Análisis de decisiones y árboles de decisión
- Concepto
Cuando la mejor opción depende del azar y de lo que vale cada desenlace, un árbol de decisión ordena las opciones y las suma para compararlas.
Qué es
El análisis de decisiones modela una elección: las opciones parten de un nodo de decisión, los eventos inciertos se ramifican en nodos de azar y cada camino acaba en un desenlace con su utilidad. El valor esperado de cada opción suma sus desenlaces ponderados por su probabilidad; gana el mayor y el análisis de sensibilidad mide su firmeza.
Datos clave
- Plegar el árbol (promediar): en cada nodo de azar se multiplica el valor de cada rama por su probabilidad y se suma; en un nodo de decisión se conserva la mejor opción.
- Las utilidades pueden obtenerse del paciente, por ejemplo con la lotería estándar: el riesgo de muerte que una persona aceptaría para evitar un estado fija su valor.
- Los AVAC multiplican los años en un estado por su utilidad; la página de AVAC muestra la cuenta y cómo se añaden los costos.
- Análisis de sensibilidad: univariado (un dato), bivariado (dos a la vez) o probabilístico (Monte Carlo toma valores del rango de cada dato; se cuenta en qué proporción de corridas gana cada opción).
- NNT frente a NNH: un fármaco inventado con NNT 25 para un ictus y NNH 50 para un sangrado mayor evita 2 ictus por cada sangrado causado; si vale la pena depende de qué tan grave es cada evento, lo que aportan las utilidades.
- Cuando los eventos se repiten durante años, un modelo de Markov (estados de salud, ciclos fijos, sin memoria del pasado) reemplaza al árbol simple.
Ejemplo resuelto
- Elección inventada: operar ya (A) o vigilar y esperar (B). Utilidades: sano 1,0, sano tras cirugía 0,95, muerte 0.
- A: muerte operatoria 2 %, así que 98 % termina en 0,95. VE(A) = 0,98 × 0,95 + 0,02 × 0 = 0,931.
- B: 70 % se resuelve solo (1,0); 30 % empeora y necesita cirugía urgente, donde 90 % se recupera (0,9) y 10 % muere (0).
- Primero se pliega la rama urgente: 0,9 × 0,9 + 0,1 × 0 = 0,81.
- VE(B) = 0,70 × 1,0 + 0,30 × 0,81 = 0,700 + 0,243 = 0,943.
- Caso base: B gana por 0,012, un margen pequeño, así que hay que poner a prueba los datos.
- Sensibilidad univariada sobre p, la probabilidad de empeorar: VE(B) = 1 − 0,19 × p, que iguala 0,931 cuando p ≈ 0,36.
- Lectura: si la probabilidad de empeorar de este paciente supera cerca de 36 %, gana operar ya; por debajo, gana esperar.
Tres herramientas de decisión que suelen confundirse
| Rasgo | Árbol de decisión | Modelo de Markov | Modelo de umbrales |
|---|---|---|---|
| Pregunta | Qué opción tiene el mayor valor esperado en una elección | La misma, cuando los eventos se repiten durante mucho tiempo | A qué probabilidad de enfermedad estudiar o tratar |
| Tiempo | Horizonte corto, eventos únicos | Ciclos repetidos de duración fija, a menudo de por vida | Un solo momento de decisión |
| Se arma con | Probabilidades y utilidades en las ramas | Estados de salud y probabilidades de transición | Beneficio y daño del tratamiento, más la exactitud de la prueba |
| Resultado | Valor (utilidad) esperado por opción | AVAC esperados, a menudo con costos, por estrategia | Un umbral de prueba y uno de tratamiento |
| Límite principal | Las ramas se multiplican cuando la realidad es compleja | Sin memoria: el estado siguiente depende solo del actual | Se basa en datos de grupo y en que probabilidades y utilidades sean independientes |
En la práctica
- En la consulta, un árbol pequeño armado con el paciente hace explícitos sus valores en una elección compleja y apoya la decisión compartida.
