Marco Lógico y Definición de Modelo Bayesiano en Salud
Autor: MSc Victor Piriz Correa MD, MPH Organization Tranformation Manager Seniors International Consuting SICs
El Proceso de Jerarquía Analítica (AHP), desarrollado por Thomas L. Saaty en los años 70, es un método estructurado para la toma de decisiones complejas basadas en múltiples criterios. Permite descomponer un problema en una jerarquía de objetivos, criterios y alternativas, facilitando la comparación por pares y la asignación de prioridades cuantitativas a partir de juicios cualitativos. Esto ayuda a mejorar la transparencia, consistencia y colaboración en la toma de decisiones, especialmente en contextos multidimensionales y con incertidumbre.
Los modelos bayesianos son herramientas estadísticas que incorporan evidencia previa y actualizan probabilidades conforme se dispone de nueva información. En salud, se utilizan para modelar incertidumbres, apoyar diagnósticos, predecir eventos y optimizar decisiones clínicas y de políticas públicas.
Aplicación y Construcción de un Modelo AHP El AHP se basa en:
· Estructura jerárquica: El problema se divide en niveles: objetivo general, criterios, subcriterios y alternativas.
· Comparación por pares: Se evalúan dos a dos los elementos de cada nivel usando la Escala Fundamental de Saaty para expresar la importancia relativa.
· Cálculo de prioridades: Se obtienen pesos numéricos que reflejan la importancia relativa de cada criterio o alternativa.
· Consistencia: Se verifica la coherencia de las comparaciones mediante el índice de consistencia y el ratio de consistencia.
Escala Fundamental de Saaty (1 a 9). El Proceso de Jerarquía Analítica (AHP) funciona mediante la estructuración jerárquica del problema: primero se define la meta o decisión a tomar, luego se identifican los criterios y subcriterios relevantes, y finalmente se evalúan las alternativas. La comparación se realiza por pares usando la "Escala Fundamental de Saaty", que asigna valores del 1 al 9 para expresar la importancia relativa entre dos elementos. El resultado es un ranking ponderado que ayuda a priorizar opciones de manera transparente y colaborativa.
Este método es aplicable tanto para la priorización a nivel de portafolio como para decisiones dentro de proyectos, simplificando problemas multidimensionales y facilitando el trabajo en equipo. Las matrices de comparación deben cumplir con principios de reciprocidad, homogeneidad y consistencia, evaluada mediante el ratio de consistencia para asegurar decisiones coherentes. El cálculo de prioridades se realiza con el método del vector propio (Eigenvector method), y se puede agregar el juicio de múltiples participantes mediante promedios geométricos o aritméticos. Los valores intermedios (2, 4, 6, 8) permiten matizar las comparaciones.
Aplicación en Salud Pública, Redes, Clínica e Investigación
3.1 Salud Pública
En el Centro de Investigación y Modelado de Epidemias (CERM) de la Escuela de Salud Pública Saw See Hock de Singapur, se aplican modelos flexibles y escalables, incluyendo técnicas bayesianas y aprendizaje automático, para analizar datos espacio-temporales de epidemias como COVID-19, malaria y VIH. Estos modelos mejoran la vigilancia epidemiológica y la toma de decisiones en salud pública mediante la integración de múltiples fuentes de datos y criterios.
3.2 Redes
La Machine Learning & Global Health Network es una red internacional que agrupa a varios países y organizaciones para investigar problemas fundamentales en aprendizaje automático aplicados a la salud global. Esta red promueve la colaboración interdisciplinaria para desarrollar modelos que aborden desafíos complejos en salud pública y clínica, facilitando la transferencia de conocimiento y tecnología.
3.3 Clínica Diaria
En la práctica clínica diaria, el aprendizaje automático y modelos como AHP y bayesianos se utilizan para apoyar diagnósticos, priorización de tratamientos y gestión de recursos. Por ejemplo, el procesamiento de lenguaje natural (PLN) ayuda a extraer información relevante de textos clínicos no estructurados, mejorando la toma de decisiones y la eficiencia en la atención médica.
