1.3.

Estructura y caracterstica de la simulacin de eventos discretos

Modelo de simulacin de eventos discretos (MSED) (Una aproximacin a travs de ejemplos enfocados al tratamiento de pacientes)

MSED y tcnicas de simulacin Los MSED se utilizan para estudiar sistemas y procesos cuyo estado va cambiando con el tiempo de forma discreta, por lo que permiten conceptualizar el curso de una enfermedad y su manejo en trminos de los eventos que pueden suceder durante el modelado, y cuyo impacto afecta tanto a los pacientes como a otros componentes del sistema (p. ej., el uso de recursos). Estos modelos representan procesos y situaciones complejas, en funcin de los eventos que puedan ocurrir, por lo que pueden representar tanto situaciones clnicas (agudizacin de un proceso, descompensacin patolgica, aparicin de una nueva situacin clnica), como una determinada utilizacin de recursos sanitarios relacionados con dichas situaciones. Asimismo, las probabilidades de que ocurran cada uno de los eventos segn se asocian con las caractersticas personales de los pacientes. Todos estos elementos, en conjunto, simulan la evolucin natural de la enfermedad o proceso analizado, as como la historia de los pacientes cuya simulacin se realiza en el modelo. Por todo ello, y dado que en el mundo real es frecuente encontrarse con procesos y sistemas cuyo anlisis, mediante mtodos matemticos, resulta extraordinariamente complejo o incluso imposible de llevar a cabo, el uso de MSED permite resolver problemas de esta ndole. En tales circunstancias, la alternativa ms eficaz para afrontar este tipo de estudios consiste en construir unos modelos lgico-matemticos de forma que permitan imitar o simular el comportamiento del mundo real. Como resultado de repetir dicha simulacin un nmero suficiente de veces, se obtendr un

histrico artificial de observaciones sobre el comportamiento del sistema o proceso. A partir de dichas observaciones, y utilizando tcnicas de anlisis estadstico, ser posible extraer conclusiones sobre el funcionamiento de dicho sistema.

1.6. Etapas de un Proyecto de Simulacin Etapas de los MSED El diseo, el desarrollo y el anlisis de resultados de una simulacin es un proceso sofisticado, que requiere del analista unos mnimos conocimientos sobre programacin, matemticas, estadstica, gestin de proyectos y tambin sobre el propio sistema estudiado. La principal caracterstica de un sistema de eventos discretos es que el sistema est determinado por una secuencia de eventos que ocurren en momentos aleatorios de tiempo t1, t2... y el cambio de estado del sistema tiene lugar en esos instantes. Los pacientes son las entidades del sistema y los diferentes eventos sern las visitas y cambios de estado de salud (respuesta) desde un nivel basal al final, tras la toma de un tratamiento farmacolgico que modificar la fisiologa del paciente o la aplicacin de una tecnologa sanitaria. Cuando se escribe un programa de simulacin para MSED se puede realizar una aproximacin del esquema temporal de funcionamiento de las entidades en el sistema. As, deber describirse la secuencia de eventos y actividades que realizarn las entidades durante su estancia en el sistema y cmo se modificarn. Algunos de los sistemas ms estudiados son los problemas de colas que se aplican en determinadas situaciones, como la espera que deben tener los pacientes entre visita y visita, si los centros donde son tratados no pueden absorber toda su demanda (p. ej., en un centro e instante de tiempo slo puede ser tratado un paciente a la vez). A modo de resumen, para llevar a cabo la simulacin del sistema se deben seguir una serie de etapas, ampliamente identificadas y discutidas en la literatura cientfica (Figura):

1.6.1. Formulacin del problema 1. Formulacin de la problemtica y determinacin de los objetivos: consiste en establecer de forma clara, cul es el problema que se pretende abordar, qu objetivos globales se desean alcanzar y con qu recursos ser necesario contar para lograrlos en el tiempo previsto.

1.6.2. Anlisis y recoleccin de datos 2. Modelado del sistema: se trata de crear el diseo del sistema que permita su simulacin por ordenador. El modelo deber reflejar convenientemente la

