historia de usuario número seis. [Fabian Sandoval y Esteban Muñoz].
La identificación del sexto elemento que debe tener el módulo de desarrollo de pruebas psicotécnicas, se realizó gracias a la elaboración de la historia de usuario número seis (figura 6), el cual permite dar a entender que el módulo, debe ser capaz de permitirle al terapeuta, crear formularios para los pacientes del módulo.
34
Figura 7. Historia de usuario número siete. [Fabian Sandoval y Esteban Muñoz].
La identificación del séptimo elemento que debe tener el módulo de desarrollo de pruebas psicotécnicas, se realizó gracias a la elaboración de la historia de usuario número siete (figura 7), el cual ilustra que el terapeuta puede editar un formulario ya creado.
35
Figura 8. Historia de usuario número ocho. [Fabian Sandoval y Esteban Muñoz].
La identificación del octavo elemento que debe tener el módulo de desarrollo de pruebas psicotécnicas, se realizó gracias a la elaboración de la historia de usuario número ocho (figura 8), el cual ilustra que el administrador puede tener total facultad de eliminar usuarios registrados en el módulo, siempre y cuando sea para hacer una correcta gestión del mismo.
36
9. ELEMENTOS DEL MÓDULO DE DESARROLLO DE PRUEBAS
PSICOTÉCNICAS
Para ilustrar de manera óptima, sencilla e idónea cómo se llevó a cabo la elaboración del módulo de pruebas psicotécnicas, se ha dividido en diferentes elementos, los cuales permiten evidenciar la composición del módulo, y así dar a entender su funcionamiento interno.
9.1 ARQUITECTURA
Figura 9. Arquitectura del módulo de desarrollo de pruebas psicotécnicas. [Fabián Sandoval y Esteban Muñoz.]
La arquitectura del módulo de desarrollo de pruebas psicotécnicas, está dividida en 3 partes como se ilustra en la figura 9. Directamente desde un terminal cualquiera, la persona puede entenderse con el apartado del frontend, el cual está basado en REACT junto con idiomas como lo son HTML, css, JavaScript y frameworks como (Material UI y Ant Design), además de contar con menús desplegables, imágenes, íconos y diferentes elementos gráficos que le permiten al usuario interactuar y hacer inmersión con el módulo en general. En la capa del “medio” que se muestra en la figura 1, se observa directamente lo que se denomina “Autenticación de usuarios”, junto con un AGENTE ETL que es el encargado de hacer gestión de extracción, carga y transformación de datos en el módulo de desarrollo de pruebas psicotécnicas, que en otras palabras es el responsable de “mover” los datos del módulo a una base de datos; dicha capa está inspirada en Node Js junto con Express Js y Jwt en cuanto a los controladores se refiere. Por último, en la capa del backend, comprende a MONGO para poder guardar los datos que suministra el usuario, la transición de estos datos se hace por medio del AGENTE ETL explicado
37
anteriormente, que mantiene los datos a través de un archivo .xlsx, y así mismo son trasladados a una base datos de modelo NOSQL como lo es MONGO.
9.2 DIAGRAMA DE COMPONENTES.
Figura 10. Diagrama de componentes del módulo de desarrollo de pruebas psicotécnicas. [Fabián Sandoval y Esteban Muñoz.]
Haciendo referencia a lo ilustrado en la figura 10, tal cual como se observa en la imagen, hay 3 paquetes principales denominados, frontend, backend y bbdd, cada componente está conformado con sus respectivos paquetes. Este diagrama permite dar a entender cómo es la composición del módulo de desarrollo de pruebas psicotécnicas, en cuanto a código se refiere, carpetas y organización interna del mismo. Como se puede observar en la figura, partimos desde la base de datos, que
38
posee comunicación con el backend del módulo mediante el archivo app.js, este es el que permite comunicación entre ambas partes. Ahora, por medio de la carpeta Modules, se permite el envío de archivos a la carpeta Controllers, y estos a su vez permiten enviar datos a Routers, que es la carpeta con los archivos necesarios para poder crear como tal el api del frontend y es la que a su vez permite la distribución de los datos o la información al resto del frontend, siendo la carpeta Pages la que permite como tal la visualización de estos datos.