3.4 Investigación
En Uruguay, la epidemiología genética integra factores genéticos y ambientales para entender la etiología de enfermedades complejas. El uso de modelos estadísticos avanzados, incluyendo bayesianos, permite identificar subgrupos de alto riesgo y mejorar estrategias de prevención, contribuyendo a la investigación traslacional en salud.
3.5 Salud Global y Consultorías Sanitarias.
El (AHP), es un marco estructurado que ayuda a tomar decisiones complejas basadas en múltiples criterios. Esta escala transforma juicios cualitativos en valores cuantitativos, facilitando la evaluación objetiva y la priorización transparente y colaborativa. La toma de decisiones en organizaciones, especialmente en salud global y consultorías para SICs), enfrenta desafíos significativos cuando las prioridades de las partes interesadas difieren, los datos son incompletos o existen múltiples opciones en competencia. Esto puede derivar en proyectos desalineados, presupuestos desperdiciados, equipos frustrados y objetivos estratégicos inalcanzables.En consultorías, wl Sistemas Integrados de Control de Proyectos, permite a SICs el uso de AHP permite gestionar múltiples proyectos simultáneamente con un dashboard maestro, como el sistema "MATIAS" (cerebro inteligente), que ayuda a monitorear y alinear proyectos con los objetivos estratégicos, optimizando la asignación de recursos y mejorando la coordinación de equipos.
Beneficios
Facilita la reflexión estructurada sobre criterios y alternativas.
Considera todas las alternativas y criterios relevantes, incluyendo aspectos cualitativos.
Verifica la consistencia de las decisiones para asegurar coherencia.
Permite priorizar proyectos y asignar recursos de forma alineada con la estrategia.
Reduce la incertidumbre y la política interna en la toma de decisiones.
Mejora la colaboración entre equipos multidisciplinarios y partes interesadas.
Contexto de Aplicación
En salud global, AHP ayuda a priorizar intervenciones, asignar presupuestos y evaluar riesgos en contextos complejos y dinámicos. En consultorías para SICs, AHP es fundamental para alinear proyectos con objetivos estratégicos, evitando desperdicio de recursos y frustración en equipos. Herramientas digitales y dashboards inteligentes potencian la aplicación práctica de AHP en entornos reales.
Contexto y Desafíos en la Región de las Américas
El seguimiento de las ENT y sus factores de riesgo modificables —como consumo de tabaco, dietas poco saludables, inactividad física, consumo nocivo de alcohol y contaminación del aire— junto con factores biológicos como obesidad, hipertensión y diabetes, permite a los responsables de políticas reconocer amenazas emergentes y asignar recursos eficientemente a poblaciones vulnerables.
Entre 2000 y 2021, la mortalidad por ENT en la Región de las Américas aumentó a 6 millones en 2021, aunque la tasa estandarizada por edad disminuyó un 16,2%, reflejando el impacto del crecimiento y envejecimiento poblacional. Sin embargo, la reducción anual de la mortalidad prematura fue insuficiente para alcanzar las metas globales para 2025. Destacan tendencias preocupantes en riesgos metabólicos como hiperglucemia, sobrepeso y obesidad, mientras que el consumo de tabaco mostró una disminución notable. Para alcanzar las metas mundiales y regionales, es prioritario implementar intervenciones costoeficaces que reduzcan la mortalidad por ENT y aborden estos retos persistentes.
El Horizonte Tecnológico: Aprendizaje Automático y Medicina de Precisión
La Inteligencia Artificial (IA) y, específicamente, el Aprendizaje Automático (AA), han dejado de ser conceptos teóricos para convertirse en los pilares de una reforma sanitaria sin precedentes. En un ecosistema saturado de datos, el AA actúa como un catalizador que permite transformar la información bruta en conocimiento accionable, optimizando los resultados clínicos y la sostenibilidad del sistema.
3.1. Aplicaciones Transformativas en el Ciclo Clínico
El despliegue del aprendizaje automático en la medicina contemporánea abarca desde la investigación básica hasta la gestión operativa, destacando en cuatro áreas críticas:
Diagnóstico Avanzado y Predicción: Mediante el análisis de imágenes radiológicas y patrones sutiles en historias clínicas, los algoritmos de AA logran identificar patologías como neoplasias o enfermedades cardiovasculares en estadios subclínicos, superando en velocidad y precisión la capacidad de detección humana convencional.