estructura interna del sistema y sus caractersticas, de modo que los resultados que se deriven sean extrapolables al sistema real. Por ejemplo, resultar fundamental modelar los fenmenos aleatorios del sistema mediante distribuciones estadsticas, como la interrupcin del tratamiento, la hospitalizacin por urgencias u otro evento. Para llevar esto a cabo, sera interesante disponer de una serie histrica de observaciones sobre el comportamiento de dichos fenmenos aleatorios, como los resultados de un ensayo clnico, un metaanlisis o un registro de pacientes. 1.6.3. Desarrollo del modelo 3. Implementacin del modelo en el ordenador. El modelo desarrollado desde el punto de vista terico ha de ser implementado en el ordenador a travs de algn software especfico. Ms adelante, se describen las principales caractersticas de cada una de las herramientas informticas disponibles. 1.6.4. Verificacin del modelo 4. Verificacin del programa: comprobacin de la correcta implementacin del modelo en el ordenador. Para ello, debemos comprobar que el programa resultante se comporta segn lo deseado, es decir, que los resultados deben ser coherentes para las diversas combinaciones de variables de entrada(inputs) del modelo, y no ha habido ningn error sintctico a la hora de programar las diferentes instrucciones. 1.6.4.1. Validacin del modelo 5. Validacin del modelo. Consiste en comprobar que el modelo refleja convenientemente el mundo real. Para ello, se procede a comparar, para distintas combinaciones de variables de entrada, los resultados que produce el modelo con los observables en el sistema real. En dicho proceso de validacin es frecuente el uso de tcnicas estadsticas que permitan comparar dos conjuntos de datos16. 1.6.5. Experimentacin y optimizacin 6. Diseo de la simulacin y pruebas piloto. Una vez aceptado el modelo como vlido, el siguiente paso es disear las caractersticas del experimento o experimentos de simulacin que se van a llevar a cabo, es decir, responder a preguntas como cul ser el nmero de iteraciones, las variables de

entrada empleadas, la conveniencia de usar tcnicas de reduccin de la varianza. Suele ser de gran utilidad la realizacin de pruebas piloto (simulaciones cortas) que proporcionen orientaciones sobre cmo conviene afrontar el estudio y calcular el nmero de rplicas necesarias. 7. Ejecucin de la simulacin. Se procede a llevar a cabo la simulacin establecida en el paso anterior. 1.6.6. Experimentacin de resultados 8. Anlisis de resultados. Los resultados procedentes de un experimento de simulacin suelen requerir un anlisis estadstico no trivial que permita obtener informacin til sobre el comportamiento analizado.

9. Documentacin del experimento. Una vez finalizado el experimento, ste debe ser convenientemente documentado, de modo que se fomente su credibilidad y la validez de las conclusiones obtenidas.

Componentes de los modelos de simulacin de eventos discretos (MSED) Reloj de simulacin Puesto que en este tipo de simulacin se est considerando la evolucin temporal del sistema, cuyo estado se modifica slo en instantes discretos de tiempo a causa de la aparicin de algn evento, ser necesario introducir un reloj de simulacin que registre el tiempo virtual transcurrido desde la puesta en marcha del sistema, y que permita referenciar el instante exacto en que ocurre cada uno de los eventos. Es importante no confundir el tiempo virtual que marca el reloj de simulacin con el tiempo de computacin, el cual registra el tiempo real transcurrido desde que la simulacin se puso en marcha.

El tiempo marcado por el reloj de simulacin hace explcito el paso del tiempo a lo largo del modelo. Esto hace posible sealar el comienzo y el final de la simulacin, y la aparicin de eventos clnicos en su momento exacto, sin necesidad de ciclos de duracin fija. Esto permite una simulacin ms

eficiente y realista en funcin de la aparicin de los eventos durante el curso de la enfermedad en los pacientes.

Tambin permite la creacin de relojes secundarios que marcan tiempos importantes, como la estancia hospitalaria, el tiempo de ausencia de efectos adversos o la supervivencia.

Puesto que los cambios en el sistema se producen slo cuando ocurre algn evento, queda claro que el estado del sistema no sufrir ninguna variacin entre 2 eventos consecutivos. Este hecho da sentido a una de las polticas ms habituales para controlar el reloj de simulacin: si se sabe que el evento n se acaba de producir en el instante virtual actual tn, y que el evento n + 1 se producir en el instante virtual tn+1, dado que entre ambos instantes no pasar nada de inters, se avanzar el reloj de simulacin hasta el instante tn+1, y se asignar dicho instante a la variable del programa que representa el reloj de simulacin. Tras avanzar el reloj hasta el instante tn+1, se lleva a cabo la actualizacin de las variables de estado y estadsticas del sistema. Este proceso de avance hasta el siguiente evento y actualizacin de variables se repite de forma indefinida hasta que se verifique alguna condicin de fin de la simulacin.

Entidades Son los elementos dinmicos que se simulan a travs del modelo, cambian de estatus, afectan y son afectados por otras entidades y son los protagonistas de los eventos clnicos de estudio del modelo.

