El mundo está viviendo los efectos de una pandemia de origen indefinido y alcance aún por determinar. Sus consecuencias y los esfuerzos que se están llevando a cabo para frenar sus efectos son profundamente sociales. Estos esfuerzos involucran la coordinación de grandes comunidades de científicos, gestores políticos y administrativos y de la ciudadanía (Adams y Light, 2020). Es importante comprender las dimensiones sociales que vertebran este empuje que está modificando el desarrollo de la investigación científica en un espacio muy breve de tiempo.

La descripción por medio de metadatos de la información científica y técnica, la normalización terminológica y conceptual a través de tesauros y lenguajes facetados propios de las Ciencias de la Salud, la minería de datos y el desarrollo de sistemas de información interoperables (a través de servicios REST y APIs, entre otros), ha provocado la generación ad hoc de una amplia variedad de fuentes de información específicas en torno al Coronavirus, no solo de artículos científicos sino también de casos clínicos, datos epidemiológicos, evidencias o patentes. Esta reacción en cadena de revistas biomédicas, editoriales, universidades, instituciones de investigación y empresas de desarrollo de inteligencia artificial (IA) ha derivado en una propagación de la información científica sobre el COVID-19 en paralelo a la del propio virus situando a los profesionales de la información en el centro de la pandemia informativa (Torres-Salinas 2020).

Con la intención de frenar esta crisis sanitaria global, revistas biomédicas del prestigio de New England Journal of Medicine, JAMA, Lancet, Nature, Science, Cell o British Medical Journal, entre otras, disponen en sus sedes webs de material bibliográfico propio publicado en acceso abierto. Las principales editoriales del ámbito de la salud también han creado espacios de información selectiva con ecuaciones de búsqueda predefinidas sobre los principales tópicos de la investigación relacionada con la pandemia y permiten aplicar varios conjuntos de filtros a los resultados. Ejemplos de estos espacios son Cambridge Coronavirus Free Access Collection, EBSCO Covid-19, Elsevier Coronavirus Research Repository, Emerald COVID 19, SAGE, Wiley COVID-19, Oxford University Press o Cochrane Coronavirus (COVID-19). Del mismo modo, algunos repositorios temáticos del campo de las Ciencias de la Salud también han seleccionado material bibliográfico (artículos y preprints) que tratan sobre el tema en cuestión, como por ejemplo ArXiv, MedRxiv, Biorxiv, Pubmed o la colección especial COVID-19 del CSIC (Vicepresidencia de Investigación Científica y Técnica).

Las grandes plataformas bibliográficas y buscadores académico-científicos también han dispuesto material bibliográfico sobre la COVID-19 aplicando ecuaciones de búsqueda predeterminadas y filtros, así como conjuntos de datos estructurados: Dimensions (https://covid-19.dimensions.ai), Kaggle (https://www.kaggle.com/covid19), Google Académico, Microsoft Academic y Semantic Scholar. También hay sistemas de búsqueda de información sobre patentes como Lens (https://about.lens.org/covid-19/) o casos clínicos en Kahun (https://coronavirus.kahun.com), además de lo dispuesto por los buscadores específicos de conjuntos de datos, como son, por ejemplo, Data World, Microsoft Research Open Data y Google Dataset Search. Asimismo, como era de esperar, las autoridades sanitarias en unión con universidades, centros de investigación y las sociedades más relevantes en este campo científico han desarrollado servicios informativos sobre el Coronavirus: National Institutes of Health (NIH), Centers for Disease Control and Prevention (CDC), Organización Mundial de la Salud (OMS/WHO), Utrecht University, Johns Hopkins University, American Society for Microbiology y Global Rheumatology Alliance.