9.3 DIAGRAMA DE DESPLIEGUE.
Figura 11. Diagrama de despliegue del módulo de desarrollo de pruebas psicotécnicas. [Fabián Sandoval y Esteban Muñoz.]
La figura 11, ilustra de manera detallada cómo se haría el despliegue del módulo de desarrollo de pruebas psicotécnicas de mental data. El despliegue de la base de datos, se realiza por medio de un servidor MongoDB. El backend se despliega desde un servidor express.js que simultáneamente se encuentra ubicado en un sistema operativo Linux. Por último, el despliegue del apartado del frontend, se realiza por medio de un servidor REACT.
39
9.4 MODELO DE DATOS
Figura 12. Modelo de datos del módulo de desarrollo de pruebas psicotécnicas. [Fabián Sandoval y Esteban Muñoz.]
La estructura de datos bajo la que está la base de datos de este proyecto, se puede ilustrar con la ayuda de la figura doce. Este diagrama muestra la conexión que existe entre los usuarios creados en la base de datos del servidor MongoDB, junto con los datos que deberán ser adjuntados en la misma. Inicialmente se tendrán tres formularios dentro del módulo, dichos datos se enviarán a través de un Excel (figura 1) que generará cada formulario contenido en el módulo.
40
10. MÓDULO DE DESARROLLO DE PRUEBAS PSICOTÉCNICAS
Figura 13. Apartado de Sign In del módulo. [Fabián Sandoval y Esteban Muñoz].
La figura 13 muestra cómo el usuario ve el módulo, cuando está ubicado en el apartado de Inicio de sesión.
Figura 14. Apartado de Sign up del módulo. [Fabián Sandoval y Esteban Muñoz].
La figura 14 ilustra el apartado de registro de usuarios cuando el usuario se quiera registrar (valga la redundancia) en el módulo.
41
Figura 15. Apartado de Sign up del módulo cuando un usuario es creado. [Fabián Sandoval y Esteban Muñoz].
La figura 15 ilustra la validación correcta cuando un usuario se registra completa y satisfactoriamente dentro del módulo.
Figura 16. Apartado de Sign in del módulo cuando un usuario ingresa satisfactoriamente. [Fabián Sandoval y Esteban Muñoz].
La figura 16 da idea de cómo se ve el módulo cuando el usuario inicia sesión de manera satisfactoria dentro del módulo.
42
Figura 17. Home del módulo. [Fabián Sandoval y Esteban Muñoz].
Como se ilustra en la figura 17, el apartado de Home del módulo, contiene una bienvenida, logo de la universidad, y acceso a las pestañas “formularios” y “usuarios”, y un botón para cerrar sesión. Cabe aclarar que el acceso a la pestaña “usuarios” solo lo tiene el rol autorizado para ello (Administrador).
Figura 18. Apartado de “formularios” del módulo. [Fabián Sandoval y Esteban Muñoz].
La visualización de los formularios disponibles en el módulo, se ilustra en la figura 18. En este caso específico, es la vista del terapeuta ya que le permite crear nuevos formularios.
43
Figura 19. Creación y/o edición de formularios. [Fabián Sandoval y Esteban Muñoz].
La vista para la creación y/o edición de formularios ilustrada en la figura 19. Esta vista es exclusiva del rol de terapeutas.
Figura 20. Diligenciamiento de formularios. [Fabián Sandoval y Esteban Muñoz].
El diligenciamiento de los formularios se ilustra en la figura 20, esta vista es exclusiva del rol de pacientes.
44
Figura 21. Archivo .xlsx arrojado por el módulo al llenar el formulario. [Fabián Sandoval y Esteban Muñoz].
La obtención de la información suministrada por el paciente en el diligenciamiento de los formularios, se realiza por medio de archivos .xlsx como se muestra en la figura 21.
45
11. CONCLUSIONES
Acorde al trabajo realizado y/o desarrollado en el transcurso del proyecto, mediante la concertación entre los participantes del mismo, se pudieron llegar a las siguientes conclusiones:
● El desarrollo del proyecto se llevó a cabo con tecnologías de tendencia mundial a la fecha, lo cual le da eficacia al proyecto. Del mismo modo, estas tecnologías permiten que el proyecto tenga posibilidades de escalabilidad a futuro, ya que la salud mental es un área muy poco investigada, por ende, si se quiere ampliar el alcance de la plataforma que abarca este módulo, las tecnologías usadas en el mismo, permiten su correcto escalamiento, teniendo a su vez una gestión ética de los datos.