Normalmente, en la simulacin de una enfermedad se representan pacientes, pero pueden representarse tambin distintos componentes, como enfermeras, familiares o mdicos. Estas entidades suponen una diferencia importante respecto a los rboles de decisin o a los modelos de Markov, en los cuales se especifican los resultados clnicos, estados o transiciones de los

pacientes, pero stos en s no son caracterizados como elementos explcitos del modelo, tal como ocurre en los MSED.

Atributos Son las caractersticas de las entidades, con las cuales se describen y diferencian. Por ejemplo, son atributos de los pacientes, como la edad, el sexo, la duracin de su enfermedad, la gravedad de sta y el cumplimiento del tratamiento.

Un atributo importante en las evaluaciones econmicas, fundamental en los estudios de coste-utilidad, sera la calidad de vida. sta se puede estudiar de forma detallada incluyndola mediante un atributo.

Todas las entidades tienen los mismos tipos de atributos, pero con diferentes valores para cada entidad; los valores de los atributos estn, por tanto, ligados a una entidad concreta. Por ejemplo, todos los pacientes tienen edad o presin arterial, pero cada uno po-see un valor especfico. El atributo puede asignarse como un valor especfico, una muestra de una distribucin o el resultado de una expresin (p. ej., de una ecuacin condicional).

Eventos Es todo aquello que puede ocurrir durante la simulacin en funcin del proceso que estamos estudiando. Por ejemplo, un evento puede ser un efecto adverso, una admisin hospitalaria, el alta del hospital, un cambio de dosis o

una baja laboral. El concepto de evento va ms all de las transiciones de los modelos de Markov, ya que la aparicin de un evento no necesariamente implica el cambio de estado de salud del paciente (p. ej., una visita al mdico).

A pesar de que hay una secuencia temporal dada, los eventos pueden suceder de forma casi simultnea y pueden hacerlo en cualquier secuencia lgica en relacin con la historia plausible del proceso de estudio (p. ej., fallo en un rgano diana o fallo multiorgnico en un paciente con sepsis). Al contrario que en los modelos de Markov, estos eventos no presentan ningn tipo de restriccin de memoria.

Los riesgos de que los diferentes eventos ocurran pueden tomar la forma de funciones dependientes de los datos y depender de algunos atributos y variables. Estas funciones pueden cambiar durante la simulacin.

Variables Las variables definen el modelo y reflejan una caracterstica del conjunto, no de entidades especficas. Son especificaciones que se mantienen a lo largo del modelo, aunque sus valores pueden cambiar durante el proceso de simulacin, y van a definir el entorno de la simulacin afectndolo a lo largo de todo el proceso. Las variables de uso comn son: el horizonte temporal (duracin de la simulacin), las tasas de descuento para los costes y los beneficios, las tasas de incidencia, la proporcin de cada tratamiento al inicio, la tasa de admisin o la perspectiva de uso. Slo hay una copia de cada variable que se mantiene para todo el modelo.

Recursos Definidos en un tiempo determinado, su consumo lleva asociado el gasto de una serie de unidades de dichos recursos en momentos de tiempo concretos. En el mbito sanitario estos recursos se pueden dividir en

personas (mdicos, enfermeras, cuidadores), bienes (medicamentos, pruebas de laboratorio), espacios (camas hospitalarias, quirfanos) y otros.

Algunos recursos pueden consumirse de manera simultnea en un momento dado, pero lo ms frecuente es que las entidades tengan que competir por estos recursos, que adems tienen un coste unitario de uso.

Un recurso puede tener diferentes unidades de capacidad (pensemos, por ejemplo, en las camas en una sala de emergencia o en el nmero de mdicos en una zona geogrfica determinada).

Acumuladores estadsticos Son variables que acumulan la informacin de lo que ha pasado sin participar en el suceso mismo, es decir, son pasivos. Dependen de la caracterizacin de los resultados pedidos al modelo. Al final de la simulacin, se usan para obtener el resultado final, y las medidas de stos (cocientes coste efectividad). Algunos ejemplos de acumuladores estadsticos son la supervivencia, los costes asociados a los pacientes o el nmero de visitas en un tiempo determinado.

Colas Cuando un paciente utiliza un determinado recurso, ste deja de estar disponible para el resto de los pacientes, lo cual puede generar colas en el sistema. Esta situacin no suele tenerse en cuenta en otro tipo de modelos, en los que los recursos parecen gozar de una capacidad infinita (lo cual est alejado de la mxima de la escasez de recursos en funcin de las necesidades de la poblacin, que es una caracterstica de la toma de decisiones en

sanidad). Esta conceptualizacin est vinculada a la idea del coste de oportunidad de los recursos en la propia estructura del modelo.

