Madrid, 29 de mayo de 2026.
El envejecimiento demográfico, el aumento de la dependencia y las desigualdades territoriales en salud y bienestar exigen algo más que grandes volúmenes de datos: requieren métodos capaces de integrarlos, compararlos e interpretarlos con rigor. El proyecto DDD4D (Distance & Depth Datascience for Dependency), desarrollado por la Universidad Carlos III de Madrid, ha respondido a ese reto aplicando técnicas innovadoras de ciencia de datos basadas en distancias y profundidades para transformar información compleja en evidencia útil al servicio de la economía de cuidados.
Nuevas herramientas para medir la vulnerabilidad
El proyecto ha desarrollado una metodología especialmente eficaz para el análisis de datos funcionales masivos y heterogéneos, donde los enfoques clásicos presentan limitaciones. Entre sus principales aportaciones destacan la obtención de perfiles de riesgo en salud y vulnerabilidad social en comunidades autónomas y países de la UE, la construcción de indicadores globales de bienestar, el desarrollo de técnicas para estimar la edad biológica mediante profundidad estadística y la creación de herramientas informáticas implementadas en librerías de R y Python. Estas soluciones mejoran los procesos de clasificación, segmentación y predicción, y ofrecen resultados más robustos y transferibles a personal investigador, administraciones, empresas y entidades sociales.
Impacto en políticas públicas y en el sector asegurador
Desde el punto de vista social, el proyecto permite visualizar similitudes y diferencias entre países europeos en la atención a personas con necesidades de cuidado, contribuyendo a impulsar políticas públicas más equitativas y basadas en evidencia. Sus resultados facilitan una mejor planificación sociosanitaria, apoyan la prevención y avanzan hacia un modelo de envejecimiento más saludable. En el plano económico, las metodologías de aprendizaje estadístico desarrolladas abren aplicaciones directas en el sector asegurador y en la economía de cuidados, al permitir una mejor segmentación de perfiles de riesgo, el diseño de productos más ajustados y la anticipación de necesidades futuras de atención, con menores costes computacionales y mayor escalabilidad frente a los métodos tradicionales. El proyecto combina así excelencia científica y utilidad aplicada para avanzar hacia una atención a la dependencia más justa, eficiente y sostenible.