● Las reuniones con el equipo de psicología asociado, se cumplieron de acuerdo a lo establecido tanto en los objetivos específicos, como con los sprint previamente fijados en el cronograma del proyecto con la metodología implementada, permitiendo un desarrollo eficaz del proyecto.
● La caracterización del paciente se lleva a cabo de manera correcta, gracias a los diferentes formularios que decida implementar el terapeuta, para así obtener un diagnóstico del paciente muy certero y preciso.
● Los parámetros y métricas de SCRUM son ideales y precisos para la elaboración de este tipo de proyectos de desarrollo web, ya que permiten una correcta organización y ejecución de los mismos, generando así un plus de orden a la tesis.
● Los atributos de calidad requeridos para este proyecto fueron correctamente tenidos en cuenta para la elaboración del mismo. La seguridad del módulo se aprecia mediante la implementación de una base de datos en MongoDB, y un registro de usuarios con diferentes roles para protección de información. La usabilidad del módulo es vista con la interfaz de usuario muy intuitiva, además de colores agradables a la vista. Por último, la escalabilidad se da gracias a los formularios que puede seguir implementando el terapeuta, y así mismo las tecnologías del stack MERN usadas que permiten la ampliación de dicho módulo.
● Basado en nuestras investigaciones, consideramos importante que la facultad tenga en cuenta materias o electivas sobre la anonimización de datos, el uso de stack MERN, entre otros, contemplando que son temas que con el pasar de los días, van tomando fuerza en la actualidad.
46
12. TRABAJOS FUTUROS
Sobre la continuación de este proyecto en un futuro, cabe aclarar que tanto esta
tesis como cualquier otro proyecto de investigación, tiene y/o posee diferentes
líneas de investigación que permanecen abiertas y en las cuales se puede seguir
trabajando.
En el proceso de desarrollo de este trabajo, se han dado a lugar algunas líneas que
han quedado abiertas y esperamos que puedan ser tomadas en cuenta en el futuro.
Algunas de ellas, están relacionadas de manera muy directa con esta tesis, y cabe
aclarar que son el resultado de cuestiones que surgieron durante la realización de
la misma. Otras, por otra parte, son líneas más generales que de alguna u otra
manera no son objeto y/o tema de este proyecto, pero pueden ser utilizadas para
ser retomadas posteriormente como opción de trabajos futuros para otros
investigadores.
A continuación, se describen algunos proyectos que pueden dar cabida a la
continuación de este proyecto, ya sea como resultado de la investigación y
desarrollo de este módulo de desarrollo pruebas psicotécnicas para la plataforma
mental data, o porque no han podido ser tratados con la suficiente profundidad.
Entre estos proyectos, se destacan:
● Inclusión de nuevos formularios en la plataforma, para de esta manera
evaluar de una forma más amplia al paciente y obtener diferentes
perspectivas respecto a su diagnóstico.
● Migración de los datos salvaguardados en el servidor MongoDB, a un
servidor que maneje un modelo SQL y permita una asociación más amigable
y factible al momento de evaluar un paciente, esto acorde a los alcances que
pueda llegar a tener la plataforma en un futuro.
● Envío de archivos obtenidos de los formularios, mediante otro tipo de
extensiones, no solamente .xlsx.
● Implementación de roles dentro de la plataforma para una gestión más
segura y eficaz.
● Inclusión de la función de editar los datos del paciente.
47
13. REFERENCIAS
● Abdelhameed, & Moussa. (2019). Restricted Sensitive Attributes-
based Sequential Anonymization (RSA-SA) approach for privacy-
preserving data stream publishing, Knowledge-Based Systems (Vol.
