El horizonte perdido y la imperiosa necesidad de definir el tiempo en los modelos predictivos de COVID-19
Palabras clave:
algoritmos, biomarcadores, COVID-19, factores de tiempo, modelos logísticos, pronóstico, predicción, sensibilidad y especificidad, valor predictivo de las pruebasResumen
Los modelos predictivos de hiperinflamación en la COVID-19 adolecen de una falla crítica: la omisión de la dimensión temporal u horizonte pronóstico. Aunque exhiben alta precisión estadística, esta carece de utilidad clínica si no se define el plazo concreto para el que se predice el evento. La fisiopatología de la enfermedad es dinámica y la tormenta de citocinas ocurre en una ventana temporal específica. Predecir hiperinflamación sin un plazo definido (ej. 48 horas vs. 7 días) impide guiar intervenciones terapéuticas oportunas, cuya efectividad es máxima cuando se aplican precozmente. La metodología predominante, como la regresión logística, simplifica en exceso esta realidad. Se propone adoptar técnicas como el análisis de supervivencia, que modela explícitamente el tiempo hasta el evento. Integrar el "cuándo" es crucial para transformar herramientas estadísticas en instrumentos clínicamente relevantes que mejoren la toma de decisiones.
Descargas
Citas
1. Steyerberg EW. Clinical prediction models: A practical approach to development, validation, and updating. 2a ed. Cham, Suiza: Springer Nature; 2020.
2. Silva MJA, Ribeiro LR, Gouveia MIM, Marcelino BDR, Santos CSD, Lima KVB, Lima LNGC. Hyperinflammatory Response in COVID-19: A Systematic Review [Internet]. Viruses. 2023;15(2):553. DOI: https://doi:10.3390/v15020553
3. Ferrer Castro JE, del Río Caballero G, Amaro Guerra I, Benítez Sánchez E, Rodríguez González Z. Modelo predictivo de hiperinflamación en pacientes con la COVID-19 [Internet]. Rev. cuba. med. Mil. 2025 [acceso: 10/10/20225];54(4):e025076744. Disponible en: https://revmedmilitar.sld.cu/index.php/mil/article/view/76744
4. Wolff RF, Moons KGM, Riley RD, Whiting PF, Westwood M, Collins GS, et al. PROBAST: A Tool to Assess the Risk of Bias and Applicability of Prediction Model Studies [Internet]. Ann Intern Med. 2019;170(1):51-58. DOI: https://doi:10.7326/M18-1376
5. Song Q, Fei W. Evaluation of Sepsis-1 and Sepsis-3 Diagnostic Criteria in Patients with Sepsis in Intensive Care Unit [Internet]. J Healthc Eng. 2023 ;2023:3794886. DOI: https://doi:10.1155/2023/3794886
6. Van Calster B, McLernon DJ, van Smeden M. Calibration: the Achilles heel of predictive analytics [Internet]. BMC Med. 2019; 17:230. DOI: https://doi.org/10.1186/s12916-019-1466-7
7. Kent P, Cancelliere C, Boyle E. A conceptual framework for prognostic research [Internet]. BMC Med Res Methodol. 2020; 20:172. DOI: https://doi.org/10.1186/s12874-020-01050-7
8. Rajasekaran S, Kruse K, Kovey K, Davis AT, Hassan NE, Ndika AN, et al. Therapeutic role of anakinra, an interleukin-1 receptor antagonist, in the management of secondary hemophagocytic lymphohistiocytosis/sepsis/multiple organ dysfunction/macrophage activating syndrome in critically ill children [Internet]. Pediatr Crit Care Med. 2014;15(5):401-8. DOI: https://doi:10.1097/PCC.0000000000000078
9. Wynants L, Van Calster B, Collins GS, Riley RD, Heinze G, Schuit E, et al. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal [Internet]. BMJ. 2020;369:1328. DOI: https://doi:10.1136/bmj.m1328
10. Laing AG, Lorenc A, Del Molino Del Barrio I, Das A, Fish M, et al. A dynamic COVID-19 immune signature includes associations with poor prognosis [Internet]. Nat Med. 2020;26(10):1623-35. DOI: https://doi:10.1038/s41591-020-1038-6
11. Ouko RK, Mukaka M, Ohuma EO. Joint modelling of longitudinal data: a scoping review of methodology and applications for non-time to event data [Internet]. BMC Med Res Methodol. 2025; 25(1):40. DOI: https://doi:10.1186/s12874-025-02485-6
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Lodixi Cobas Planchez, Natascha Mezquia de Pedro
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cual estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons. Los contenidos que aquí se exponen pueden ser compartidos, copiados y redistribuidos en cualquier medio o formato. Pueden ser adaptados, remezclados, transformados o creados otros a partir del material, mediante los siguientes términos: Atribución (dar crédito a la obra de manera adecuada, proporcionando un enlace a la licencia, e indicando si se han realizado cambios); no-comercial (no puede hacer uso del material con fines comerciales) y compartir-igual (si mezcla, transforma o crea nuevo material a partir de esta obra, podrá distribuir su contribución siempre que utilice la misma licencia que la obra original).
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada.
