Retrospective Forecasting and Long-Term Projection of Alzheimer’s Disease Spreading

Resumen Técnico: Pronóstico Retrospectivo y Proyección a Largo Plazo de la Propagación del Alzheimer

Planteamiento del Problema
El pronóstico de la propagación de las enfermedades no transmisibles (ENT), específicamente el Alzheimer y la demencia, presenta desafíos metodológicos significativos debido a la naturaleza multifactorial de su etiología. A diferencia de las enfermedades infecciosas, las ENT están impulsadas por interacciones complejas y dinámicas de factores genéticos, conductuales, socioeconómicos y ambientales. Los enfoques de pronóstico tradicionales suelen basarse en la cuantificación de estos factores de riesgo específicos o asumen la estacionariedad del proceso, ambos de los cuales tienen dificultades con la incertidumbre inherente y la no estacionariedad de la dinámica de las enfermedades a largo plazo. Además, los modelos existentes suelen centrarse en indicadores anuales volátiles, lo que puede ocultar tendencias estables a largo plazo. Los autores postulan que un pronóstico preciso es crítico para la planificación estratégica de la salud, la asignación de recursos y la justificación de la financiación de la investigación, aunque los métodos actuales a menudo no logran proporcionar proyecciones decenales fiables bajo condiciones de incertidumbre.

Metodología
El artículo propone una metodología novedosa basada en un Modelo de Flujo de Entrada-Salida Integral (IIOM, por sus siglas en inglés) con parámetros estocásticos. Este enfoque desplaza el foco analítico del modelado de factores de riesgo individuales o recuentos de casos anuales volátiles hacia el modelado de la dinámica de los volúmenes acumulados (integrales) de entrada (nuevos casos) y salida (mortalidad).

Los componentes clave de la metodología incluyen:

1. Marco del Modelo: La población con la enfermedad se trata como un "reservorio" definido por una ecuación de balance: $I(t) = X_{inf}(t, t_0) - X_{of}(t, t_0)$, donde $I(t)$ es el número de casos activos, $X_{inf}$ es la entrada acumulada y $X_{of}$ es la salida acumulada.
2. Tasas Estocásticas: El modelo utiliza tasas de cambio para estos volúmenes acumulados ($r_{inf}$ y $r_{of}$) en lugar de recuentos brutos.
3. Identificación de Tendencias: Un hallazgo central del estudio es que, si bien las tasas anuales pueden ser volátiles, las tasas de los flujos de entrada y salida integrales exhiben una disminución monotónica a lo largo del tiempo. Esta propiedad permite la construcción de tendencias lineales.
4. Mecanismo de Pronóstico:
   • Los autores calculan la tasa media anual de disminución en los incrementos porcentuales de la entrada y la salida ($\alpha_{inf}$ y $\alpha_{of}$) sobre una ventana histórica (por ejemplo, 10 años).
   • Estas tasas se aproximan mediante funciones de potencia a través del método de mínimos cuadrados.
   • Las tendencias lineales para las tasas estocásticas futuras ($\tilde{r}_{inf}$ y $\tilde{r}_{of}$) se extrapolan utilizando la fórmula $\tilde{r}(\tau) = r(t) - k(t)(t - \tau)$, donde $k(t)$ representa el coeficiente de tendencia derivado de los datos históricos.
   • Estas tasas extrapoladas se sustituyen de nuevo en las ecuaciones discretas del IIOM para generar proyecciones a 10 años y a largo plazo.
5. Validación: La precisión del modelo se evalúa utilizando el Error Porcentual Absoluto Medio (MAPE) frente a los datos retrospectivos del Institute for Health Metrics and Evaluation (IHME) para el periodo 1990–2021.

Contribuciones Clave
Los autores identifican tres novedades primordiales en su enfoque:

1. Cambio en el Foco del Modelado: Pasar de cifras anuales volátiles a la dinámica estocástica de los volúmenes de casos acumulados para revelar tendencias estables a largo plazo.
2. Operacionalización de la Monotonicidad: Identificar y utilizar la propiedad de disminución monotónica en las tasas de las entradas y salidas integrales como una tendencia lineal predecible para el pronóstico.
3. Técnica Práctica: Desarrollar una técnica de pronóstico específica basada en la extrapolación de estas tendencias lineales, la cual ha sido probada en procesos no estacionarios fundamentalmente diferentes (incluyendo el COVID-19 y cambios demográficos) para confirmar su robustez.

Resultos
El estudio presenta dos conjuntos principales de resultados:

• Pronósticos Retrospectivos de 10 Años: Se generaron pronósticos de muestra en 2005, 2010 y 2015 para el Mundo y diversas regiones. El modelo demostró una alta precisión. El resumen señala valores de MAPE para ventanas de pronóstico de 10 años en el intervalo [2,73%; 2,73%], mencionando también valores específicos de MAPE en el intervalo [0,08%; 0,75%]. Los valores regionales específicos de MAPE fueron generalmente bajos, con un promedio mundial de 0,43% (pronóstico de 2005), 0,2% (pronóstico de 2010) y 0,09% (pronóstico de 2015). La conclusión cita además un rango de MAPE de 0,43% a 1,79% para los pronósticos retrospectivos.
• Proyección a Largo Plazo hacia 2050: Utilizando el enfoque basado en el modelo, los autores proyectan un aumento constante en el número absoluto de casos de Alzheimer a nivel mundial. Se proyecta que el número de casos aumentará de 141,2 millones en 2022 a 489,5 millones para 2050.
  • La proporción de casos dentro de la población de edad avanzada (65+) permanece relativamente estable (0,84–0,87), lo que sugiere que el envejecimiento demográfico es el principal motor más que los cambios en el riesgo específico por edad.
  • Las disparidades regionales son significativas. Se proyecta que Europa Occidental enfrentará la mayor carga (65 millones de casos), seguida de América del Norte de ingresos altos (42,3 millones) y el Sudeste Asiático (16,3 millones).
  • En contraste, América Latina Tropical y el África Subsahariana Oriental muestran proporciones moderadas de casos (0,72–0,76) respecto a sus poblaciones de edad avanzada, lo que refleja diferentes estructuras demográficas.
  • El modelo confirma una desaceleración monotónica en las tasas de crecimiento, con el crecimiento anual descendiendo de aproximadamente un 5% a principios de la década de 2020 a un 2,5% al final del periodo de proyección.

Significancia y Reivindicaciones
El artículo afirma que el Modelo de Flujo de Entrada-Salida Integral ofrece una alternativa práctica y fiable a los modelos más complejos y con mayor densidad de datos (como la metarregresión bayesiana o CODEm) que requieren la evaluación precisa de numerosos factores de riesgo difíciles de cuantificar. Al reconocer la naturaleza no estacionaria de la propagación de las ENT y centrarse en las tendencias estables de las tasas acumuladas, la metodología proporciona una herramienta robusta para la toma de decisiones bajo incertidumbre.

Los autores concluyen que este enfoque establece una base sólida para:

• La planificación estratégica de recursos sanitarios.
• Justificar inversiones en prevención e investigación.
• Monitorear las tendencias epidemiológicas.

El estudio posiciona al IIOM como una herramienta prometedora para el pronóstico de salud pública a largo plazo, facilitando la toma de decisiones basada en evidencia ante los crecientes desafíos planteados por las enfermedades no transmisibles, sin pretender resolver los mecanismos biológicos subyacentes de la enfermedad.