[Durgical](https://durgical.com/) › [DurgiPedia](https://durgical.com/durgipedia/) › [Epidemiología](https://durgical.com/epidemiologia/) › [Medicina basada en la evidencia](https://durgical.com/epidemiologia/areas/ebm/) › Análisis de decisiones y árboles de decisión

# 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.

Actualizado 19 nov 2026

## Lo esencial

- Cuadrado = nodo de decisión, círculo = nodo de azar, nodo final (triángulo o caja) = desenlace; se dibuja de izquierda a derecha en orden temporal.
- Las probabilidades que salen de un mismo nodo de azar suman 1.
- Valor esperado = Σ (probabilidad × valor); se pliega desde los desenlaces hasta la raíz.
- Utilidad: lo que vale un desenlace en una escala de 0 (muerte) a 1 (salud plena); los [AVAC](https://durgical.com/epidemiologia/anos-de-vida-ajustados-por-calidad/) añaden el tiempo.
- Análisis de sensibilidad: se varía un dato para hallar el valor en que cambia la opción preferida.
- Un modelo no aporta evidencia nueva: su respuesta vale lo que valen sus probabilidades y utilidades.

En esta página

- Lo básico Lo esencial
- Qué es
- Cómo pensarlo
- Datos clave
- Ejemplo resuelto
- Tres herramientas de decisión que suelen confundirse
- En la práctica
- Errores frecuentes
- Trampas frecuentes
- En otras secciones

- Estudio Póngase a prueba

- Conexiones Conexiones

## 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.

## Cómo pensarlo

Un árbol de decisión es un boleto de apuesta para cada opción: se anota qué puede pasar, qué tan probable es y cuánto vale cada resultado para el paciente, y luego se multiplica y se suma. Gana la opción con el mejor pago promedio, pero solo si el veredicto se sostiene cuando los números inciertos se mueven hacia arriba y hacia abajo.

## 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](https://durgical.com/epidemiologia/umbrales-de-prueba-y-de-tratamiento/) 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.

[Agregar a mis tarjetas (5)](https://durgical.app/estudiar/?add=/epidemiologia/analisis-de-decisiones-y-arboles-de-decision/)

## En otras secciones

- [Toma de decisiones compartida](https://durgical.com/psicologia-medica/toma-de-decisiones-compartida/)

## Conexiones

## Relacionados 7

- [Umbrales de prueba y de tratamiento](https://durgical.com/epidemiologia/umbrales-de-prueba-y-de-tratamiento/)
- [Años de vida ajustados por calidad (AVAC)](https://durgical.com/epidemiologia/anos-de-vida-ajustados-por-calidad/)
- [Evaluación económica en salud](https://durgical.com/epidemiologia/evaluacion-economica-en-salud/)
- [Número necesario a tratar (NNT)](https://durgical.com/epidemiologia/numero-necesario-a-tratar/)
- [Número necesario para dañar (NNH)](https://durgical.com/epidemiologia/numero-necesario-para-danar/)
- [Reducción absoluta del riesgo](https://durgical.com/epidemiologia/reduccion-absoluta-del-riesgo/)
- [Comunicación del riesgo y de la evidencia](https://durgical.com/epidemiologia/comunicacion-del-riesgo-y-de-la-evidencia/)

[← Toda la epidemiología](https://durgical.com/epidemiologia/)

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](https://europepmc.org/article/PMC/PMC2669856) (Journal of General Internal Medicine, 2009); [Medical decision analysis for personalized oncology at the patient bedside](https://europepmc.org/article/PMC/PMC12916885) (Tumori, 2026); [Decision analysis in cardiac surgery: a scoping review and methodological primer](https://europepmc.org/article/PMC/PMC11004554) (European Journal of Cardio-Thoracic Surgery, 2024); [The threshold model revisited](https://europepmc.org/article/PMC/PMC6590161) (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.

---
Source: https://durgical.com/epidemiologia/analisis-de-decisiones-y-arboles-de-decision/
License: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Cite as: DurgiPedia (durgical.com), https://durgical.com/epidemiologia/analisis-de-decisiones-y-arboles-de-decision/
