📊 statistics

A Bayesian Prevalence Incidence Cure model for estimating survival using Electronic Health Records with incomplete baseline diagnoses

Este artículo propone un modelo Bayesiano de Prevalencia, Incidencia y Curación (PIC), un marco de mezcla de tres componentes diseñado para estimar con precisión las proporciones de supervivencia, prevalencia y curación a partir de Registros de Salud Electrónicos con diagnósticos basales faltantes, demostrando su superioridad sobre los modelos tradicionales de Prevalencia-Incidencia mediante simulaciones y una aplicación en el mundo real al Edema Macular Diabético.

Autores originales: Matilda Pitt, Robert J. B. Goudie

Publicado 2026-02-03

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Matilda Pitt, Robert J. B. Goudie

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando resolver un misterio sobre un grupo de pacientes. Tienes un cuaderno masivo de registros médicos (Registros de Salud Electrónicos, o EHR), pero el cuaderno está desordenado. Algunas páginas están arrancadas, algunas entradas faltan, y no siempre sabes exactamente cuándo comenzó la condición de un paciente o si alguna vez mejorará.

El artículo de Pitt y Goudie presenta una nueva "herramienta de detective" llamada el Modelo PIC (Prevalencia-Incidencia-Curación) para dar sentido a estos datos desordenados. Así es como funciona, desglosado en conceptos simples.

Los tres tipos de pacientes

En muchos estudios médicos, los investigadores suelen asumir que todos comienzan "sanos" y luego esperan para ver quién se enferma. Pero en el mundo real, es más complicado. Los autores dicen que necesitas clasificar a los pacientes en tres cubetas diferentes:

Los "Ya Enfermos" (Prevalentes): Estos pacientes ya tenían el problema cuando entraron por primera vez a la clínica. Tal vez no se les realizó una prueba ese día, por lo que el médico no sabía que estaban enfermos hasta la siguiente visita.
Los "Recién Enfermos" (Incidentes): Estos pacientes estaban sanos al principio, pero desarrollaron el problema más tarde.
Los "Inalcanzables" (Curados): Estos son los complicados. No importa cuánto tiempo los observes, nunca tendrán el problema (o nunca responderán al tratamiento). Son esencialmente "inmunes" o "no respondedores".

El problema con las herramientas antiguas

Antes de este artículo, los investigadores utilizaban una herramienta llamada Modelo PI (Prevalencia-Incidencia).

El fallo: La herramienta antigua asumía que todos terminarían enfermando si esperaban lo suficiente. No tenía una cubeta para el grupo de los "Inalcanzables" (Curados).
El resultado: Si usabas la herramienta antigua en un grupo donde algunas personas nunca se enfermarían, la herramienta se confundiría. Intentaría forzar a esas personas "inmunes" en la categoría de "Recién Enfermos", haciendo que pareciera que se enfermarían mucho más tarde de lo que realmente lo harían. Esto conduce a predicciones erróneas sobre la supervivencia y el éxito del tratamiento.

La nueva solución: El Modelo PIC

Los autores construyeron un modelo de mezcla de 3 partes (el modelo PIC) que actúa como una máquina de clasificación más inteligente.

Maneja las páginas faltantes: Utiliza las matemáticas para adivinar si un paciente con una prueba inicial faltante era "Ya Enfermo" o "Recién Enfermo", en lugar de simplemente adivinar al azar.
Maneja a los "Inalcanzables": Calcula explícitamente el porcentaje de personas que nunca experimentarán el evento (la proporción de "Curación").
Utiliza la "Intuición Experta" (Priors Bayesianos): El modelo permite a los investigadores introducir lo que ya saben de estudios previos (como "esperamos que la mediana de tiempo para mejorar sea de 10 meses"). Esto actúa como una brújula para guiar las matemáticas, especialmente cuando no hay muchos datos.

La historia de detective: Edema Macular Diabético (EMD)

Para probar su nueva herramienta, los autores analizaron un conjunto de datos del mundo real de 1,964 pacientes con una condición ocular específica llamada Edema Macular Diabético (EMD). El objetivo era ver cuánto tiempo tardaban los pacientes en recuperar una visión "buena".

Los datos desordenados: Algunos pacientes no tenían una prueba ocular al principio. Algunos tenían una visión excelente de inmediato (eran "Ya Enfermos" con buena visión). Algunos nunca mejoraron sin importar qué (los "Inalcanzables").
La comparación:
- La herramienta antigua (Modelo PI) decía: "Todos eventualmente tendrán una buena visión, pero podría tomar mucho tiempo". Predijo que después de 4 años, solo el 8% de las personas seguirían con mala visión.
- La nueva herramienta (Modelo PIC) decía: "Espera, alrededor del 18% de estas personas son 'Inalcanzables': nunca tendrán una buena visión con este tratamiento". Predijo que después de 4 años, el 18% seguiría con mala visión.

Por qué esto es importante

El artículo muestra que el nuevo modelo PIC es más preciso.

