Componentes de los modelos de simulación de eventos

5/14/2018 Componentes de los modelos de simulación de eventos - slidepdf.com

http://slidepdf.com/reader/full/componentes-de-los-modelos-de-simulacion-de-eventos 1/32



• registra el tiempo virtualtranscurrido desde la puesta enmarcha del sistema, y quepermita referenciar el instante

exacto en que ocurre cada uno delos eventos. Es importante noconfundir el tiempo virtual quemarca el reloj de simulación con

el tiempo de computación, el cualregistra el tiempo realtranscurrido desde que lasimulación se puso en marcha.



• hace posible señalar elcomienzo y el final de la

simulación, y la aparición deeventos clínicos en sumomento exacto, sinnecesidad de ciclos deduración fija.

• También permite la creaciónde relojes secundarios quemarcan tiempos importantes

• los cambios en el sistema se

producen sólo cuando ocurrealgún evento



• Son los elementos dinámicos que

se simulan a través del modelo,cambian de estatus, afectan y sonafectados por otras entidades y sonlos protagonistas de los eventosclínicos de estudio del modelo.

• Normalmente, en la simulación deuna enfermedad se representan



• Son las

características delas entidades, conlas cuales sedescriben ydiferencian

P

A

C

I

E

N

T

E



• Todas las entidades tienen los

mismos tipos de atributos, perocon diferentes valores paracada entidad; los valores de losatributos están, por tanto,ligados a una entidad concreta.

• Por ejemplo, todos los pacientestienen «edad» o «presiónarterial», pero cada uno po-see

un valor específico



• Es todo aquello que puede ocurrirdurante la simulación en función delproceso que estamos estudiando.

• Por ejemplo:

• los eventos pueden suceder de formacasi simultánea y pueden hacerlo encualquier secuencia lógica

ADMISION HOSPITALARIADAR DE ALTA

CAMBIO DE DOSIS

BAJA LABORAL



• Las variables definen el modelo y reflejanuna característica del conjunto, no deentidades específicas. Son especificacionesque se mantienen a lo largo del modelo,aunque sus valores pueden cambiardurante el proceso de simulación, y van adefinir el entorno de la simulaciónafectándolo a lo largo de todo el proceso.



• Definidos en un tiempodeterminado, su consumo llevaasociado el gasto de una serie deunidades de dichos recursos enmomentos de tiempo concretos.

• En el ámbito sanitario estosrecursos se pueden dividir en:

• personas (médicos, enfermeras,cuidadores),

• bienes (medicamentos, pruebasde laboratorio),

• espacios (camas hospitalarias,quirófanos) y otros.



• Algunos recursos puedenconsumirse de manerasimultánea en un momentodado, pero lo más frecuente es

que las entidades tengan quecompetir por estos recursos, queademás tienen un coste unitariode uso.

• Un recurso puede tenerdiferentes unidades decapacidad (pensemos, porejemplo, en las camas en una

sala de emergencia o en elnúmero de médicos en una zona



• Son variables que acumulan lainformación de lo que ha pasado sinparticipar en el suceso mismo, es decir,son pasivos. Dependen de lacaracterización de los resultadospedidos al modelo. Al final de lasimulación, se usan para obtener elresultado final, y las medidas de éstos.

• Algunos ejemplos de acumuladoresestadísticos son la supervivencia, loscostes asociados a los pacientes o elnúmero de visitas en un tiempodeterminado.



• Cuando un paciente utiliza undeterminado recurso, éste deja deestar disponible para el resto de lospacientes, lo cual puede generarcolas en el sistema.



• Explícitos: que son los que segeneran por algún tipo de acción oproceso (p. ej., la duración de los

exámenes médicos).

• Implícitos: causados por otrasacciones o condiciones en lasimulación del modelo (p. ej., colaspara acceder a una prueba

diagnóstica).