La emergencia informativa sobre el virus no solo ha recaído en el ámbito científico sino también en el ámbito político y social, lo que justifica la proliferación de conjuntos de datos de distinto tipo, estructura, formato y cobertura produciendo una saturación en su identificación y gestión. Desde nuestro punto de vista, esto justifica la necesidad de abordar una diferenciación entre los mismos, clasificando los conjuntos de datos en tres tipos: estadísticos o epidemiológicos, servicios de búsqueda terminológicos o semánticos y conjuntos de datos bibliográficos. Los conjuntos de datos estadísticos o epidemiológicos se nutren de las series de datos aportadas por los estados y por las instituciones internacionales del ámbito de la salud. Esta información, a veces, no se dispone en formatos y estructuras limpias para su reutilización y esto ha hecho preciso del desarrollo de herramientas de visualización y actualización, que ayuden no solo a la toma de decisiones sino a la información social, creándose infografías y visualizaciones de datos útiles y provechosas no solo para médicos e investigadores sino también para los gestores de información y los profesionales de la comunicación (Callaghan, 2020). En este conjunto de recursos destaca ‘Information is Beautiful’, (https://informationisbeautiful.net/visualizations/covid-19-coronavirus-infographic-datapack) o el Centro de Recursos de Coronavirus de la Universidad John Hopkins (https://coronavirus.jhu.edu/map.html) cuyo mapa está enlazado a más de 200.000 sitios web y es el referente informativo de los medios de comunicación.

En el ámbito de las ciencias de la salud, la normalización terminológica y el uso de lenguajes controlados como tesauros y listas de términos encabezamientos de materia, como MESH (Medical Subject Headings) o DeCS (Descriptores en Ciencias de la Salud) en las revistas biomédicas, tienen un valor equiparable a la propia producción científica debido a que aumenta la eficiencia y precisión en la recuperación de información (Baumann, 2016). Por ello, los conjuntos de datos terminológicos (que pueden denominarse también como conceptuales o facetados) representan un eslabón fundamental en la gestión de información, como es el caso de CORD-19, y sus corpus documentales son la base para el desarrollo de motores de búsqueda basados en conceptos y mapas de relaciones entre ellos para ayudar a los usuarios en la búsqueda pertinente de información sobre el Coronavirus.

La creación de los conjuntos de datos abiertos generados en torno al Coronavirus puestos a disposición de la comunidad científica ha sido posible gracias a la implementación de muchas aplicaciones ya existentes para otros propósitos, permitiendo la explotación de la información sobre la pandemia y la posterior representación de su contenido (Fernández-Sellers y otros, 2019). Los conjuntos de datos bibliográficos recogen datos estructurados de investigación relativos a publicaciones científicas y de patentes cuyo contenido es agregado desde otros conjuntos de datos, repositorios o gestores de contenido bibliográfico. La diferencia entre unos y otros la marca el volumen de datos que contenga, destacando CORD-19 (COVID-19 Open Research Dataset, https://cord-19.apps.allenai.org) desarrollado desde el 16 de marzo de 2020 por The Allen Institute for Artificial Intelligence (AI2, centro de investigación impulsado por Paul Allen, cofundador de Microsoft) en colaboración con la Oficina de Política de Ciencia y Tecnología de Estados Unidos, la Biblioteca Nacional de Medicina (NLM), la iniciativa Chan Zuckerberg (promovida por Mark Zuckerberg, fundador de la red social Facebook y su esposa), Microsoft Research y el conjunto de datos Kaggle, bajo la coordinación del Centro de Seguridad y Tecnologías Emergentes de la Universidad de Georgetown (Wang y otros, 2020a).

Esta fuente agrega información semanalmente desde los repositorios PubMed, BioRxiv, MedRxiv y WHO/OMS. Existe una gran sinergia entre CORD-19 y el buscador semántico académico Semantic Scholar (proyecto también desarrollado en el instituto AI2, lanzado en el año 2015 aunque su verdadero punto de inflexión fue su asociación en 2018 con el buscador Microsoft Academic) que incluso permite la descarga del conjunto de datos en su página principal y que le ha ayudado a convertirse en el referente informativo para los investigadores durante esta pandemia (por el contrario, Google Scholar, motor mucho más desarrollado, no ha llevado a cabo algo parecido). Desde su lanzamiento, CORD-19 se ha descargado más de 75,000 veces y ha servido como base de muchos sistemas de minería y de descubrimiento de texto (Wang y otros 2020a). En su apartado bibliográfico tiene 65.000 artículos científicos disponibles, muchos de ellos en versión preprint y más de la mitad en acceso abierto.