Retrasos Se pueden generar 2 tipos de retrasos: explcitos, que son los que se generan por algn tipo de accin o proceso (p. ej., la duracin de los exmenes mdicos), e implcitos, causados por otras acciones o condiciones en la simulacin del modelo (p. ej., colas para acceder a una prueba diagnstica).

Ecuaciones de riesgo y generadores de nmeros aleatorios Las primeras se refieren a ecuaciones que se aplican de forma individual a cada individuo del modelo, y pueden ser: funciones (lineales, logartmicas, de riesgo etc.) o distribuciones estadsticas de probabilidad (normal, exponencial, weibull, beta, gamma, etc.).

Los

nmeros

aleatorios del

se

generan y se

mediante basan en

algoritmos variables

computacionales avanzados para asegurar la aleatorizacin y crear el comportamiento estocstico modelo, pseudoaleatorias, creadas a travs de un procedimiento determinstico.

En la mayora de las simulaciones, los experimentos tienen por objetivo obtener valores medios de los resultados de sus distribuciones probabilsticas. Hay numerosos estudios sobre generacin de nmeros aleatorios y tcnicas de simulacin, as como de su optimizacin, que quedan fuera del abasto de este artculo10,17-20.

1.6.3. Desarrollo del Modelo Funcionamiento y software para su realizacin

Cmo funciona un MSED El desarrollo del modelo comienza por la definicin y creacin de la poblacin objetivo mediante la especificacin de las caractersticas de los pacientes que sern simulados. As, el modelo se alimenta con informacin proveniente de ensayos clnicos, evidencia publicada y otros estudios, a partir de los cuales el investigador puede generar una serie de algoritmos y caminos por los que el paciente puede transitar y que sirve para disear la historia de la enfermedad o proceso evaluado en el modelo.

Si estudiamos 2 alternativas de tratamiento excluyentes, los pacientes para los que estas terapias estn indicadas pueden someterse a una u otra intervencin. La metodologa que se sigue para evaluar ambas terapias es generar aleatoriamente unos valores de entrada de las variables que conforman el perfil clnico y sociodemogrfico de los pacientes que se van a simular. Al inicio de la simulacin se generan pares de individuos gemelos, es decir, con los mismos valores, que acceden a cada una de las 2 estrategias de tratamiento comparadas en el modelo, de tal forma que la diferencia en el tratamiento que se les aplica a cada gemelo es la nica distincin entre ellos a la entrada del modelo.

El esquema tpico de simulacin de un MSED se presenta en la figura. La simulacin arranca con la puesta en marcha del reloj de simulacin, tras lo cual se da la lectura de los diferentes valores iniciales, introducidos en l, como las caractersticas de la poblacin, los detalles del manejo de los eventos y los costes en funcin del tratamiento asignado. Estos valores de entrada son almacenados y ledos por el modelo diseado en el software de simulacin empleado.

Figura. Motor de simulacin de un modelo de simulacin de eventos discretos

A los pacientes creados se les asigna unas caractersticas basadas en las distribuciones de partida (p. ej., sexo, edad, valores basales de entrada de incapacidad o enfermedad, etc.). En este punto, se estima la expectativa vital de cada individuo. La persona que realiza el anlisis define el tamao de la cohorte de pacientes que recibir cada tratamiento (p. ej., 1.000) y el nmero de rplicas (nmero de veces que toda la simulacin ser repetida).

Procedimientos de evaluacin y anlisis de los resultados de los MSED El ltimo paso es analizar los resultados obtenidos al ejecutar el modelo varias veces para poder inferir el efecto de la intervencin evaluada. Una vez obtenidos los resultados al ejecutar el modelo, stos se evalan a travs del anlisis de sensibilidad. Ejemplo de uso de MSED

Para ilustrar los modelos MSED, partiremos de un ejemplo en el que se evala un proceso de pacientes con enfermedad cardiovascular, que presentan bradicardia, para la cual estara indicada la implantacin de un

marcapasos. Podramos implantar 2 tipos diferentes de marcapasos: marcapasos de estimulacin monocameral (slo en ventrculo), o VVI(R), o bien un marcapasos de estimulacin bicameral (estimulacin auricular y ventricular), o DDD(R).

Los

pacientes

implantados

pueden

sufrir

diferentes

eventos

cardiovasculares con el tiempo, como fibrilacin auricular (FA) o accidente cerebrovascular (ACV), efectos adversos, como el sndrome del marcapasos, o incluso morir.

Dependiendo de la efectividad de los 2 tipos de marcapasos, estos eventos se podran dar en diferente proporcin de pacientes y tardaran ms o menos tiempo en suceder, producirse en momentos diferentes o incluso coincidir en el tiempo; por ello, el uso de un modelo de Markov no es apropiado. Dichos eventos llevarn asociados una utilizacin de recursos, que implican costos y cambios en la evaluacin clnica del paciente, e incluso valores de su calidad de vida, si sta se ha incorporado en el anlisis del estudio. Este proceso se resume en la figura.