Medicina Personalizada: El AA permite abandonar el enfoque de "talla única". Al procesar variables genéticas, de estilo de vida y antecedentes, los profesionales pueden predecir la eficacia de un tratamiento específico, minimizando reacciones adversas y ajustando dosis de forma dinámica.
Farmacología y Descubrimiento de Fármacos: La simulación de interacciones moleculares y el análisis de ensayos clínicos previos aceleran la identificación de nuevos compuestos, reduciendo drásticamente los tiempos y costos de desarrollo de medicamentos esenciales.
Eficiencia Operativa: Más allá de la clínica, el AA optimiza la asignación de recursos hospitalarios, predice la demanda de servicios y automatiza tareas administrativas, permitiendo que el personal sanitario se concentre en la atención directa al paciente.
3.2. Casos de Éxito: La Vanguardia de las Startups (EIT Health)
La viabilidad de estas tecnologías se refleja en soluciones ya implementadas por empresas emergentes que lideran el sector:
BiomeDX: Pioneros en el uso del microbioma intestinal para personalizar la inmunoterapia oncológica.
Optellum: Líderes en el diagnóstico temprano del cáncer de pulmón mediante visión artificial.
Idoven y Corify Care: Innovadores en cardiología que utilizan IA para el mapeo no invasivo y el diagnóstico remoto de arritmias a gran escala.
Tucuvi y MJN-Neuro: Aplicaciones de IA conversacional para el seguimiento de pacientes y dispositivos portátiles que predicen crisis epilépticas, devolviendo la autonomía al paciente.
3.3. Epidemiología Genética: La Interacción Gen-Ambiente
Un componente esencial de esta nueva era es la Epidemiología Genética. Esta disciplina investiga cómo la susceptibilidad hereditaria interactúa con factores ambientales (dieta, estrés, tabaquismo) para desencadenar enfermedades complejas.
La integración de algoritmos de AA con estudios de Interacción Gen-Ambiente (GxE) permite identificar subgrupos de población con alto riesgo genético que son particularmente sensibles a ciertas exposiciones ambientales. Este conocimiento es la base de la prevención personalizada y la salud pública de precisión.
3.4. Formación y Futuro: El Caso de Uruguay
La actualización constante es imperativa. En este contexto, Uruguay se posiciona como un referente regional con iniciativas como el III Curso Latinoamericano de Neuroepidemiología (Mayo 2026). Este encuentro académico abordará metodologías avanzadas, estadística aplicada y epidemiología genética, enfocándose en desafíos críticos como la epilepsia y la esclerosis múltiple. La colaboración internacional y el intercambio de experiencias en redes multicéntricas son fundamentales para validar la evidencia clínica en nuestra región.
Valor Diferencial de SICs
SICS, es una consultora que se posiciona en la vanguardia al integrar estos avances en IA y modelado estadístico para ofrecer soluciones estratégicas a clientes en salud pública, redes, clínica e investigación. Con un enfoque profesional, etico, resposable y basado en evidencia, SICs ayuda a alinear proyectos con objetivos estratégicos, optimizar recursos y mejorar la toma de decisiones en entornos complejos y multidimensionales.
