Medicina Basada en la Evidencia

Diseños metodológicos – 206 – TIPOS DE MODELOS PREDICTIVOS Dependiendo de la metodología utilizada para su desa- rrollo, podemos distinguir: ■ Sistemas de puntuación derivados de análisis univa- riado: se construyen utilizando factores que, en es- tudios observacionales previos, han mostrado estar significativamente asociados con el resultado y se les asigna una puntuación. La puntuación final se utiliza como un indicador de la probabilidad del resultado. Estos modelos son simples de diseñar y usar, pero su precisión se afecta por la posible inclusión de facto- res de riesgo no independientes y la forma arbitraria en que se ponderan los factores. Un ejemplo de este tipo de RPC se encuentra la Escala de Alvarado para apendicitis aguda ( Tabla 1 ). ■ Modelos predictivos basados en análisis multiva- riado: se basan en estudios observacionales que utilizan análisis multivariante, habitualmente re- gresión logística. Expresan la relación entre los fac- tores predictivos y de resultado en estimaciones de odds ratio (OR). Son relativamente fáciles de inter- pretar y se pueden utilizar para asignar pesos es- pecíficos de cada factor de una manera menos arbi- traria que en los modelos univariados. Un ejemplo de este tipo de RPC lo constituye la calculadora de sepsis neonatal precoz ( https://neonatalsepsiscal- culator.kaiserpermanente.org ) . ■ Redes neuronales artificiales: son modelos mate- máticos o computacionales basados en la forma de procesamiento de la información en las redes neuronales biológicas. En ellas se introduce infor- mación de múltiples fuentes, que es interpretada por el programa y se generan salidas ( Figura 1 ). La principal ventaja de las redes neuronales es que pueden “aprender automáticamente” al detectar las relaciones no lineales complejas entre una serie de variables de entrada y las salidas correspondien- tes, con las que se va ajustando el peso interno de las variables predictoras y se calcula la probabili- dad de un resultado específico. Un ejemplo de este tipo de herramientas es el programa de reconoci- miento facial Face2Gene®, capaz de apoyar o sospe- char el diagnóstico de más de 8000 enfermedades genéticas ( www.face2gene.com ). ■ Árboles de decisión: corresponden a algoritmos que utilizan pruebas no paramétricas, para evaluar datos y dividirlos progresivamente en subgrupos en función de las variables predictivas independien- tes. Las variables y valores discriminatorios utiliza- dos y el orden en que se produce la división son elaborados por un algoritmo matemático y se cal- culan para maximizar la precisión predictiva resul- tante. El producto de este análisis genera un árbol de decisión, que comienza con un nodo raíz, a partir del cual salen ramas que alimentan los nodos de decisión, y de ellos, las ramas terminales, que re- presentan todos los resultados posibles dentro del conjunto de datos. Este diagrama de flujo es fácil de entender y aplicar en la toma de decisiones clínicas ( Figura 2 ). Tabla 1. Regla de predicción clínica de apendicitis de Alvarado (MANTRELS) M: Migración del dolor a fosa ilíaca derecha 1 punto A: Anorexia o cetonuria 1 punto N: Náuseas-vómitos 1 punto T: ( Tenderness ) Dolor en punto de McBurney 2 puntos R: Rebote (dolor a la descompresión) 1 punto E: Elevación de la temperatura 1 punto L: Leucocitosis (>10 000/µL) 2 puntos S: ( Shift to the left ) Desviación a la izquierda (predominio neutrófilos >75%) 1 punto Interpretación: <5: apendicitis poco probable; 5-6: posible apendicitis; 7-8: probable apendicitis; >8: muy probable apendicitis. Figura 1. Representación esquemática de una red neuronal artificial. La capa de entrada representa los datos que se pueden ingresar en el programa de la red neuronal. La capa oculta representa el procesamiento. La red generada por el programa asigna un peso a cada dato ingresado, “aprendiendo” a partir de ellos. La capa de salida representa el resultado predicho x1 x2 x3 Capa de entrada Capa oculta Capa de salida fx fx fx y1 y2 fx