- Las probabilidades salen de ensayos o cohortes, ajustadas al paciente concreto; donde no hay datos, de la opinión de expertos, señalada como tal.
- Los paneles de guías y la evaluación de tecnologías sanitarias usan modelos de decisión, a menudo con costos, para comparar estrategias.
- Algunos pacientes prefieren ver la probabilidad de cada desenlace (un análisis de riesgos) en lugar de aceptar la opción con mayor utilidad esperada.
Errores frecuentes
- Poner reducciones relativas del riesgo en las ramas: el árbol necesita probabilidades absolutas para este paciente.
- Informar un modelo sin sus datos, rangos y fuentes, de modo que nadie puede revisarlo.
- Confiar en un margen ganador sin análisis de sensibilidad.
- Modelar opciones que están fuera del estándar de atención.
Trampas frecuentes
- La opción con mayor valor esperado es la mejor para todo paciente: es la mejor en promedio con los datos usados; un paciente con otros riesgos o valores puede estar mejor con la otra opción
- Utilidades y probabilidades son lo mismo: una probabilidad dice qué tan probable es un desenlace; una utilidad dice cuánto vale, de 0 (muerte) a 1 (salud plena)
- Cualquier margen ganador zanja la cuestión: cuando los valores esperados son cercanos, solo un análisis de sensibilidad muestra si la elección se sostiene o se invierte con datos plausibles
- Un modelo de decisión produce evidencia nueva: solo recombina datos y juicios existentes, así que su respuesta vale lo que valen sus datos
- Si el NNT es menor que el NNH, se trata: los conteos ignoran qué tan grave es cada desenlace; un daño raro puede pesar más que un beneficio frecuente al ponderar por utilidades
Póngase a prueba
Piense la respuesta y toque la pregunta para verla.
Las ramas que salen de un nodo de azar tienen probabilidades 0,6 y 0,3. ¿Qué está mal?
Las probabilidades que salen de un mismo nodo de azar deben sumar 1: falta una rama de 0,1 o los números están mal.
La opción A tiene 80 % de probabilidad de un desenlace que vale 0,9 y 20 % de uno que vale 0,5. ¿Cuál es su valor esperado?
0,8 × 0,9 + 0,2 × 0,5 = 0,72 + 0,10 = 0,82.
Dos opciones difieren en 0,005 de utilidad esperada. ¿Qué hay que hacer antes de recomendar una?
Un análisis de sensibilidad: variar las probabilidades y utilidades inciertas; si valores plausibles invierten la elección, es una decisión ajustada que conviene conversar con el paciente.
Un fármaco tiene NNT 20 para un ictus y NNH 40 para un sangrado mayor. ¿Qué pasa por cada 40 tratados y qué más se necesita para decidir?
Se evitan unos 2 ictus y se causa 1 sangrado; además se necesita saber qué tan grave es un sangrado frente a un ictus para este paciente (las utilidades).
¿Por qué un árbol de decisión simple encaja mal en una enfermedad crónica con recaídas durante décadas?
Los eventos repetidos en horizontes largos multiplican las ramas; un modelo de Markov, con estados de salud y ciclos fijos, los maneja mejor.
En otras secciones
Conexiones
Contenido educativo sobre métodos epidemiológicos y estadísticos; los ejemplos usan números inventados para enseñar el cálculo. No es una guía clínica ni normativa: las normas colombianas vigentes se consultan en las fuentes oficiales.
Fuentes: Tips for teachers of evidence-based medicine: making sense of decision analysis using a decision tree (Journal of General Internal Medicine, 2009); Medical decision analysis for personalized oncology at the patient bedside (Tumori, 2026); Decision analysis in cardiac surgery: a scoping review and methodological primer (European Journal of Cardio-Thoracic Surgery, 2024); The threshold model revisited (Journal of Evaluation in Clinical Practice, 2019).
¿Ha detectado un error?Siempre buscamos mejorar para la comunidad. Cuéntenos qué está mal y nuestro equipo lo revisa.Reportar un error
Modelo representativo, solo con fines educativos.