• Ecuaciones que se aplican de formaindividual a cada individuo del

modelo, y pueden ser: funciones(lineales, logarítmicas, de riesgo etc.)o distribuciones estadísticas deprobabilidad (normal, exponencial,

weibull, beta, gamma, etc.).• Los números aleatorios se

generan mediante algoritmos

computacionales avanzados paraasegurar la aleatorización y crear elcomportamiento estocástico delmodelo, y se basan en variables

pseudoaleatorias, creadas a través



Cómo funciona un MSED

•El desarrollo del modelo comienza porla definición y creación de la poblaciónobjetivo mediante la especificación de

las características de los pacientes queserán simulados



• con información proveniente deensayos clínicos, evidencia publicaday otros estudios, a partir de los

cuales el investigador puede generaruna serie de algoritmos y caminospor los que el paciente puede

transitar y que sirve para diseñar lahistoria de la enfermedad o procesoevaluado en el modelo.



• El esquema típico de simulación de unMSED se presenta en la figura. La

simulación arranca con la puesta enmarcha del reloj de simulación, tras locual se da la lectura de los diferentesvalores iniciales, introducidos en él,

como las características de la población,los detalles del manejo de los eventos ylos costes en función del tratamientoasignado. Estos valores de entrada son

almacenados y leídos por el modelodiseñado en el software de simulaciónempleado.



.modelo de simulación de eventos

discretos



• A los pacientes creados se les asignaunas características basadas en lasdistribuciones de partida (p. ej.,

sexo, edad, valores basales deentrada de incapacidad oenfermedad, etc.). En este punto, seestima la expectativa vital de cada

individuo. La persona que realiza elanálisis define el tamaño de lacohorte de pacientes que recibirá

cada tratamiento (p. ej., 1.000) y elnúmero de ré licas número de



y análisis de los resultados de

los MSED

• El último paso es analizar losresultados obtenidos al ejecutar elmodelo varias veces para poder

inferir el efecto de la intervenciónevaluada. Una vez obtenidos losresultados al ejecutar el modelo,

éstos se evalúan a través del análisisde sensibilidad.



Ejemplo de uso de MSED

• Para ilustrar los modelos MSED,partiremos de un ejemplo en el que seevalúa un proceso de pacientes con

enfermedad cardiovascular, quepresentan bradicardia, para la cualestaría indicada la implantación de unmarcapasos. Podríamos implantar 2

tipos diferentes de marcapasos:marcapasos de estimulaciónmonocameral (sólo en ventrículo), oVVI(R), o bien un marcapasos de

estimulación bicameral (estimulación



• Los pacientes implantados puedensufrir diferentes eventoscardiovasculares con el tiempo,

como fibrilación auricular (FA) oaccidente cerebrovascular (ACV),efectos adversos, como el síndrome

del marcapasos, o incluso morir.



• Dependiendo de la efectividad de los 2tipos de marcapasos, estos eventos sepodrían dar en diferente proporción depacientes y tardarían más o menos

tiempo en suceder, producirse enmomentos diferentes o incluso coincidiren el tiempo; por ello, el uso de unmodelo de Markov no es apropiado.

Dichos eventos llevarán asociados unautilización de recursos, que implicancostos y cambios en la evaluaciónclínica del paciente, e incluso valores desu calidad de vida, si ésta se haincorporado en el análisis del estudio.





El registro británico demarcapasos,Los ensayos clínicos MOST yCTOPP

El Framingham Herat Study.

Los datos clínicos que alimentan el modelo son:

Se realizan 100 simulaciones de 1.000 pares depacientes durante 5 años, los beneficios sedescontaron al 1,5% anual y los costes al 6%, tal

como aconseja el NICE.

El resultado del modelo indica que supone uncoste adicional medio en los pacientesimplantados con marcapasos bicamerales de 43

libras por paciente, y un incremento de 0,09AVAC, con un cociente coste/efectividadincremental de 477 libras por AVAC; estosresultados son consistentes durante el análisis desensibilidad realizado.



