Los modelos de progresión de enfermedades son una herramienta valiosa para el diagnóstico y tratamiento en medicina. Actualmente, un equipo de investigadores, liderado por Erica Chiang y colaboradores de diversas universidades de Estados Unidos, ha desarrollado un modelo bayesiano interpretable que aborda tres disparidades de salud clave. Estas disparidades se centran en ciertos grupos de pacientes que podrían estar recibiendo atención retrasada, presentando una progresión más rápida de la enfermedad o teniendo visitas de seguimiento menos frecuentes.

Se ha demostrado teórica y empíricamente que ignorar estas disparidades puede llevar a estimaciones sesgadas de la gravedad de la enfermedad. En un estudio de caso con pacientes de insuficiencia cardíaca, el modelo no sólo identificó grupos vulnerables que enfrentan estas disparidades, sino que las incorporó en las inferencias sobre la gravedad de la enfermedad, proporcionando estimaciones más justas y precisas.

Los datos para este estudio provienen del sistema de registros electrónicos de salud del NewYork-Presbyterian/Weill Cornell Medical Center, y aunque no están disponibles públicamente, el código para el modelo sí lo está, permitiendo una evaluación por parte de otros investigadores interesados.

Estos modelos de progresión son aplicables a una variedad de enfermedades progresivas como el Parkinson, el Alzheimer y el cáncer, y se ha observado que, con el ajuste adecuado, pueden describir de manera precisa la progresión de la enfermedad para poblaciones diversas. Por lo tanto, al considerar las disparidades en el acceso y la calidad de la atención médica, estos modelos ayudan a redirigir los recursos y personalizar aún más el tratamiento para pacientes considerados de alto riesgo.

En conclusión, la investigación destaca la importancia de integrar las disparidades en los modelos de progresión de enfermedades para proporcionar cuidados más equitativos y precisos, subrayando la utilidad de tales modelos en mejorar el pronóstico y tratamiento de enfermedades progresivas en poblaciones diversas.