Figura. Ejemplo del proceso de simulacin en un modelo de eventos discretos en bradicardia

Se simulan pacientes con una serie de caractersticas de entrada en el modelo: sociodemogrficas (edad y sexo), factores de riesgo (presin arterial, diabetes, enfermedad vascular previa) y tipo de indicacin para el marcapasos (bloqueo de rama, o enfermedad del nodo sinusal). Para cada uno de los pacientes simulados se genera un gemelo, el cual presenta las mismas caractersticas basales y slo se diferencia en la intervencin del modelo evaluado a la que es sometido (uno de los gemelos va por la ruta de implantacin de marcapasos monocamerales y otro por la de bicamerales). Los pacientes transitarn por el modelo durante los eventos clnicos de estudio (FA, ACV, muerte, supervivencia libre de enfermedad, sndrome del marcapasos y otras complicaciones), as como los costes asociados a la utilizacin de recursos que suponen dicha diferencia de eventos (figura).

Ejemplo del motor del modelo de simulacin de eventos discretos en pacientes con bradicardia, en el que se representa la lgica del MSED anteriormente expuesto.

Los datos clnicos que alimentan el modelo son: el registro britnico de marcapasos, los ensayos clnicos MOST y CTOPP y el Framingham Herat Study. Se realizan 100 simulaciones de 1.000 pares de pacientes durante 5 aos, los beneficios se descontaron al 1,5% anual y los costes al 6%, tal como aconseja el NICE.

El resultado del modelo indica que supone un coste adicional medio en los pacientes implantados con marcapasos bicamerales de 43 libras por paciente, y un incremento de 0,09 AVAC, con un cociente coste/efectividad incremental de 477 libras por AVAC; estos resultados son consistentes durante el anlisis de sensibilidad realizado.

Software en simulacin de modelos de eventos discretos Aunque la programacin de este tipo de modelos puede hacerse a travs de hojas de clculo como Excel, sta slo se usa para modelos muy simplificados. Para modelos ms complejos se utilizan paquetes de software especficos. Por ello, una de las primeras decisiones importantes consiste en seleccionar qu tipo de software se utilizar. Las opciones posibles son bsicamente dos:

1. Usar un lenguaje de programacin (C/C++, Pascal, Java, Visual Basic, etc.). Esta opcin implica, en principio, tener que modelar todos los detalles del sistema, lo cual a su vez supone un elevado coste respecto al tiempo de desarrollo del proyecto. Hay que tener presente, sin embargo, que en los ltimos aos se han desarrollado libreras de funciones y clases de objetos para C/C++, Pascal, Java e incluso VB.Net, que permiten agilizar este proceso de modelado. Por otra parte, al optar por un lenguaje de programacin general, se dispone de una mayor flexibilidad a la hora de construir el modelo y, adems, el cdigo resultante puede ser muy eficiente y rpido de ejecutar (especialmente cuando se usa C/C++).

2. Usar programas de simulacin (lenguajes de simulacin y simuladores) de mbito genrico (Arena, SIMSCRIPT II.5, AweSim, SIMPLE++, Extend, GPSS/H, Micro Saint, MODSIM III, LeanSim, SIGMA, Simul 8). Esta opcin puede acortar significativamente el tiempo requerido para desarrollar el proyecto, puesto que no ser necesario desarrollar desde cero todos los detalles de la simulacin: este tipo de programas suele incluir un lenguaje de programacin especialmente orientado a la simulacin, as como libreras de clases, objetos o funciones que agilizan el modelado del sistema, la obtencin de valores aleatorios, la generacin de informes, el anlisis estadstico de resultados, etc. A cambio de ello, se prescinde de un cierto grado de flexibilidad con respecto a la opcin anterior.

Ventajas e inconvenientes de la simulacin de eventos discretos Ventajas del uso de MSED Los MSED tienen ventajas muy significativas, por ejemplo, con respecto a la poblacin de estudio, ya que facilitan el diseo de la poblacin, teniendo en cuenta las caractersticas fundamentales que la definen: perfiles de riesgo, indicaciones y contraindicaciones de las terapias, flexibilidad en la asignacin de los costes a cada una, asignacin de valores de calidad de vida y utilidades segn las caractersticas de cada paciente. Adems, tienen capacidad de manejar la poblacin de una manera dinmica y vinculada a los eventos que realmente suceden en la historia natural de la enfermedad en cada paciente.

