medicina

Modelos basados en árboles de decisión5,11,12: es un método cuantitativo y sistemático de representación de una situación clínica cuyo objetivo es realizar una simulación o proyección de todas las posibilidades (con sus respectivas probabilidades) que pueden ocurrir tras la administración o aplicación de distintas alternativas sanitarias.
Se caracterizan gráficamente por un conjunto de ramas(que representan las diferentes decisiones y sus consecuencias) que parten de nodos. Estos nodos son el punto que da origen o del que nace el árbol (nodo de acción/decisión/elección), puntos de los que parten los acontecimientos o resultados consecuencia de cada decisión (nodos de acontecimiento/azar/probabilidad), o puntos en los que desembocan los resultados finales de cada intervención (nodosterminales) (Figura 1).
Son apropiados en situaciones en las que los eventos ocurren en un periodo de tiempo limitado. Sin embargo, presentan inconvenientes cuando se quiere representar eventos recursivos, eventos cuyas probabilidades de ocurrencia cambian con el tiempo, eventos que no ocurren inmediatamente o eventos que tienen implicaciones a largo plazo en los pacientes. Además, en determinadaspatologías, la necesidad de reflejar un gran número de posibles consecuencias a lo largo del tiempo puede dar lugar a árboles de decisión demasiado complejos, difíciles de programar y de representar.
Modelos de Markov5,12,13: es una técnica matemática de modelización derivada del álgebra matricial, que describe la transición de un individuo o un conjunto de individuos (cohorte) por diferentesestados de salud a lo largo de un periodo de tiempo discreto, replicando la historia natural de la enfermedad.
En los modelos de Markov, la enfermedad en cuestión se divide en un conjunto finito de estados de salud (por ejemplo: salud perfecta, salud deteriorada, fallecimiento) 
 Representaciones gráficas de los modelos de Markov. A: como diagrama de influencias. B: como árbol de decisiones(adaptado de Rubio-Terres)13 Mostrar/ocultar
Estados transitorios: a partir de los cuales el individuo siempre tiene la posibilidad de pasar a un nuevo estado.
Estados recurrentes: a partir de los cuales el individuo tiene la posibilidad de permanecer en el mismo estado.
Estados absorbentes: estado facilitador de la terminación del modelo, del que no hay transición posible a otro estado. Después de unnúmero de ciclos, la cohorte entera (o un paciente simulado individualmente) será absorbida por ese estado. En procesos crónicos suele ser la muerte.
Los pacientes transitan de un estado de salud a otro en períodos uniformes de tiempo (que se denominan ciclos de Markov) y con unas probabilidades de transición que dependen del estado de salud en el que se encuentre la persona en cada momento.Durante este proceso se van acumulando los resultados (años de vida ganados, AVACs,…) y los costes para cada una de las intervenciones.
En la práctica podemos diferenciar tres grandes tipos de modelos de Markov, en función de las propiedades respecto al tiempo de las probabilidades de transición:
Cadenas de Markov: son aquellos que mantienen las probabilidades de transición constantes a lo largo deltiempo que dura el proceso modelizado (patologías con un horizonte temporal corto).
Procesos de Markov: en ellos las probabilidades de transición varían en el tiempo, es decir, las probabilidades dependen del tiempo y del estado en el que se encuentra el individuo, y no del estado de salud en el periodo anterior (enfermedades crónicas en las que se produce un aumento de la morbi-mortalidad enfunción de la edad)
Semiproceso de Markov: en este caso las probabilidades de transición dependen de la duración del tiempo de permanencia en un estado.
Una de las principales limitaciones de los modelos de Markov es que no tienen memoria, es decir, el modelo «olvida» la historia clínica del paciente por lo que la probabilidad de transición en un determinado estado depende únicamente del estado...