164). ScienceDirect. https://doi.org/10.1016/j.knosys.2018.08.017
● Agencia española de protección de datos. (2019, 12). Orientaciones y
garantias en los procedimientos de anonimizacion de datos
personales. https://www.aepd.es/sites/default/files/2019-12/guia-
orientaciones-procedimientos-anonimizacion.pdf
● Ayuda Ley Protección Datos. (2019, 04 29). Anonimización de datos
personales – ¿Qué es?
https://ayudaleyprotecciondatos.es/2019/04/29/anonimizacion-datos-
personales/
● Banco Interamericano de Desarrollo. (2019). La Gestión Ética de los
Datos. http://dx.doi.org/10.18235/0001623
● Barocas, & Selbst. (2016). Big Data’s Disparate Impact.
http://dx.doi.org/10.15779/Z38BG31
● BBC News. (2008). Hacker leaks 6m Chileans' records. BBC News.
http://news.bbc.co.uk/2/hi/americas/7395295.stm
● Benito, A. (2020, 01 28). ¿Qué es el consentimiento informado y cómo
se puede firmar? viafirma. Retrieved 05 13, 2021, from
https://www.viafirma.com/blog-xnoccio/es/que-es-consentimiento-
informado-y-como-se-firma/
48
● Biblioguías. (2020, 12 18). ¿Qué es la anonimización? CEPAL.
https://biblioguias.cepal.org/c.php?g=495473&p=4961125
● Botto, A., Acuña, J., & Jiménez, J. P. (2014, Octubre). La depresión
como un diagnóstico complejo. Implicancias para el desarrollo de
recomendaciones clínicas. Revista médica de Chile.
https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0034-
98872014001000010
● Burell, J. (2016). How the machine ‘thinks’: Understanding opacity in
machine learning algorithms. Sage Journals.
https://doi.org/10.1177/2053951715622512
● C, S., & M, S. (2019). Data Science in Public Mental Health: A New
Analytic Framework. Scopus.
https://doi.org/10.1109/ISCC47284.2019.8969723
● C, S., & M, S. (2019). Predictive Modelling in Mental Health: A Data
Science Approach. Scopus.
https://doi.org/10.1109/CSUDET47057.2019.9214626
● CNIL. (S.f). Règlement européen sur la protection des données
personnelles.
https://www.cnil.fr/sites/default/files/atoms/files/pdf_6_etapes_interact
ifv2.pdf
● DANE. (2018). Guía para la anonimización de bases de datos en el
Sistema Estadístico Nacional.
49
https://www.dane.gov.co/files/sen/registros-administrativos/guia-
metadatos.pdf
● DSM5. (n.d.). Trastornos de ansiedad. Trastornos de ansiedad.
http://www.bibliopsi.org/docs/carreras/obligatorias/CFP/psicoterapias/
etchevers/1%20primer%20cuatri%202020/DSM%205%20-
%20Trastornos%20de%20ansiedad.pdf
● Express. (S.f). Express. https://expressjs.com/es/
● Franganillo, J. (2009, 7 4). Gestión de información personal:
elementos, actividades e integración. https://franganillo.es/gip.pdf
● Girka, A. (2021). Anonymization as homeomorphic data space
transformation for privacy-preserving deep learning (Vol. 180).
ScienceDirect. https://doi.org/10.1016/j.procs.2021.01.337
● Grupo Adaptalia. (2019, 07 01). Anonimización de datos personales:
principios y fases. https://www.grupoadaptalia.es/blog/articulos-
explicativos-legales/anonimizacion-de-datos-personales/
● Hasanzadeh, K. (2020). A context sensitive approach to anonymizing
public participation GIS data: From development to the assessment of
anonymization effects on data quality (Vol. 13). ScienceDirect.
https://doi.org/10.1016/j.compenvurbsys.2020.101513
● helpsystems. (S.f). ¿Qué es RGPD (o GDPR)? helpsystems.
Retrieved Abril 19, 2021, from
https://www.helpsystems.com/es/recursos/articulo/que-es-gdpr
50
● IBM. (2020). Modelos estadísticos. IBM. Retrieved 2021, from
https://www.ibm.com/docs/es/spss-modeler/SaaS?topic=nodes-
statistical-models
● Instituto Nacional de Salud. (2020). Boletín Epidemiológico Nacional.
https://www.ins.gov.co/buscador-
eventos/BoletinEpidemiologico/2020_Boletin_epidemiologico_seman
a_18.pdf
● INTELEQUIA. (2020, 11 28). CICLO DE VIDA DEL SOFTWARE:
TODO LO QUE NECESITAS SABER.
https://intelequia.com/blog/post/2083/ciclo-de-vida-del-software-todo-
lo-que-necesitas-saber
● Kim, S., & Chung, Y. D. (2019). An anonymization protocol for
continuous and dynamic privacy-preserving data collection (Vol. 93).
