Syllabus
Estructura y contenidos por día
Día 1 – Análisis de decisión y costo-efectividad
Temas teóricos
- Introducción al análisis de decisión
- Buenas prácticas (ISPOR-SMDM, transparencia, validación y verificación)
- Elementos de un marco de decisión
- Estructuración de decisiones
- Motivación del uso de modelos de decisión en salud:
- Propósitos, tipos (árboles de decisión, cSTM, microsimulación, DES) y cuándo usar cada uno
- Introducción al análisis de costo-efectividad y evaluación económica
- Costos directos, utilidades, horizonte temporal, tasa de descuento (p. ej., 3% anual)
- Razón de costo-efectividad incremental (RCEI), limitaciones del RCEI
- Enfoque de beneficio monetario neto (NMB) o de salud (NHB)
- Plano costo-efectividad e interpretación
- Resúmenes para decisión: tablas de dominancia/extendida, estrategia óptima por umbral
- Shopping spree
- Costo-efectividad incremental
Laboratorio en R
- Preparación del proyecto
- Estructura de carpetas, GitHub, control de versiones opcional
- Uso de dampack y darthtools
- Implementación de costo-efectividad incremental en R
Día 2 – Modelos Markov (aka cSTMs: cohort state-transition models)
Temas teóricos
- Modelos Markov independientes del tiempo
- Definición de estados de salud, horizonte temporal, tamaño de ciclo y corrección de medio ciclo
- Probabilidades y tasas de transición constantes
- Parametrización: probabilidades vs tasas y transformaciones
- Estructura matricial (matrices de transición) y traza de la cohorte
- Desenlaces de interés: QALYs, años de vida, costos
- Desenlaces con descuento
- Modelos Markov dependientes del tiempo de simulación (p.ej., dependientes de la edad)
- Transiciones dependientes de la edad: mortalidad general (tablas de vida), riesgos de enfermedad específica de la edad
- Estructura matricial (matrices de transición por edad)
- Modelos Markov dependientes del tiempo de residencia en un estado
- Transiciones dependientes del tiempo en un estado: severidad o mortalidad incrementa conforme se pasa el tiempo estando enfermo
- Creación de túneles en la estructura matricial
Laboratorio en R
- Implementación paso a paso de un modelo Markov de tres estados independiente del tiempo
- Definición de estados (Healthy, Sick, Dead)
- Construcción de matrices de transición independientes del tiempo
- Simulación de la cohorte y cálculo de resultados
- Aplicación de corrección de medio ciclo y descuento
- Diagnósticos y cálculo y visualización de desenlaces
- Verificación de sumas de probabilidades
- Generación de desenlaces: traza de la cohorte, curva de sobrevida, esperanza de vida, prevalencia y costos
- Gráfico de desenlaces
- Actividad en grupo - Implementación del modelo Sick-Sicker independiente del tiempo
- Definición de estados (Healthy, Sick, Sicker, Dead)
- Construcción de matrices de transición independientes del tiempo
- Simulación de la cohorte y cálculo de resultados
- Aplicación de corrección de medio ciclo y descuento
- Verificación de sumas de probabilidades
- Generación de desenlaces: traza de la cohorte, curva de sobrevida, esperanza de vida, prevalencia y costos
- Gráfico de desenlaces
- Implementación paso a paso de un modelo Markov de 3 estados dependiente de la edad
- Definición de estados (Healthy, Sick, Dead)
- Importación de tablas de vida y vinculación al modelo
- Construcción de matrices de transición dependientes de la edad
- Simulación de la cohorte y cálculo de desenlaces
- Aplicación de corrección de medio ciclo y descuento
- Diagnósticos y visualización de desenlaces
- Actividad en grupo - Implementación del modelo Sick-Sicker dependiente de la edad
- Definición de estados (Healthy, Sick, Sicker, Dead)
- Construcción de matrices de transición dependientes de la edad
- Simulación de la cohorte y cálculo de resultados
- Verificación, generación y gráfico de desenlaces
- Implementación paso a paso de un modelo Markov de 3 estados dependiente del tiempo en un estado
- Definición de estados (Healthy, Sick, Dead), expandiendo el estado Sick con túneles
- Construcción de matrices de transición con túneles
- Simulación de la cohorte y cálculo de desenlaces
- Diagnósticos y visualización de desenlaces
- Actividad en grupo (si da tiempo) - Implementación del modelo Sick-Sicker con transiciones dependientes del tiempo que se está en el estado Sick
