Piecewise y pendientes por fase
Series temporales interrumpidas, variables dependientes del tiempo y cambios de pendiente.
Datasets: Datos simulados de adherencia
Objetivos de aprendizaje
- Construir variables antes/después de la intervención.
- Añadir efectos aleatorios en los cambios.
- Visualizar diferencias en las pendientes.
- Documentar el impacto clínico del cambio.
El cambio en políticas de salud, la implementación de una guía clínica o la introducción de un protocolo nuevo se analiza mejor con modelos que permiten distintas pendientes antes y después de la intervención. Este módulo explica cómo construir variables dependientes del tiempo y modelos piecewise dentro de un marco de medidas repetidas.
Caso clínico
Un programa de adherencia a la medicación fue implementado en el mes 6. Los datos registran adherencia mensual durante 12 meses. Construimos variables que separan las pendientes antes y después del plazo, y añadimos un efecto aleatorio que permite a cada paciente responder con su propia aceleración.
Quiz de comprensión
-
Pregunta: ¿Por qué modelar dos pendientes en lugar de una sola cuando hay una intervención?
-
Respuesta: Porque la pendiente puede cambiar después de la intervención; una sola pendiente ocultaría ese cambio.
-
Pregunta: ¿Qué representa un efecto aleatorio en el cambio de pendiente?
-
Respuesta: Captura cuán diferente es la respuesta de cada paciente en la magnitud del cambio.