Los MSED permiten disear una estructura ms clara, de forma que los eventos a los que se someten los pacientes, as como sus consecuencias, son ms explcitos, y en el que las alternativas, a travs de las que los pacientes discurren, suelen representarse de una forma ms transparente. Adems, la estructura del modelo se puede cambiar fcilmente, lo que permite un anlisis de sensibilidad estructural.

Otra ventaja importante de los MSED es la variable tiempo, ya que en este caso se considera de forma explcita en el diseo del modelo, y no se restringe a ciclos fijos e invariables, de modo que las unidades que se manejan son adecuadas al problema o evento que se analiza en cada momento. Adems, los MSED permiten el uso de diferentes tiempos, en funcin de los eventos que vayan a suceder y en los momentos que se vayan a producir.

Respecto a los resultados, los MSED permiten contemplar resultados mltiples, lo que se adecua ms a la realidad, puesto que realmente una enfermedad o situacin evaluada mediante tcnica de modelado puede tener diferentes puntos finales que han de considerarse de forma simultnea a la hora de evaluar el resultado global de las intervenciones. Esto se realiza de una manera mucho ms sencilla y natural con este tipo de modelos, dado que manejan de forma desagregada los costes y los recursos utilizados, producen diferentes medidas de eficacia, como el tiempo libre de enfermedad, la recuperacin y la salida del hospital, el cambio de clase funcional o la ausencia de episodios. Adems, informan sobre los resultados intermedios en los diferentes momentos de definidos en la simulacin (a los 6 meses de tratamiento, al ao, a la aparicin de complicaciones o muerte), y ofrecen simultneamente resultados desde varias perspectivas (comprador, sistema sanitario, sociedad), sin necesidad de volver a ejecutar el modelo.

Asimismo, los MSED permiten un estudio ms realista de los tratamientos evaluados: cambios de dosis, comienzo y monitorizacin, prueba de dosis o perodo de lavado farmacolgico previo a un cambio de tratamiento. Tambin es posible, mediante algunos programas de simulacin avanzada, animar el modelo, lo cual permite visualizarlo de una forma clara mejorando su transparencia.

Inconvenientes de los MSED En general, el uso de los MSED conlleva tambin una serie de limitaciones. Por un lado, requieren mayor cantidad de datos y pueden

necesitar un mayor tiempo de ejecucin que los modelos de Markov, si no disponemos de simuladores de alto rendimiento. El anlisis de sensibilidad empleado suele ser multivariante, lo cual aumenta todava ms el tiempo de clculo.

Otra limitacin es el escaso acceso al software necesario para programar este tipo de modelos, o bien la falta de un entrenamiento adecuado de sus usuarios, especialmente en el caso de simuladores complejos, como Arena o LeanSim. Su programacin tambin suele ser costosa con respecto al tiempo necesario para su implementacin. Aunque es posible implementar este tipo de modelos por medio de programas como Excel, programando macros en Visual Basic para Aplicaciones (VBA). Es poco usual realizarlo a travs de esta plataforma, ya que tiene ciertas limitaciones importantes, como por ejemplo el motor de generacin de nmeros pseudoaleatorios no es suficientemente bueno desde el punto de vista estadstico o la velocidad de ejecucin del cdigo VBA es relativamente baja.

Fuente: Rodrguez, Jos. Serrano, David. Monlen, Tony. Caro, Jaime. Gaceta Sanitari. Barcelona 2008. http://scielo.isciii.es/scielo.php?pid=S021391112008000200012&script=sci_arttext