Software en simulación de modelosde eventos discretos

Aunque la programación de este tipo de modelos puede

hacerse a través de hojas de cálculo como Excel, ésta

sólo se usa para modelos muy simplificados. Para

modelos más complejos se utilizan paquetes de

software específicos. Por ello, una de las primerasdecisiones importantes consiste en seleccionar qué

tipo de software se utilizará. Las opciones posibles son

básicamente dos:1. Usar un lenguaje de

programación (C/C++, Pascal, Java, Visual Basic, etc.).

2. Usar programas de simulación(lenguajes de simulación y

simuladores)

1 Usar un lenguaje de programación



Esta opción implica, en principio:

tener que modelar todos los detalles del

sistema

1. Usar un lenguaje de programación(C/C++, Pascal, Java, Visual Basic,

etc.).

Sin embargo, que en los últimos años se han

desarrollado librerías de funciones y clases de objetos

para C/C++, Pascal, Java e incluso VB.Net

Por otra parte, al optar por un lenguaje de programación

general, se dispone de una mayor flexibilidad a la horade construir el modelo y, además, el código resultante

puede ser muy eficiente y rápido de ejecutar

(especialmente cuando se usa C/C++).

2 sar programas e s mu ac n



Este tipo de programas suele incluir un lenguaje de

programación especialmente orientado a la

simulación,

2. sar programas e s mu ac n(lenguajes de simulación y

simuladores)

Así como librerías de clases, objetos o funciones que

agilizan el modelado del sistema, la obtención de

valores aleatorios, la generación de informes, el

análisis estadístico de resultados, etc.

A cambio de ello, se prescinde de un cierto grado de

flexibilidad con respecto a la opción anterior.

De ámbito genérico (Arena,

SIMSCRIPT II.5, AweSim, SIMPLE++,Extend, GPSS/H, Micro Saint,MODSIM III, LeanSim, SIGMA, Simul

8).



Ventajas e inconvenientes de la simulación de

eventos discretos

Los MSED tienen ventajas muy significativas, por ejemplo:

Ventajas del uso deMSED

Con respecto a la población de estudio.

Respecto a los resultados.

Permiten contemplar resultados múltiples, lo que se adecua

más a la realidad.Permiten un estudio más realista de los tratamientos

evaluados: cambios de dosis, comienzo y monitorización,prueba de dosis o período de lavado farmacológico previo a un

cambio de tratamiento.

facilitan el diseño de la población, teniendo en cuenta lascaracterísticas fundamentalesPermiten diseñar una estructura más clara, de los eventos.La estructura del modelo se puede cambiar fácilmente, lo que

permite un análisis de sensibilidad estructuralPermiten el uso de diferentes tiempos, en función de los

eventos que vayan a suceder



Inconvenientes de los MSEDEn general, el uso de los MSED conlleva también una serie

de limitaciones.

Por un lado, requieren mayor cantidad de datos y pueden

necesitar un mayor tiempo de ejecución que los modelos

de Markov,

si no disponemos de simuladores de alto rendimiento. El

análisis de sensibilidad empleado suele ser multivariante,

lo cual aumenta todavía más el tiempo de cálculo.

nconven en es e os



En general, el uso de los MSED conlleva también una serie

de limitaciones.

Otra limitación es el escaso acceso al software necesario para programar

este tipo de modelos, o bien la falta de un entrenamiento adecuado de sus

usuarios, especialmente en el caso de simuladores complejos:

Como Arena o LeanSim.

Aunque es posible implementar este tipo de modelos por medio de

programas como Excel, programando macros en Visual Basic para

Aplicaciones (VBA).

Por ejemplo el motor de generación de números seudoaleatorios no es

suficientemente bueno desde el punto de vista estadístico o la veleidad de

ejecución del código VBA es relativamente baja.

nconven en es e osMSED

Documents

Componentes de los modelos de simulación de eventos