Modelos de Markov aplicados a la investigación en Ciencias de la Salud / Markov models applied to health sciences research / Modelos de Markov aplicados À investigaÇÃO em CiÊncias da SaúdE

RESUMEN

En ciencias de la salud, muchas variables de interés muestran cambios en el tiempo. Predecir qué valor futuro alcanzará una variable bajo determinadas condiciones iniciales constituye una importante fuente de información para la investigación básica y aplicada, al igual que para la toma de decisiones en la gestión de servicios de salud y la atención sanitaria. Los procesos estocásticos son secuencias de variables aleatorias observadas en sucesivos instantes de tiempo, y los modelos de Markov permiten estudiar la evolución temporal de cualquier proceso cuyo estado futuro dependa solo del estado en que se encuentre en el presente, pero no de su historia pasada. Desde comienzos del siglo XX sus aplicaciones en el ámbito sanitario han sido múltiples, siendo una línea de investigación de interés en la actualidad tanto a nivel teórico como aplicado. El objetivo de este trabajo es mostrar los modelos markovianos utilizados con mayor frecuencia en ciencias de la salud, prestando especial atención a los métodos de estimación, la interpretación de resultados y el software disponible para su aplicación. Desde un punto de vista práctico se abordan cuatro aspectos fundamentales para llevar a cabo análisis de datos basados en modelos de Markov, a saber definición de los estados del proceso y los mecanismos de transición entre ellos, selección del modelo más apropiado, determinación de las probabilidades de transición entre estados y descripción de la evolución temporal del proceso.

ABSTRACT

Many variables of interest in health sciences change with time. Understanding their evolution and predicting their future status under certain initial conditions provide key information that is extremely useful in health research, health management and health care. Stochastic processes are sequences of random variables which change over time and Markov models study the evolution of any process where its future status will depend on its present status alone, but not on its past history. Since the beginning of the XX century there have been numerous applications of this type of processes in health sciences. Today, these kinds of models are an interesting theoretical and applied research line. This paper shows some of the Markov models that are currently the most widely used in the fields of health sciences. The content has been drafted with particular emphasis on the main techniques for analysis, interpretation of results, the usefulness of the models and software available for applications. From a practical standpoint, four essential aspects are taken into account in data analysis based on Markov models definition of the process states and their transitions, selection of the best model, estimation of transition probabilities between states, and description of the process temporal evolution.

RESUMO

Em ciências da saúde, muitas variáveis de interesse mostram mudanças no tempo. Predizer que valor futuro alcançará uma variável sob determinadas condições iniciais constitui uma importante fonte de informação para a investigação básica e aplicada, igual que para a tomada de decisões na gestão de serviços de saúde e a atenção sanitária. Os processos estocásticos são sequências de variáveis aleatórias observadas em sucessivos instantes de tempo, e os modelos de Markov permitem estudar a evolução temporal de qualquer processo cujo estado futuro dependa somente do estado em que se encontre no presente, mas não de sua história passada. Desde o início do seculo XX suas aplicações no âmbito sanitário têm sido múltiplas, sendo uma línha de investigação de interesse na atualidade tanto a nivel teórico como aplicado. O objetivo deste trabalho é mostrar os modelos markovianos utilizados com maior frequência em ciências da saúde, prestando especial atenção aos métodos de estimação, a interpretação de resultados e o software disponível para sua aplicação. Desde o ponto de vista prático se abordam quatro aspectos fundamentais para realizar análises de dados basaedos em modelos de Markov, a saber definição dos estados do processo e os mecanismos de transição entre eles, seleção do modelo mais apropriado, determinação das probabilidades de transição entre estados e descrição da evolução temporal do processo.