ScienceDirect. https://doi.org/10.1016/j.future.2017.09.009
● Kupersmith, J. (2013). The Privacy Conundrum And Genomic
Research: Re-Identification And Other Concerns. HealthAffairs.
https://www.healthaffairs.org/do/10.1377/hblog20130911.034137/full/
● Li, J., Liu, J., & Baig, M. (2011). Information based data anonymization
for classification utility (12th ed., Vol. 70). ScienceDirect.
https://doi.org/10.1016/j.datak.2011.07.001
● López Sevillano, A. M., & Bolívar, H. (2020, 11 06). Violencia de pareja
y depresión en la pandemia. Pensar la ciudad.
51
https://pensarlaciudad.udistrital.edu.co/miradas-de-ciudad/violencia-
de-pareja-y-depresion-en-la-pandemia
● Majeed, A. (2019). Attribute-centric anonymization scheme for
improving user privacy and utility of publishing e-health data (Vol. 31).
ScienceDirect. https://doi.org/10.1016/j.jksuci.2018.03.014
● McIntosh, & Russ. (2019). How data science can advance mental
health research. Scopus. https://doi.org/10.1038/s41562-018-0470-9
● McIntosh, A. M., Stewart, R., John, A., Smith, D., & Davis, K. (2016).
Data science for mental health: a UK perspective on a global challenge
(Vol. 3). Scopus. 10.1016/S2215-0366(16)30089-X
● Ministerio de Salud de Colombia. (2016). LINEAMIENTOS PARA LA
ANONIMIZACIÓN DE DATOS DEL SISTEMA NACIONAL DE
ESTUDIOS Y ENCUESTAS POBLACIONALES PARA LA SALUD.
https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/
ED/GCFI/lineamientos-anonimizacion-sistema-encuestas.pdf
● Ministerio de salud de Colombia. (2017, 03 01). Boletín de salud
mental depresión Subdirección de Enfermedades No Transmisibles.
Ministerio de salud de Colombia. Retrieved 03 09, 2021, from
https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/
PP/ENT/boletin-depresion-marzo-2017.pdf
● Naslund, J. A. (2019). Digital Innovations for Global Mental Health:
Opportunities for Data Science, Task Sharing, and Early Intervention
(4th ed., Vol. 6). Scopus. https://doi.org/10.1007/s40501-019-00186-8
52
● OECD. (2013). Recommendation of the Council concerning Guidelines
governing the Protection of Privacy and Transborder Flows of Personal
Data (2013). https://www.oecd.org/sti/ieconomy/2013-oecd-privacy-
guidelines.pdf
● OMS. (S.f). Depresión. Organización Mundial de la Salud.
https://www.who.int/topics/depression/es/#:~:text=La%20depresi%C3
%B3n%20es%20un%20trastorno,cansancio%20y%20falta%20de%2
0concentraci%C3%B3n.
● OMS. (S.f). Día Mundial de la Salud Mental 2017 – La salud mental en
el lugar de trabajo. Organización Mundial de la Salud.
https://www.who.int/mental_health/world-mental-health-day/2017/es/
● OMS & OPS. (2017). Estimaciones mundiales y regionales de
prevalencia. depresión y otros trastornos mentales comunes.
https://iris.paho.org/bitstream/handle/10665.2/34006/PAHONMH1700
5-spa.pdf
● OPS. (2017, 03 30). "Depresión: hablemos", dice la OMS, mientras la
depresión encabeza la lista de causas de enfermedad. Organización
Panamericana de la Salud.
https://www.paho.org/hq/index.php?option=com_content&view=articl
e&id=13102:depression-lets-talk-says-who-as-depression-tops-list-of-
causes-of-ill-health&Itemid=1926&lang=es
53
● Oracle. (2021). ¿Qué es la ciencia de datos? Oracle. Retrieved Abril,
2021, from https://www.oracle.com/co/data-science/what-is-data-
science/
● Posada, J., Buitrago, J., Barreto, M., & Ospina, M. (2006, Agosto 24).
