Resumen Técnico: Valor de la Información bajo Probabilidades Imprecisas

1. Planteamiento del Problema

El análisis convencional del Valor de la Información (VOI), incluyendo el Valor Esperado de la Información Perfecta (EVPI), el Valor Esperado de la Información Parcial Perfecta (EVPPI) y el Valor Esperado de la Información de Muestreo (EVSI), depende de la especificación de una medida de probabilidad única y precisa para las entradas inciertas del modelo. Sin embargo, en la modelización de decisiones aplicada —particularmente en la evaluación de tecnologías sanitarias— la evidencia a menudo no logra determinar una medida de distribución única. En su lugar, la evidencia puede respaldar múltiples formas distribucionales, supuestos de dependencia, modelos de extrapolación o elecciones estructurales defendibles.

Cuando la evidencia respalda un conjunto de medidas plausibles pero no justifica la asignación de pesos específicos (probabilidades) a las mismas, la selección de una única medida de "referencia" introduce una precisión no sustentada. Esto puede conducir a conclusiones engañosas respecto a la priorización de la investigación, donde la decisión de financiar o rechazar un estudio parece robusta basándose en una medida específica, pero es en realidad altamente sensible a los supuestos de modelización elegidos. El artículo aborda la necesidad de extender los cálculos de VOI a entornos caracterizados por probabilidades imprecisas, donde la incertidumbre se representa mediante un conjunto admisible de medidas de probabilidad en lugar de una estimación puntual única.

2. Metodología

El artículo propone un marco para el Valor de la Información de Probabilidad Imprecisa (IP-VOI) que separa el análisis en tres componentes distintos: el conjunto admisible de medidas de probabilidad, la regla de decisión utilizada para elegir entre estrategias bajo imprecisión, y el objetivo de la información.

2.1 El Conjunto Admisible y los P-Boxes

En lugar de una medida única $P_0$, el analista define un conjunto no vacío de medidas de probabilidad admisibles $\mathcal{P}$ compatibles con la evidencia actual y los supuestos de modelización. Este conjunto puede ser finito (por ejemplo, un producto cartesiano de modelos estructurales alternativos) o continuo (por ejemplo, parámetros dentro de un rango).

• Implementación: El artículo utiliza el Análisis de Límites de Probabilidad (PBA) y los p-boxes (pares de funciones de distribución acumulativa de límites) como una ruta práctica para codificar y propagar estas medidas a través de los modelos de decisión.
• Distinción: El marco distingue entre variabilidad (incertidumbre aleatoria, descrita por distribuciones) e imprecisión (incertidumbre epistémica, descrita por límites en esas distribuciones).

2.2 Dos Cantidades Complementarias

El marco define dos salidas distintas para abordar diferentes necesidades de toma de decisiones:

1. IP-VOI Específico de la Regla:

   • Calcula el valor de la información bajo una regla de decisión específica aplicada al conjunto $\mathcal{P}$.
   • El artículo implementa primordialmente la regla de esperanza inferior ($\Gamma$-maximin), que selecciona la estrategia con el mayor beneficio neto esperado garantizado a través de todas las medidas en $\mathcal{P}$.
   • Formalmente, para un objetivo $Z$ (información perfecta, parcial o de muestreo), el valor es:
     $$VOI^\rho_Z = V^\rho_Z(\mathcal{P}_Z) - V^\rho_0(\mathcal{P})$$
     donde $V^\rho$ es el valor bajo la regla $\rho$. Para el EVPI, esto se simplifica porque la estrategia óptima puntual es la misma para todas las medidas en $\mathcal{P}$. Para el EVPPI y el EVSI, se requiere una búsqueda de política finita, ya que la política óptima puede variar entre las medidas.

2. Envolvente de VOI de Medida Fija:

   • Esta es una herramienta diagnóstica, no una regla de decisión. Reporta el rango $[ \underline{T}, \overline{T} ]$ de los valores de VOI convencionales obtenidos al evaluar el cálculo de VOI estándar para cada medida $P \in \mathcal{P}$.
   • Clasificación: La envolvente permite a los investigadores clasificar las decisiones de investigación con respecto a un umbral $\tau$:
     • Robusta: Toda la envolvente se encuentra en un lado de $\tau$ (por ejemplo, todas las medidas respaldan la investigación).
     • Dependiente de supuestos: La envolvente cruza $\tau$ (algunas medidas respaldan la investigación, otras no).
   • Esto identifica cuándo una conclusión de medida única es engañosa porque se sitúa de un lado del umbral mientras que el conjunto de evidencia lo cruza.