Todo ello convierte a CORD-19 en uno de los conjuntos de datos más utilizados y referenciados entre las fuentes de información científicas creadas ad hoc sobre el Coronavirus. El objeto de su puesta en marcha es movilizar a los investigadores a aplicar los avances recientes en el procesamiento del lenguaje natural para generar nuevas ideas en apoyo de la lucha contra esta enfermedad infecciosa (Colavizza et at. 2020). Estos mismos autores describen a nivel cienciométrico el contenido de este conjunto de datos, obteniendo como conclusiones:

El conjunto de datos de la Universidad Johns Hopkins es la fuente de información estadística (epidemiológica) de referencia para consultar datos sobre el desarrollo de la pandemia. De forma paralela, y al mismo tiempo, CORD-19 se ha convertido en la principal fuente de referencia para la investigación, especialmente para acceder a los resultados de la investigación: fundamentalmente artículos. El esfuerzo desarrollado por la comunidad científica no tiene precedentes en volumen de producción y en la velocidad de transmisión: por ejemplo, Pubmed ha añadido publicaciones relacionadas diariamente desde primero de enero con un pico de 300 artículos en un solo día (Kousha y Thelwall, 2020). El volumen de información a manejar es ingente, el Big Data ayuda a los virólogos y a otros expertos en el manejo de la información estadística y en la identificación de posibles patrones de comportamiento en la evolución de la pandemia. En el otro lado, la sobrecarga informativa producida por la vasta producción científica será, en breve espacio de tiempo si no lo es ya, más un problema que una ayuda si no se disponen de herramientas informáticas que ayuden en la gestión y posterior recuperación de la información.

La investigación en la búsqueda de tratamientos eficaces contra el Coronavirus y de la anhelada vacuna ha movilizado investigadores en múltiples campos científicos, y los especialistas en recuperación de información, lejos de quedarse al margen, han ayudado de forma considerable en esta tarea: los cambios en la conducta y difusión de la ciencia crean desafíos para la recuperación de la información, el campo científico detrás de los motores de búsqueda (Roberts et al., 2020). La comunidad TREC-COVID surge con el objetivo de reunir equipos de investigación en recuperación de información para evaluar motores de búsqueda en tareas específicas e intentar reflejar los principales temas de interés de los usuarios de internet durante la pandemia y, al mismo tiempo, señala los principales documentos de trabajo sobre la COVID-19, sus síntomas, propagación, factores de riesgo y tratamientos (Dousset y Mothe, 2020).

En el campo de los buscadores web, una división muy simple establecería dos categorías: los terminológicos (en este grupo estarían los buscadores convencionales basados en el modelo vectorial y que alinean la respuesta en función de la similitud entre los términos de búsqueda y las palabras incluidas en los documentos) y los semánticos (que intentan llevar a cabo las búsquedas algo más en contexto y explorar las asociaciones de conceptos en la recuperación de la información). En el momento actual, en las circunstancias excepcionales provocadas por la pandemia, resulta complicado que los sistemas de búsqueda convencionales aporten soluciones rápidas y consistentes porque las funciones de similitud no permiten distinguir entre unos documentos de temática tan similar y no se dispone de la ayuda del factor de impacto y de las citas. Esto ha hecho rebrotar la importancia de la descripción de los documentos y conjuntos de datos en los repositorios científicos y también ha derivado en una apuesta clara y decidida de empresas e instituciones que trabajan con inteligencia artificial y minería de datos en la creación de herramientas de búsqueda específicas que apoyen a la investigación sobre el Coronavirus. Esta tremenda crisis sanitaria les ha permitido mostrar prototipos y desarrollos más avanzados que quizá no habían tenido la suficiente audiencia e interés hasta ahora. Ante la extensa producción científica (gran parte de ella no ha sido revisada por pares porque no ha habido tiempo), los investigadores precisan de un nuevo paradigma para la recuperación de información ya que están obligados a filtrar entre una inmensa plétora de resultados y no disponen de las herramientas precisas para ello. De hecho, los motores de búsqueda tradicionalmente empleados en ciencias de la salud (PubMed, por ejemplo) están diseñados para la recuperación de documentos y no permiten la recuperación por medio de expresiones de búsqueda literales (o por frase exacta) posibilidad muy interesante en este entorno porque pueden servir como evidencias textuales que resultan ser clave para tareas como la generación de hipótesis y la validación de nuevos hallazgos (Wang y otros, 2020b).

