- + Año
-
2025
- + Áreas de Conocimiento
-
FARMACOLOGÍA CLÍNICA, MEDICINA INTENSIVA, MEDICINA INTERNA, MEDICINA PREVENTIVA Y SALUD PÚBLICA, MICROBIOLOGÍA Y PARASITOLOGÍA, METODOLOGÍA
- + Tipo Tecnología
-
OTRO
- + Línea de Producción
-
INFORMES DE EVALUACIÓN
La aplicación de la simulación para la toma de decisiones en medicina se basa en la recreación de escenarios sanitarios, según los datos recabados de variables analizadas y a la aplicación de algoritmos, para obtener modelos que pueden estimar la posible repercusión de las decisiones a que se pueden tomar. A partir de una amplia Revisión Sistemática de la literatura científica se han identificado 20 revisiones sistemáticas que han permitido identificar indicadores como el estado del paciente, la evolución de la pandemia y la transmisión, así como medidas de gestión y de salud pública.
Las catástrofes son circunstancias excepcionales sobrevenidas que aumentan de gran manera el potencial número de muertes en una población. Estas catástrofes pueden deberse a causas naturales (terremotos, incendios, volcanes, inundaciones, etc), causas humanas (terrorismo, guerras, situaciones de conflicto, etc) o el brote o la expansión de una enfermedad, especialmente las infecciosas (epidemia, pandemia, etc). Independientemente de su origen, estas catástrofes son eventos disruptivos en el sistema sanitario que pueden desembocar en una situación de emergencia sanitaria. La previsión de la evolución de la catástrofe a nivel sanitario, las posibles necesidades del sistema sanitario ante estas eventualidades y su correcto manejo en todas las fases de la catástrofe se colocan como elementos centrales para poder dar una mejor respuesta desde el punto de vista sanitario, lo cual podría mitigar las consecuencias del desastre en la población. La aplicación de la simulación para la toma de decisiones en medicina se basa en la recreación de escenarios sanitarios, según datos recabados de las variables analizadas y gracias a la aplicación de algoritmos, para obtener información sobre la posible repercusión (positiva, negativa o neutra) de las decisiones sobre las variables finales en el entorno recreado.
Objetivo
El objetivo principal de este informe es la identificación de indicadores y variables aplicables a las metodologías de modelización y simulación para la toma de decisiones en brotes de enfermedades, epidemias y pandemias.
Método
Revisión sistemática de la literatura siguiendo las recomendaciones recogidas por la declaración PRISMA y la metodología de análisis de contenido, para responder a la pregunta de investigación en formato SPICE (escenario, perspectiva, intervención, comparador y evaluación) sin incluirse comparador. La extracción de los datos se realizó siguiendo la metodología de análisis de contenido. Este tipo de análisis es un método de investigación para interpretar y cuantificar datos textuales, su singularidad radica principalmente en su capacidad para convertir datos textuales cualitativos en datos cuantitativos, que luego pueden examinarse sistemáticamente. Para la localización de la evidencia se realizaron búsquedas en bases de datos referenciales (Medline Ovid), Embase (Elsevier), la biblioteca Cochrane (Wiley), The Web of Science (FECYT) Core Collection, International HTA database (InaHTA) y PsycInfo (EBSCO), Trip PRO Database, The Health Evidence Database y en recursos especializados en COVID19 (The WHO COVID19 Research Database, The COVID19 Evidence Network to support Decision-making (COVID-END) y The Wales COVID19 Evidence Centre). La herramienta seleccionada para evaluar la calidad de los estudios incluidos fue AMSTAR2.
Resultados
Como resultado de las búsquedas en las bases de datos referenciales y en otros recursos electrónicos, previamente enumerados, y limitadas a RS y MA, se identificaron un total de 1543 estudios, de los cuales 1116 no estaban duplicados. Se realizó una primera selección por pares independientes en base a título y resumen, descartándose inicialmente 1034 estudios por no cumplir con los criterios de inclusión o por cumplir algunos de los criterios
de exclusión. Las discrepancias se solucionaron por consenso. De los 82 documentos que fueron leídos a texto completo, finalmente se seleccionaron por pares 20 para su análisis. La calidad de los estudios incluidos osciló entre moderada y críticamente baja (13 estudios obtuvieron una evaluación de calidad críticamente baja, 1 estudio calidad baja y 6 estudios calidad moderada). Ninguna de las RS incluidas alcanzó la calidad máxima que recoge AMSTAR2.
Respecto a los indicadores a evaluar y las variables que los definen, se dividieron en indicadores generales, de gestión sanitaria y otro tipo de medidas. A su vez, se realizó un análisis desagregado según las pandemias objeto de simulación o modelización. Los indicadores que presentan una mayor frecuencia en todos los tipos de simuladores y modelos independientemente de la enfermedad causante son el estado del paciente, la evolución de la pandemia y la transmisión. Las medidas de gestión y de salud pública que presentan una mayor frecuencia en todos los tipos de simuladores y modelos independientemente de la enfermedad causante son las medidas de control y restricción, los planes de vacunación y la gestión de las necesidades hospitalarias.
Conclusiones
A través del análisis de las 20 RS incluidas, a pesar de su baja calidad, se han identificado simuladores y modelos matemáticos para la toma de decisiones en epidemias o pandemias mediante la recreación de escenarios con variables clínicas y de gestión. Los recursos informáticos y las metodologías de modelados matemáticos y simulaciones actuales pueden permitir el desarrollo e implementación de simuladores para la toma de decisiones
clínicas o de gestión en brotes de enfermedades, pandemias y epidemias. Este tipo de simuladores pueden contribuir de manera complementaria en la toma de decisiones en salud pública y a nivel asistencial para proteger la salud de la población. Sin embargo, es necesaria la validación y evaluación de su metodología de forma estandarizada, y la homogeneización de las metodologías de simulación y modelado matemático, así como de los indicadores y variables, aunque estos puedan reflejar singularidades de las enfermedades objetos de estudio.