1.4 Sistemas, modelos y control.

El concepto de sistema en general esta sustentado sibre el hecho de que ningun sistema puede existir aislado completamente y siempre tendra factores externos que lo rodean y pueden afectarlo. Los objetivos que se persiguen al estudiar uno o varios fenomenos en funcion de un sistema son aprender como cambian los estados, predecir el cambio y controlarlo, todo sistema consta de 3 caracteristicas; Tienen fronteras, existe dentro de un medio ambiente y tiene subsistemas, el medio ambiente es el conjunto de circunstancias dentro de las cuales esta una situacion problematica, mientras que las fronteras distinguen las entidades dentro de un sistema de las entidades que constituyen su medio ambiente. Conceptos Basicos de Sistemas Entidad: "Una entidad es algo que tiene realidad fisica u objetiva y distincion de ser o de carcter". Las entidades tienen ciertas propiedades que los distinguen a unas de otras. Relacion:"Relacion es la manera en la cual dos o mas entidades dependen entre si". Relacion es la union que hay entre las propiedades de una o mas entidades; por consiguiente, el cambio en alguna propiedad de una entidad ocasiona un cambio en una propiedad de otra entidad. Estructura: Es un conjunto de relaciones entre las entidades en la que cada entidad tienen una posicion, en relacion a las otras, dentro del sistema como un todo. Estado:El estado de un sistea en un momento del tiempo es el conjunto de propiedades relevantes que el sistema tiene en este momento.Cuando se habla del estado de un sistema, entiende los valores de los atributos de sus entidades.Analizar un sistema supone estudiar sus cambios de estado conforme transcurre el tiempo. Modelacion de sistemas Puede ser una representacion formal de la teoria o una explicacion formal de la observacion empirica, a menudo es una combinacion de ambas. Los propositos de usar un modelo son los siguientes: 1. Hace posible que un investigador organice sus conocimientos teoricos y sus observaciones empiricas sobre un sistema y deduzca las consecuencias logicas de esta organizacion. 2. Favorece una mejor comprension del sistema. 3. Acelera analisis. 4. Constituye un sistema de referencia para probar la aceptacion de las modificaciones del sistema. 5. Es mas facil de manipular que el sistema mismo. 6. Hace posible controlar mas fuentes de variacion que lo que permitiria el estudio directo de un sistema. 7. Suele ser menos costoso. Al analizar un sistema podemos observar, que al cambiar un aspecto del mismo, se producen cambios o alteraciones en otros. Es en estos casos en los que la simulacion, representa una buena alternativa para analizar el diseo y operacion de complejos procesos o sistemas. La modelacion de sistemas es una metodologia aplicada y experimental que pretende: 1. Describir el comportamiento de sistemas. 2. Hipotesis que expliquen el comportamiento de situaciones problematicas. 3. Predecir un comportamiento futuro, es decir, los efectos que se produciran mediante cambios en el sistema o en su metodo de operacion. Un modelo se utiliza como ayuda para el pensamiento al organizar y clasificar conceptos confusos e inconsistentes. Al realizar un analisis de sistemas, se crea un modelo del sistema que muestre las entidades, las interrelaciones, etc. La adecuada construccin de un modelo ayuda a organizar, evaluar y examinar la validez de pensamientos.

1.3 Metodologa de la simulacin.

Definicion del sistema Para tener una definicion exacta del sistema que se desea simular, es necesario hacer primeramente un analisis preliminar de este, con el fin de determinar la interaccion con otros sistemas, las restricciones del sistema, las variables que interactuan dentro del sistema y sus interrelaciones, las medidas de efectividad que se van a utilizar para definir y estudiar el sistema y los resultados que se esprean obtener del estudio. Formulacion del modelo

Una vez definidos con exactitud los resultados que se esperan obtener del estudio, se define y construye el modelo con el cual se obtendran los resultados deseados. En la formulacion del modelo es necesario definir todas las variables que forman parte de el, sus relaciones logicas y los diagramas de flujo que describan en forma completa el modelo. Coleccion de datos

Es importante que se definan con claridad y exactitud los datos que el modelo va a requerir para producir los resultados deseados. Implementacion del modelo con la computadora

Con el modelo definido, el siguiente paso es decidir si se utiliza algun lenguaje como el fortran,lisp,etc..., o se utiliza algun paquete como Vensim,Stella e iThink, GPSS,Simula,Simscript,Rockwell Arena, etc..., para procesarlo en la computadora y obtener los resultados deseados. Validacion

A traves de esta etapa es posible detallar deficiencias en la formulacion del modelo o en los datos alimentados al modelo. Las formas mas comunes de validar un modelo son: 1. La opinion de expertos sobre los resultados de la simulacion. 2. La exactitud con que se predicen datos historicos. 3. La exactitud en la prediccion del futuro. 4. La comprobacion de falla del modelo de simulacion al utilizar datos que hacen fallar al sistema real. 5. La aceptacion y confianza en el modelo de la persona que hara uso de los resultados que arroje el experimento de simulacion. Experimentacion

Se realiza despues de que el modelo haya sido validado, consiste en generar los datos deseados y en realizar un analisis de sensibilidad de los indices requeridos. Interpretacion

Se interpretan los resultados que arroja la simulacion y con base a esto se toma una decision. Es obvio que los resultados que se obtienen de un estudio de simulacion ayuda a soportar decisiones del tipo semi-estructurado. Documentacion

Dos tipos de documentacion son requeridos para hacer un mejor uso del modelo de simulacion. La primera se refiere a la documentacin del tipo tcnico y la segunda se refiere al manual del usuario, con el cual se facilita la interaccin y el uso del modelo desarrollado.