2.3 Algoritmo Unificado

El artículo proporciona un algoritmo computacional unificado que:

1. Discretiza el conjunto admisible $\mathcal{P}$ en un conjunto de índice $H$.
2. Ejecuta una simulación de Monte Carlo interna para cada medida en $H$.
3. Agrega los resultados mediante minimización/maximización externa (para valores específicos de la regla) o extracción de rangos (para envolventes).
4. Incluye un estimador anidado de baja varianza para el EVSI para reducir el ruido computacional.

3. Resultados Clave (Estudio de Caso de Vendajes para Heridas)

El marco se demostró utilizando una reconstrucción transparente del modelo de decisión de vendajes para heridas BLUEBELLE, comparando cuatro estrategias para la prevención de infecciones del sitio quirúrgico. El conjunto admisible $\mathcal{P}$ consistió en 36 medidas derivadas de la variación de cuatro dimensiones: fuentes de riesgo de infección basal, valores de pérdida de salud, especificaciones de evidencia de efecto de tratamiento y correlaciones entre estimaciones.

• Estabilidad de la Estrategia: A través de las 36 medidas, la estrategia de "vendaje complejo" se mantuvo como la opción preferida, y el IP-EVPI de esperanza inferior fue aproximadamente de £122 por herida.
• Amplitud de la Envolvente: La envolvente de EVPI de medida fija osciló entre £74 y £249 por herida. La medida de referencia (£152) cayó dentro de este rango, pero no era el punto medio.
• Sensibilidad al Umbral:
  • Con umbrales de £50 o £260, la conclusión (si la investigación es valiosa) fue estable a través de todo el conjunto.
  • Con umbrales de £100 o £200, la conclusión fue dependiente de los supuestos. Un análisis de medida única habría proporcionado un "sí" o un "no" definitivo, mientras que la envolvente de IP-VOI reveló que la decisión depende de qué medida admisible sea seleccionada.
• Encargo de Investigación: Para un ensayo a escala nacional, el límite inferior de la envolvente de EVSI (£0.47 mil millones) superó los costos plausibles, certificando la recomendación como robusta. Sin embargo, la envolvente identificó tamaños de población de "punto de equilibrio" específicos (por ejemplo, 7,600–38,300 heridas para un ensayo de £1.75M) donde la decisión se vuelve dependiente de los supuestos.

4. Significado y Reivindicaciones

El artículo sostiene que el IP-VOI generaliza el VOI estándar a entornos donde la evidencia no identifica una medida de probabilidad única y precisa. Su principal significación radica en:

1. Transparencia: Obliga al analista a declarar explícitamente el conjunto de medidas defendibles y la regla de decisión utilizada, en lugar de ocultar la imprecisión tras una distribución única y arbitraria.
2. Poder Diagnóstico: La envolvente de medida fija sirve como un diagnóstico crítico para la priorización de la investigación. Distingue entre conclusiones que son estables a través del conjunto de evidencia que respaldan aquellas que dependen de supuestos de modelización no resueltos.
3. Evitar la Certeza Engañosa: Previene la "impresión de certeza engañosa" que surge cuando se reporta un valor de VOI de medida única de forma aislada, particularmente cuando el umbral de decisión cae dentro del rango de valores plausibles.
4. Implementación: El artículo proporciona un algoritmo unificado y código ejecutable (R/Quarto y Python) para implementar estos cálculos, haciendo que el enfoque sea accesible para la modelización de decisiones aplicada.

Los autores enfatizan que el IP-VOI no es un reemplazo para el promedio de modelos (que requiere pesos defendibles), sino que aborda el caso complementario donde dichos pesos no pueden ser justificados. No pretende resolver todos los problemas de incertidumbre estructural, sino que proporciona un método riguroso para cuantificar cuánto varía el valor de la investigación cuando la propia medida de probabilidad es incierta.