El reto asumido por los desarrolladores de estos sistemas de búsqueda es tremendo, no solo por el inmenso número de documentos a procesar ni por el hecho de trabajar, al mismo tiempo, con contribuciones científicas revisadas, preprints y una heterogénea documentación de fuentes oficiales de naturaleza muy cambiante. El problema principal a resolver es más de fundamentos: estos cambios en la conducta y difusión de la ciencia crean desafíos para la recuperación de información. La recuperación de información persigue buscar rápidamente a través de una gran colección de documentos (corpus) para encontrar información relevante que satisfaga una necesidad informativa. Los objetivos biomédicos y de investigación en salud van, desde la promoción del descubrimiento científico hasta el apoyo a la toma de decisiones clínicas para abordar las necesidades de salud de los ciudadanos y combatir la información errónea. Todos estos son, por supuesto, altamente relevantes en una pandemia (Roberts y otros, 2020). Armonizar las prestaciones de los sistemas de recuperación de información con las necesidades de los investigadores y profesionales de ciencias de la salud es un verdadero desafío. Y comprobar cómo se ha llevado a cabo esta tarea constituye el principal objeto de este trabajo, junto con la identificación y clasificación de los desarrollos más relevantes en el ámbito de la recuperación de información puestos en marcha para ayudar en la búsqueda de la ansiada vacuna y/o tratamientos contra la enfermedad.

Para abordar este estudio se localizaron a través de los buscadores de conjuntos de datos Data World, Kaggle, Microsoft Research Open Data y Google Dataset Search, aquellos que agregan contenido desde CORD-19. También se seleccionaron motores de búsqueda o herramientas de recuperación de información que usan ese corpus documental. Además se consultó CORD-19 desde el sistema Semantic Scholar (https://www.semanticscholar.org/cord19) que indica las fuentes y recursos desarrollados bajo este conjunto de datos, así como su foro donde se van indicando los últimos desarrollos (https://discourse.cord-19.semanticscholar.org/t/cord-19-demos-and-resources/132).

Una vez identificadas las fuentes creadas de forma específica para gestionar información sobre la pandemia basadas en CORD-19, se procedió a categorizarlas como conjunto de datos o motor de búsqueda. Este segundo subconjunto es donde se ha centrado nuestra atención posteriormente, analizando la implementación de estos sistemas de recuperación por medio del estudio de su tipología (convencionales o semánticos) y determinando sus principales características en la línea de verificar la hipótesis de trabajo: la tecnología semántica se ha convertido en el principal aliado del científico para recuperar información en temas relacionados con la COVID-19. La Tabla I (ver anexo) recoge la relación de los 27 sistemas analizados, la mayoría de ellos desarrollados en Estados Unidos (13, 10 en centros de i+d y 3 en empresas), y en Europa (10, 4 en centros de i+d y 6 en empresas). La segunda de las columnas recoge información sobre la tipología de buscador implementado.

