Modelado bayesiano para el pronóstico de retrasos mediante funciones paramétricas de probabilidad de notificación...

Área de la Ciencia:

• Epidemiología
• Bioestadística
• Salud Pública

Sus antecedentes:

• La estimación precisa de los casos de enfermedades es vital para la vigilancia de la salud pública.
• Los retrasos en la notificación oscurecen los recuentos reales de casos, lo que dificulta la respuesta en tiempo real.
• Los métodos existentes tienen dificultades con los entornos de notificación dinámicos.

Objetivo del estudio:

• Desarrollar un novedoso modelo jerárquico bayesiano para la predicción de los recuentos reales de casos de enfermedades.
• Abordar y ajustar los retrasos en la notificación de datos epidemiológicos.
• Mejorar la precisión y adaptabilidad de la vigilancia de enfermedades en tiempo real.

Principales métodos:

• Se empleó un modelo jerárquico bayesiano con formas paramétricas flexibles.
• Se incorporaron parámetros variables en el tiempo modelados como procesos estocásticos (por ejemplo, caminatas aleatorias, procesos de Ornstein-Uhlenbeck).
• Se evaluó el rendimiento del modelo mediante estudios de simulación y análisis de datos del mundo real.

Principales resultados:

• El modelo propuesto supera significativamente a los métodos de pronóstico tradicionales en simulaciones.
• Los datos del mundo real confirmaron una estimación fiable del recuento real de casos a pesar de los retrasos en la notificación.
• Se demostró una subnotificación sustancial en los casos de enfermedades reales.

Conclusiones:

• La combinación de modelado paramétrico flexible con ajustes variables en el tiempo mejora la precisión del pronóstico.
• El modelo proporciona una herramienta robusta y adaptable para la vigilancia de enfermedades en tiempo real.
• Facilita decisiones de salud pública más informadas y oportunas basadas en los datos actuales de casos.