Día 3 – Calibración de parámetros del modelo de decisión
Temas teóricos
Conceptos de calibración
- ¿Por qué calibrar? Objetivos de calibración, selección de targets
- Funciones objetivo: verosimilitud, mínimos cuadrados
- Identificabilidad
Algoritmos de búsqueda determinística y estocástica
- Nelder-Mead, algoritmos evolutivos, simulated annealing
Descripción de modelo de 3 estados de recurrencia de cáncer para ser calibrado en laboratorio
Calibración Bayesiana
- Distribuciones previa y posterior
- Algoritmos para muestrear de la distribución posterior
- MCMC (Metropolis-Hastings), diagnóstico
- Sampling-Importance Resampling (SIR)
- Incremental Mixture Importance Sampling (IMIS)
- Tamaño de muestra efectivo
- Selección de targets
- Validación interna y evaluación de ajuste/robustez
Laboratorio en R
Descripción de parámetros y desenlaces de un modelo Markov de tres estados de recurrencia de cáncer
Preparación de targets de calibración (supervivencia) y función de costo/verosimilitud
Calibración determinística
- Implementación de función objetivo
- Búsqueda local con Nelder-Mead y global con DEoptim y simulated annealing
Actividad en grupo – Calibración del modelo Sick-Sicker
- Descripción de parámetros y desenlaces
- Preparación de targets de calibración (supervivencia, prevalencia de Sick+Sicker y proporción de Sick de Sick+Sicker) y función de costo/verosimilitud
- Implementación de función objetivo
- Búsqueda local con Nelder-Mead y global con DEoptim y simulated annealing
Calibración Bayesiana de modelo de tres estados con IMIS
- Definición de priors, likelihood y corrida IMIS
- Diagnóstico de convergencia y posterior summaries
- Graficación de parámetros calibrados
Actividad en grupo – Calibración Bayesiana del modelo Sick-Sicker con IMIS
- Definición de priors, likelihood y corrida IMIS
- Diagnóstico de convergencia y posterior summaries
- Graficación de parámetros calibrados, reproducibilidad (semillas, perfiles de sesión)
Día 4 – Análisis de Sensibilidad y Probabilístico
Temas teóricos
- Análisis de sensibilidad
- Motivación
- Análisis de sensibilidad de un parámetro
- Análisis de umbral
- Análisis de sensibilidad de dos parámetros
- Análisis probabilístico
- Motivación
- Toma de decisión bajo incertidumbre
- Parámetros y correlaciones; elección de distribuciones (beta, gamma, lognormal, Dirichlet, etc.)
- Curvas y reglas de decisión
- CEAC (probabilidad de ser más costo-efectivo)
- CEAF (estrategia óptima promedio)
- Curvas de pérdida esperada
- Presentación para tomadores de decisión
- Umbrales de disposición a pagar; análisis de escenarios
- (Opcional si da tiempo) Análisis de valor de la información (EVPI/EVPPI) y prioridades de investigación
Laboratorio en R
- Análisis de sensibilidad con dampack
- Análisis de sensibilidad de una vía
- Análisis de umbral
- Análisis de sensibilidad de dos vías
- Implementación de PA
- Muestreo LHS, correlaciones
- Cálculo de ICER, NMB y generación de:
- Plano CE con densidades
- CEAC y CEAF (dampack)
- Curvas de pérdida esperada (dampack)
- Paralelización básica (parallel) y control de semillas
Día 5 – Tópicos avanzados: DES y emuladores
Temas teóricos
Motivación de simulación de eventos discretos (DES)
Cuándo elegir DES vs cSTM
Procesos puntuales de Poisson homogéneos y no-homogéneos
Muestreo de tiempos de evento
Descuento continuo
Qué es un emulador
Cuándo un emulador es útil (PA costoso, calibración multiobjetivo)
Emulador con regresión lineal y sus aplicaciones para análisis de sensibilidad
- Análisis de sensibilidad de uno y dos parámetros
- Análisis de umbral
Emuladores y calibración acelerada:
- Diseño de experimentos (LHS)
- Emuladores con redes neuronales artificiales (ANNs), validación predictiva
- Ajuste de ANN y validación
- Calibración Bayesiana con emuladores
- rstan; comparación con evaluación directa
Laboratorio en R
- Implementación de un modelo de DES en R
- Uso de data.table para implementar un DES
- Cálculo de siguientes eventos
- Métricas de desenlace (tiempos de espera, esperanza de vida, tiempo en estado)
- Cálculo de desenlaces económicos
- Descuento intertemporal
💡 Esta sección resume el contenido conceptual y práctico de cada día; los horarios, pausas y logística se detallan en la página de programación.