Se identificaron más de una cuarentena de conjuntos de datos y desarrollos de motores de búsqueda relevantes basados en CORD-19 realizados por universidades, instituciones y empresas de inteligencia artificial, dentro de este conjunto general, 27 son sistemas de recuperación de información. Destaca enormemente el trabajo del instituto AI2 que no solo ha participado activamente en el desarrollo del corpus CORD-19, lo ha alojado como una fuente de información más en el buscador semanticscholar y además ha implementado cuatro sistemas de búsqueda de tres categorías diferentes: ‘Scifact’ a modo de buscador convencional que emplea el modelo vectorial para calcular la similitud entre la ecuación de búsqueda (una frase del tipo ‘Mass masking reduces COVID-19 transmission rates’) y los resúmenes de los artículos del corpus documental; ‘Scisight’ herramienta de visualización de información que explora asociaciones entre cohortes de los principales investigadores médicos y las facetas (conceptos) que aparecen en el corpus, además de los vínculos existentes entre las proteínas, células, genes y enfermedades (Pahins y otros, 2019); ScispaCy, herramienta para descargar que analiza artículos y visualiza enlaces entre los descriptores, los nombres de instituciones y dependencias entre los términos. Finalmente, ha desarrollado ‘SPIKE-CORD’, herramienta de procesamiento de lenguaje natural optimizado que combina búsquedas booleanas, por expresiones regulares y análisis de la estructura sintáctico-semántica de los textos permitiendo hacer coincidir los gráficos lingüísticos que subyacen en el texto (en este proyecto participa también la Universidad de Bar-Ilán de Israel). Estas tres tipologías de sistemas de búsqueda van a servir para agrupar los sistemas identificados y proceder a su presentación.

El volumen de la producción científica y de documentación técnica generada en torno a la COVID-19 ha requerido de métodos automatizados para su análisis y síntesis. La comunidad editorial e informática ha estado a la altura de las circunstancias con el desarrollo de un amplio conjunto de motores y sistemas de búsqueda diseñados para servir a los investigadores.

El éxito del conjunto de datos CORD-19 se materializa no solo en la cantidad de fuentes que lo utilizan sino también en el amplio número de buscadores terminológicos y semánticos desarrollados aprovechando su corpus gracias a su rápida disposición en alojadores y buscadores de conjuntos de datos, como es Kaggle. El soporte proporcionado por el motor ‘Semantic Scholar’ de AI2 y Microsoft, ha permitido una mayor difusión y explotación de la literatura de CORD-19, convirtiéndose así en el referente en las búsquedas bibliográficas. No solo Microsoft ha aportado esfuerzos al desarrollo de la investigación contra la pandemia, algunas de las principales empresas de tecnología han aparecido como auspiciadoras de estos sistemas de recuperación (Amazon y Facebook son dos excelentes botones de muestra) y, fuera del ámbito de este estudio, otras ‘sitcoms’ han puesto su granito de arena (IBM, la más antigua empresa informática, ha conectado los principales supercomputadores del mundo para apoyar al desarrollo de modelos epidemiológicos que permitieran conocer el desarrollo de la enfermedad).

La simbiosis entre la tecnología que permite gestionar documentos y luego recuperarlos ha sido de muy alto nivel. Si bien habría que desarrollar un estudio específico sobre usabilidad, experiencia de uso y satisfacción del usuario final de estos sistemas, aquellos que aúnan el procesamiento de lenguaje natural con una óptima visualización de los resultados parecen los candidatos ideales para que su uso se expanda entre la comunidad científica (en esto destacan especialmente los sistemas ‘Covid-Explorer’ de la Universidad de Pensilvania y el buscador ‘Covid-19 Doc Search Engine’ de la empresa DRE Evidence, además del propio buscador ‘Semantic Scholar’).

Además de CORD-19, el conjunto de fuentes que manejan los sistemas de recuperación de información desarrollados (los más completos) es más amplio, lo que representa también un esfuerzo de interoperabilidad semántica de datos y documentos, otro interesante avance máxime si se tiene en cuenta el poco tiempo que ha pasado desde que estas herramientas comenzaron a funcionar. Queda ahora averiguar si este paso adelante de la tecnología semántica se va a quedar circunscrito a la lucha contra la pandemia o si se va a ampliar a otros sistemas de información, lo lógico es que así fuera.