Disasters are exceptional circumstances that occur and greatly increase the potential number of deaths in a population. These disasters can be due to natural causes (earthquakes, fires, volcanoes, floods, etc), human causes (terrorism, wars, conflict situations, etc) or the outbreak or spread of a disease, especially infectious diseases (epidemic, pandemic, etc). Regardless of their origin, these disasters are disruptive events in the health system that can lead to a health emergency. Forecasting the evolution of the disaster at the health level, the possible needs of the health system in the face of these eventualities and its appropriate response in all phases of the disaster are central elements in order to provide a better management from the health point of view, which could mitigate the consequences of the disaster on the population. The application of simulation for decision-making in medicine is based on the recreation of health scenarios, according to data collected from the variables analysed and thanks to the application of algorithms, to obtain information on the possible repercussions (positive, negative or neutral) of decisions on the final variables in the recreated environment.
Objective
The main objective of this report is to identify indicators and variables applicable to modelling and simulation methodologies for decision-making in disease outbreaks, epidemics and pandemics.
Method
Systematic literature review following the recommendations of the PRISMA statement and the content analysis methodology, to answer the research question in SPICE format (scenario, perspective, intervention, comparator and evaluation) without including a comparator. Data extraction was carried out following the content analysis methodology. This type of analysis is a research method for interpreting and quantifying textual data, its uniqueness lies mainly in its ability to convert qualitative textual data into quantitative data, which can then be systematically examined. To locate the evidence, we searched reference databases (Medline (Ovid), Embase (Elsevier), Cochrane Library (Wiley), The Web of Science (FECYT) Core Collection, International HTA database (InaHTA) and PsycInfo (EBSCO), Trip PRO Database and The Health Evidence Database) and specialised resources in COVID19 (The WHO COVID19 Research Database, The COVID19 Evidence Network to support Decision-making (COVID-END) and The Wales COVID19 Evidence Centre). The tool selected to assess the quality of the included studies was AMSTAR2.
Results
As a result of searches of reference databases and other electronic resources, previously listed, and limited to SR and MA, a total of 1543 studies were identified, of which 1116 were not duplicated. A first independent pairwise selection was performed on the basis of title and abstract, initially discarding 1034 studies for not meeting the inclusion criteria or for meeting some of the exclusion criteria. Discrepancies were resolved by consensus. Of the 82 papers that were read in full text, 20 were finally selected by pairs for analysis.
The qualities of the included studies ranged from moderate to critically low (13 studies obtained a critically low quality assessment, 1 study low quality and 6 studies moderate quality). None of the included SRs reached the maximum quality as defined by AMSTAR2.
Regarding the scenario, 12 of the 20 SRs include only studies whose objective is the simulation or modelling of the progression of the COVID19 pandemic, as explicitly stated in their inclusion or exclusion criteria. Seven of the 20 SRs included in this report each address one pandemic. Only 1 of the 20 SRs includes studies whose object of modelling or simulation are different. Given the high number of SRs whose object is the analysis of models and simulators for the COVID19 pandemic, the disaggregated analysis of the rest of the results into COVID19 and non-COVID19 is proposed, to avoid possible bias by scenario.
With respect to the perspective object of modelling or simulation, an attempt was made to collect data on: the scope of application within the health system, the type of health system financing contemplated, and the adaptability of the model or simulator to other health systems or levels of care. However, these results were only obtained in 4 of the SRs included and only for one of the sections (scope of application within the health system).
Regarding intervention, only one of the included SRs included a small proportion of studies whose simulation included patients with pathologies not directly related to the disease (chronic cardiac pathology). Regarding the modelling and simulation methodologies applied by the studies included in the SRs, 11 of the 20 SRs include modelling of pandemic evolutions as primary studies while 9 SRs include simulations. The use of AI, ML or DL by the included primary studies is reported in 9 of the 20 SRs.
Regarding the indicators to be evaluated and the variables, they were divided into clinical indicators, clinical management or hospital policy indicators and other types of indicators. In turn, a disaggregated analysis was performed according to the pandemics being simulated or modelled. The clinical indicators with the highest frequency in all types of simulators and models regardless of the causative disease are patient status, pandemic development and transmission. The management indicators with the highest frequency in all types of simulators and models regardless of the causative disease are control and restriction measures, vaccination plans and management of hospital needs. In the category of indicators that were neither clinical nor management indicators, defined as other indicators, they have a higher frequency in all types of SR simulators and models including climatological and population indicators.
Conclusions
Through the analysis of the 20 SRs included, despite their low quality, we have identified simulators and mathematical models for decision-making in epidemics or pandemics by recreating scenarios with clinical and management variables. Thanks to this evidence, we conclude that current computer resources and mathematical modelling and simulation methodologies allow the development and implementation of simulators for clinical or management decision-making in disease outbreaks, pandemics and epidemics. These types of simulators can contribute in a complementary way to clinical or management decision-making to obtain beneficial results for the population affected by the pandemic, allowing their measurement through these same indicators. However, it is necessary to validate and evaluate their methodology in a standardized way, and to homogenize the simulation and mathematical modelling methodologies, as well as the indicators and variables, although these may reflect singularities of the diseases under study.