Detiene la "Falsa Esperanza": El modelo antiguo hacía que pareciera que el tratamiento funcionaba mejor de lo que realmente funcionaba para todos, porque ignoraba a las personas que nunca responderían.
Corrige la confusión de los "Datos Faltantes": Identifica correctamente quiénes ya estaban bien al principio, en lugar de contarlos como personas que "mejoraron" más tarde.

La conclusión

Piensa en el modelo antiguo como un pronóstico del tiempo que asume que eventualmente lloverá para todos, incluso si algunas personas viven en un desierto. El nuevo Modelo PIC es un pronóstico más inteligente que se da cuenta de que:

Algunos ya están mojados (Prevalentes).
Algunos se mojarán más tarde (Incidentes).
Algunos viven en un desierto y nunca se mojarán (Curados).

Al reconocer a estos tres grupos, el modelo ofrece a los médicos y a los pacientes una imagen mucho más clara de qué esperar, especialmente cuando los registros médicos están incompletos.

Resumen Técnico: Un Modelo de Prevalencia-Incidencia-Curación Bayesiano para Estimar la Supervivencia utilizando Registros de Salud Electrónicos con Diagnósticos Basales Incompletos

Planteamiento del Problema
Las cohortes retrospectivas derivadas de Registros de Salud Electrónicos (EHR, por sus siglas en inglés) ofrecen un medio rentable para estudiar la prevalencia de enfermedades, la incidencia y las proporciones de curación en escenarios del mundo real. Sin embargo, los datos de los EHR presentan desafíos analíticos específicos: (1) Estado Basal Faltante: Los pacientes a menudo carecen de una prueba diagnóstica registrada al momento del inicio del tratamiento ( $t=0$ ), lo que hace imposible distinguir entre casos prevalentes (aquellos que ya tenían la condición) y casos incidentes (aquellos que la desarrollan más tarde). (2) No Respuesta al Tratamiento (Curación): En muchas condiciones, una fracción de los pacientes nunca experimentará el evento de interés (por ejemplo, alcanzar un umbral específico de agudeza visual), lo que hace que las funciones de supervivencia estándar que asintotan a cero sean inapropiadas.

Los modelos de Prevalencia-Incidencia (PI) existentes abordan los datos basales faltantes utilizando modelos de mezcla de dos componentes, pero fallan cuando existe una fracción de "curación", ya que asumen incorrectamente que todos los individuos no curados eventualmente experimentarán el evento. Por el contrario, los Modelos de Curación estándar asumen que no existen casos prevalentes al inicio. Ninguno de los dos enfoques maneja simultáneamente la falta de diagnósticos basales y una fracción de curación, lo que conduce a estimaciones sesgadas de las probabilidades de supervivencia, prevalencia y tiempos de incidencia.

Metodología
Los autores proponen un modelo Prevalencia-Incidencia-Curación (PIC), un modelo de mezcla de tres componentes diseñado para datos de censura por intervalo con estado basal faltante.

Estructura del Modelo: La población se divide en tres grupos latentes:
- Casos Prevalentes: Individuos que ya han experimentado el evento en el momento basal ( $t < 0$ ).
- Casos Incidentes: Individuos que están libres de la enfermedad en el momento basal pero que experimentarán el evento ( $0 < t < \infty$ ).
- Casos Curados: Individuos que nunca experimentarán el evento ( $t = \infty$ ).
Construcción de la Verosimilitud: El modelo tiene en cuenta cuatro patrones de datos observables basados en el cronograma de la prueba diagnóstica:
- $c_i=1$ : Prueba positiva en el momento basal (Prevalente).
- $c_i=2$ : Casos incidentes con censura por intervalo (Negativo en $l_i$ , Positivo en $r_i$ ).
- $c_i=3$ : Casos censurados antes de la prueba positiva (Negativo en $l_i$ , sin prueba positiva al final del seguimiento). Este grupo es una mezcla de casos curados y casos incidentes censurados.
- $c_i=4$ : Falta la prueba basal pero es positivo en el primer seguimiento. Este grupo es una mezcla de casos prevalentes e incidentes.
Formulación Paramétrica:
- Asignación de Componentes: Un modelo logístico multinomial determina las probabilidades de ser prevalente ( $\pi_i$ ) o curado ( $\delta_i$ ) como función de covariables. La probabilidad de ser incidente es $1 - \pi_i - \delta_i$ .
- Tiempo de Evento: Para los casos incidentes, se utiliza una distribución de Weibull para modelar la función de supervivencia $S(t|xi)$, permitiendo efectos de las covariables mediante una parametrización de riesgos proporcionales.
Inferencia Bayesiana y Priores: Los autores adoptan un marco bayesiano utilizando MCMC vía JAGS. Una contribución metodológica clave es la especificación de priores informativos basados en la elicitación de expertos o literatura previa. En lugar de colocar los priores directamente sobre los coeficientes de regresión, los autores colocan los priores sobre las razones de las probabilidades (por ejemplo, la razón de curados frente a incidentes) y sobre las razones de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las de las