Límites y Restricciones del Uso de AHP
Independencia y Jerarquía
AHP asume que los criterios y subcriterios son independientes y que la jerarquía es unidireccional (de abajo hacia arriba). En la práctica, muchas veces existen interdependencias entre criterios, lo que puede simplificar excesivamente la realidad y afectar la validez del modelo. Para estos casos, el modelo ANP (Analytic Network Process) generaliza AHP permitiendo relaciones de retroalimentación e interdependencia.Consistencia y Escala de Preferencias
La escala fundamental de Saaty (1 a 9) es arbitraria y puede no reflejar adecuadamente la importancia relativa cuando las diferencias son muy grandes (por ejemplo, cuando una alternativa es 25 veces más importante que otra). Además, la consistencia de las matrices de comparación es crucial; si se supera un umbral, las ponderaciones deben revisarse.Número de Criterios y Complejidad
Modelos con demasiados criterios o subcriterios pueden generar un número excesivo de comparaciones por pares, lo que hace el proceso laborioso y propenso a inconsistencias. Se recomienda mantener entre 5 y 9 criterios para un equilibrio entre precisión y practicidad.Subjetividad y Normalización
AHP convierte juicios humanos subjetivos en valores numéricos, lo que puede introducir incertidumbre. La normalización de matrices de preferencias solo es válida si los juicios son consistentes, y la interpretación puede complicarse si no lo son.Cambios en Alternativas
La inclusión o exclusión de alternativas durante el proceso puede alterar las clasificaciones previas, lo que limita la flexibilidad del método.Conflictos y Dependencias Estratégicas
En situaciones con intereses contrapuestos y decisiones interdependientes, AHP puede no ser suficiente, y métodos como la teoría de juegos pueden ser más adecuados.
Nuevos Usos y Aplicaciones de SICs
Priorizar carteras de proyectos: Universidades y organizaciones como la Universidad de Nueva Gales del Sur y el Project Management Institute (PMI) han validado la eficacia de AHP para priorizar proyectos en carteras complejas.
Políticas públicas: El Servicio Civil del Reino Unido y el Banco Mundial utilizan AHP para decisiones transparentes y defendibles en políticas públicas y asignación de recursos.
Ingeniería y planificación: NASA aplica AHP en decisiones de ingeniería y planificación de misiones en entornos de alto riesgo.
Integración con IA y optimización: La investigación continúa combinando AHP con inteligencia artificial y técnicas de optimización para aplicaciones modernas y más robustas.
¿Cuándo Usar AHP?
Cuando hay múltiples criterios en competencia (costos, riesgos, objetivos estratégicos).
Cuando las partes interesadas no están alineadas, ya que AHP fomenta consenso y empatía mediante comparaciones estructuradas.
Cuando los datos son subjetivos o difíciles de cuantificar, AHP ayuda a estructurar y comparar diferentes tipos de datos.
Cuando la toma de decisiones actual es ineficiente, con pérdida de confianza, retrasos o resultados decepcionantes.
Ejemplos de Uso
PMOs y gestión de cartera como en SICs: Priorizar proyectos para optimizar recursos y alinearlos con la estrategia.
Gobierno y políticas públicas: Facilitar decisiones colaborativas y reducir la politización.
Gestión de proyectos e ingeniería: Selección de proveedores, diseño y decisiones críticas.
Estrategia corporativa y finanzas: Integrar factores financieros y no financieros para planificación y presupuesto.
Cómo Empezar con AHP: Cinco Pasos Clave
Construir un modelo de criterios: Definir criterios claros, relevantes y vinculados a objetivos estratégicos, evitando incluir costos o factores no negociables como criterios.
Acordar un conjunto de pesos: Usar comparaciones por pares para establecer ponderaciones, revisando la consistencia y fomentando la alineación del liderazgo.
Puntuar alternativas: Evaluar cada alternativa frente a los criterios usando escalas claras y normalización de datos cuantitativos.
Seleccionar alternativas ganadoras: Analizar puntuaciones finales, clasificar carteras o reducir listas para análisis detallados.
Integrar AHP en el modelo operativo: Usar AHP para gobernanza, gestión de beneficios, control de cambios y transparencia en la toma de decisiones.
Herramientas para AHP
Gratuitas y hojas de cálculo: Útiles para aprender, pero limitadas para carteras grandes o planificación corporativa.
Software especializado (ej. TransparentChoice): Optimiza AHP con funciones avanzadas, colaboración y visualización.
Integración con plataformas PPM: Algunas plataformas incorporan AHP, aunque con limitaciones; la integración con herramientas dedicadas es ideal para decisiones de alta calidad.