Trastornos de ansiedad según distribución por edad, género,
variaciones por regiones, edad de aparición, uso de servicios, estado
civil y funcionamiento/discapacidad según el Estudio Nacional de
Salud Mental-Colombia. Trastornos de ansiedad según distribución
por edad, género, variaciones por regiones, edad de aparición, uso de
servicios, estado civil y funcionamiento/discapacidad según el Estudio
Nacional de Salud Mental-Colombia.
https://www.researchgate.net/publication/312893159_Trastornos_de
_ansiedad_segun_distribucion_por_edad_genero_variaciones_por_r
egiones_edad_de_aparicion_uso_de_servicios_estado_civil_y_funci
onamientodiscapacidad_segun_el_Estudio_Nacional_de_Salud_Men
ta
● Puri, V., Sachdeva, S., & Kaur, P. (2019). Privacy preserving
publication of relational and transaction data: Survey on the
anonymization of patient data (Vol. 32). ScienceDirect.
https://doi.org/10.1016/j.cosrev.2019.02.001
● QuestionPro. (2021). Ejemplos de formularios en línea. QuestionPro.
Retrieved 05, 2021, from https://www.questionpro.com/es/ejemplos-
de-formularios-en-linea.html
54
● Radio NZ. (2018). Immigration dumps controversial deportation
analytical tool. RNZ.
https://www.rnz.co.nz/news/national/361199/immigration-dumps-
controversial-deportation-analytical-tool
● React. (S.f). React. https://es.reactjs.org/
● Red Hat. (2021). Qué son las API y para qué sirven. Red Hat.
Retrieved 05, 2021, from https://www.redhat.com/es/topics/api/what-
are-application-programming-interfaces
● Rioja Salud. (2021). Elaboración del Consentimiento informado. Rioja
Salud. Retrieved Mayo 11, 2021, from
https://www.riojasalud.es/profesionales/comite-asistencial-de-
etica/elaboracion-del-consentimiento-informado
● Salud.uy. (2017, 12). GUÍA DE DISOCIACIÓN Y ANONIMIZACIÓN
DE DATOS PERSONALES EN EL ÁMBITO DE LA SALUD.
https://centrodeconocimiento.agesic.gub.uy/documents/207224/4256
82/Gu%C3%ADa+de+disociaci%C3%B3n+y+anonimizaci%C3%B3n
+de+datos+personales+en+el+%C3%A1mbito+de+salud.pdf/18a171
07-fbcf-cbeb-38b8-387eb6eab119?download=true.
● Saul, J. (2013). Scepticism and Implicit Bias.
http://www.disputatio.letras.ulisboa.pt/wp-
content/uploads/2013/11/Saul_Jennifer-Scepticism-and-Implicit-
Bias.pdf
55
● Sisdoc. (2020, 12 10). Cómo es un proceso de captura de datos.
Sisdoc. Retrieved 05 12, 2021, from https://sisdoc.es/como-es-un-
proceso-de-captura-de-datos/
● Sistema único de información normativa. (2016). Decreto 1743 de
2016. Suin Juriscol. http://www.suin-
juriscol.gov.co/viewDocument.asp?ruta=Decretos/30027053
● Solera, S. (2020, 03 24). Conoce las fases de un proyecto de
desarrollo de software.
https://www.occamagenciadigital.com/blog/conoce-las-fases-de-un-
proyecto-de-desarrollo-de-software
● TechLib. (2021). Login.
https://techlib.net/definition/login.html#:~:text=Un%20inicio%20de%2
0sesi%C3%B3n%20es,accesoo%20frase%20de%20contrase%C3%
B1a.
● Universidad Distrital Francisco Jose de Caldas. (S.f). MongoDB.
http://tecnologicavirtual.udistrital.edu.co/proy-virtualidad/node/1465
● Wang, L.-E., & Li, X. (2018). A graph-based multifold model for
anonymizing data with attributes of multiple types. ScienceDirect.
https://doi.org/10.1016/j.cose.2017.09.003
● Wild Code School. (2021, 01 20). Node.
https://www.wildcodeschool.com/es-ES/blog/tipos-de-lenguajes-de-
programacion
