2.- Descargar material y código: Tópicos Avanzados - DES y Emuladores

Author


Fernando Alarid-Escudero, PhD

Published

December 5, 2025

Descripción del Día 5

Este módulo aborda técnicas avanzadas de modelado que expanden el repertorio metodológico para análisis de decisión en salud. Se introduce la simulación de eventos discretos (DES) como alternativa flexible a los modelos de Markov cohort, y se exploran emuladores (metamodelos) como herramientas para acelerar análisis computacionalmente intensivos como calibración multiobjetivo y análisis de sensibilidad probabilísticos extensos.

El objetivo del día es que las y los participantes comprendan cuándo DES ofrece ventajas sobre cSTM, implementen modelos DES básicos en R, y apliquen emuladores basados en regresión lineal y redes neuronales artificiales para acelerar análisis de sensibilidad y calibración Bayesiana.

Contenido Teórico

Simulación de Eventos Discretos (DES):

  • Motivación: limitaciones de cSTM y cuándo DES es más apropiado
  • Comparación conceptual: DES vs cSTM vs microsimulación
  • Procesos puntuales de Poisson:
    • Homogéneos (tasa constante)
    • No-homogéneos (tasa variable en el tiempo)
  • Muestreo de tiempos de evento desde distribuciones paramétricas
  • Descuento continuo de costos y beneficios

Emuladores (Metamodelos):

  • Definición: modelos aproximados de modelos complejos
  • Motivación: aceleración de análisis probabilísticos costosos
  • Casos de uso:
    • Calibración multiobjetivo con múltiples targets
    • PSA con modelos de simulación lentos
    • Análisis de sensibilidad exhaustivos

Emuladores con Regresión Lineal:

  • Construcción de metamodelos lineales
  • Aplicaciones para análisis de sensibilidad:
    • Análisis univariado y bivariado acelerado
    • Análisis de umbral (threshold analysis)
  • Limitaciones: linealidad y rango de validez

Emuladores Avanzados con Redes Neuronales:

  • Diseño de experimentos con Latin Hypercube Sampling (LHS)
  • Redes neuronales artificiales (ANNs) como emuladores no lineales
  • Entrenamiento, validación predictiva y métricas de desempeño
  • Calibración Bayesiana acelerada:
    • Integración de emuladores en algoritmos MCMC
    • Uso de rstan con emuladores
    • Comparación de eficiencia vs evaluación directa del modelo

Material Práctico en R

Implementación de DES:

  • Estructura de datos con data.table para seguimiento de individuos
  • Algoritmo de simulación de eventos:
    • Cálculo de tiempo al siguiente evento
    • Actualización de estados y tiempos
  • Incorporación de covariables (edad, sexo)
  • Métricas de desenlace:
    • Tiempos de espera y ocupación de estados
    • Esperanza de vida y QALYs
    • Costos acumulados con descuento continuo

Análisis de Sensibilidad con Emuladores:

  • Emulador de regresión lineal para análisis univariado y bivariado
  • Análisis de umbral acelerado
  • Validación de rango de aplicabilidad del emulador

Emuladores con Redes Neuronales:

  • Diseño experimental con LHS para entrenamiento
  • Construcción y ajuste de ANNs en R
  • Validación cruzada y métricas de error predictivo
  • Integración en flujos de calibración Bayesiana
  • Comparación de tiempos de cómputo: modelo original vs emulador

Archivos Incluidos

  • Proyecto R:
    • Day 5 - DES & Emulators.Rproj
  • Scripts R:
    • code/3state_des.R – Implementación básica de modelo DES de 3 estados
    • code/3state_des_sex_covariate.R – DES con covariables (sexo)
    • code/MM_functions.R – Funciones para emuladores (metamodelos)
    • code/functions_des.R – Funciones auxiliares para DES
    • code/metamodeling-sensitivity.R – Análisis de sensibilidad con emuladores
  • Datos:
    • data/HMD_USA_Mx_2015.csv – Tablas de mortalidad (Human Mortality Database)
    • data/MyPopulation_AgeDistribution.csv – Distribución etaria de población
    • data/PSA.csv – Resultados de análisis probabilístico
    • data/Arrospide et al. - 2024.docx – Material suplementario sobre estimación paramétrica de tasas específicas por edad

Requisitos

  • R (versión 4.0 o superior)
  • RStudio (recomendado)
  • Paquetes: data.table, dampack, darthtools, lhs, rstan (opcional, para calibración Bayesiana), nnet o keras (para redes neuronales)

El archivo ZIP contiene todos los scripts de R, datos y material necesario para el Día 5.