Hacia una Gobernanza Sanitaria Basada en la Evidencia y el Algoritmo
La convergencia entre el rigor matemático del Proceso Analítico Jerárquico (AHP) y la capacidad predictiva del Aprendizaje Automático (AA) marca el inicio de una nueva era en la gestión de la salud global. Como se ha analizado, la toma de decisiones en organizaciones complejas no puede seguir dependiendo exclusivamente de la intuición o de criterios financieros unidimensionales.
4.1. La Síntesis entre Estrategia y Ejecución
El trabajo de Ricardo Vargas subraya una realidad ineludible: la priorización de proyectos es un proceso cognitivo que requiere una estructura lógica para ser efectivo. El AHP, al descomponer problemas en jerarquías y permitir comparaciones por pares, elimina el "ruido" y el sesgo humano, transformando percepciones cualitativas en modelos matemáticos defendibles. Esta metodología no solo justifica la inversión en salud digital, sino que garantiza que cada proyecto seleccionado esté intrínsecamente alineado con la misión estratégica de la organización.
4.2. El Algoritmo como Aliado Clínico
Por otro lado, la integración del Aprendizaje Automático y la Epidemiología Genética eleva la práctica médica a un nivel de precisión sin precedentes. La capacidad de identificar interacciones gen-ambiente (GxE) y de procesar datos masivos en tiempo real permite que la prevención deje de ser una aspiración teórica para convertirse en una realidad clínica. Startups como BiomeDX o Idoven son testimonios tangibles de cómo el AA optimiza desde el diagnóstico oncológico hasta la monitorización cardiovascular, reduciendo costos y mejorando la supervivencia.
4.3. Reflexión Final
En conclusión, la sostenibilidad de los sistemas de salud y el éxito de las consultorías estratégicas dependen de nuestra capacidad para adoptar estas herramientas. El uso de cuadros de mando inteligentes —como el sistema MATIAS— potenciados por el AHP, permite una supervisión técnica y estratégica que minimiza el desperdicio de recursos y la frustración de los equipos.
El futuro de la medicina y la gestión pública no reside en elegir entre el juicio humano y la máquina, sino en utilizar modelos como el de Saaty para estructurar nuestra sabiduría y algoritmos de AA para expandir nuestras capacidades. Solo a través de esta simbiosis podremos enfrentar los desafíos de un mundo interconectado y garantizar una atención sanitaria accesible, rentable y, sobre todo, profundamente humana.
Referencias
Bibliografía Sugerida (Estilo Vancouver)
1. Saaty TL. The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. New York: McGraw-Hill; 1980.
2. EIT Health. Machine Learning in Healthcare: Uses, Benefits and Pioneers [Internet]. 2024 [citado 4 Mar 2026]. Disponible en: https://eithealth.eu/
3. National Human Genome Research Institute (NHGRI). Genetic Epidemiology [Internet]. 2023 [citado 4 Mar 2026]. Disponible en: https://www.genome.gov/
4. Universidad de la República. III Curso Latinoamericano de Neuroepidemiología [Internet]. Montevideo: neuroepidemiologia.edu.uy; 2026.
6. Vargas R. Utilizando el Proceso Analítico Jerárquico (PAJ) para seleccionar y priorizar proyectos en una cartera. Washington DC: PMI Global Congress; 2010.Saaty TL. Relative Measurement and its Generalization in Decision Making. Rev R Acad Cienc Exactas Fis Nat Ser A Mat. 2008;102(2):251-318.
7. EIT Health. Machine Learning in Healthcare: Transforming Patient Outcomes [Internet]. Munich: EIT Health e.V.; 2024 [citado 4 Mar 2026]. Disponible en: https://eithealth.eu/
8. Khoury MJ. Genetic Epidemiology. En: National Human Genome Research Institute [Internet]. Bethesda: NHGRI; 2023 [citado 4 Mar 2026]. Disponible en: https://www.genome.gov/
El proceso de jerarquía analítica (AHP) - Prospectiva y Previsión
AHP: un método para fortalecer la toma de decisiones en SST - PrevenControl
4. Applying the Analytic Hierarchy Process in healthcare research - PMC
5. Proceso Analítico Jerárquico. AHP (Analytic Hierarchy Process) - YouTube