1.5. Mecanismos de tiempo fijo y tiempo variable

Parte de la construccin de modelos es el mecanismo de avance de tiempo. Este depender de la aproximacin elegida para describir el comportamiento del sistema. Si se eligi la aproximacin de flujo fsico, este diagrama de flujo podra refinarse para convertirse en el diagrama de flujo del programa. Si se sigui la aproximacin de cambio de estado, el diagrama de flujo desarrollado debera describir el procedimiento que efecta los cambios de estado en el tiempo. Otros dos factores inciden en la construccin del diagrama de flujo del programa: elegir un mecanismo de avance del tiempo y el lenguaje de programacin que se seleccione. Hay fundamentalmente dos formas de considerar el avance del tiempo en un modelo de simulacin:

Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del modelo se comprueba despus de transcurrido cada uno de estos incrementos constantes.

Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las comprobaciones y modificaciones de las variables afectadas se realizan slo despus de la ocurrencia de un evento. Aqu el incremento de tiempo es variable, va desde la ocurrencia de un evento a otro.

El avance del tiempo de simulacin depende de cul de las aproximaciones se elija. Si se elige el incremento por eventos, el reloj se inicializa a 0, y se incrementa al siguiente tiempo en que vaya a ocurrir un suceso, en ese momento, en este momento de actualizacin del reloj se modifican las variables que se vean afectadas por la ocurrencia del suceso. Si por el contrario se elige un incremento de tiempo fijo, el reloj se inicia a 0 y se va actualizando cada vez que pase el incremento de tiempo fijado. En esos instantes se observar el sistema para realizar los cambios. En ese momento

puede ocurrir que no haya sucedido ningn cambio o que por el contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir cul atender antes (por ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir errores de redondeo, que hacen referencia a la diferencia de tiempo que pasa desde que sucede un suceso hasta que ste se computa (cuando el reloj se incrementa).

Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado pequeo se realizar trabajo intil, ya que se comprobarn cambios cuando en realidad no ha ocurrido ningn suceso. Por el contrario si es demasiado grande se producirn muchos errores de redondeo y la dinmica del modelo ser ineficiente.

Avance del reloj de simulacin segn los sucesos.

Avance del reloj de simulacin en incrementos fijos.

Fuente: Barrera Sanabria, Gareth. Universidad Autnoma de Bucaramanga. http://fis.unab.edu.co/docentes/gbarrera/Introduccion_Simulacion.pdf

1.5 Estructura y etapas de un estudio de simulacin.

DEFINICIN DEL SISTEMA: Para tener una definicin exacta del sistema que se desea simular , es necesario hacer primeramente un anlisis preliminar del mismo, con el fin de determinar la iteracin del sistema con otros sistemas, las restricciones del sistema ,las variables que interactan dentro del sistema y sus interrelaciones,las medidas de efectividad que se van a ultilizar para definir y estudiar el sistema y los resultados que se esperan obtener del estudio. FORMULACIN DEL MODELO:Una vez que estan definidos con exactitud los resultados que se desean obtener del estudio el siguiente paso es definir y construir el modelo con el cual se obtendrn los resultados deseados. Aqu es necesario definir las variables que forman parte de el modelo, sus relaciones lgicas y los diagramas de flujo que describan en forma completa al modelo. COLECCIN DE DATOS:Es posible que la facilidad de obtencin de algunos datos o la dificultad de conseguir otros, pueda influenciar el desarrollo y formulacin del modelo. Por ello es importante que se defina con claridad y exactitud los datos que el modelo va a requerir para producir los resultados deseados. IMPLEMENTACIN DEL MODELO EN LA COMPUTADORA: Aqui se define cual es el lenguaje que se va a ultilizar algunos de estos pueden ser de proposito general como: Visual basic,Java,Delphi o se pueden usar unos paquetes como: GBSS,SIMULA,PROMODEL. VALIDACIN:A travez de esta etapa es posible detallar definiciones en la formulacin del modelo o en los datos alimentados al modelo.Las formas mas comunes de validar un modelo son: a)Opinion de expertos b)La exactitud con la que se predicen los datos C)Exactitud de la prediccion del futuro d)Comprobacion de la falla del modelo de simulacion al ultilizar datos que hacen fallar al sistema. e)Aceptacion y confianza en el modelo de la persona que lo usara. EXPERIMENTACIN: La experimentacin con el modelo se realizara despus de que este ha sido validado. La experimentacin consiste en generar los datos deseados y en realizar anlisis de sensibilidad de los ndices requeridos. INTERPRETACIN: A que se interpretan los resultados que arroja la simulacion y en base a esto se toma una decisin. DOCUMENTACIN: Existen dos tipos de documentacion que son requeridos para hacer un mejor uso del modelo de simulacion. Documentacion Tcnica: Es la documentacion que con el departamento de procesamiento de datos debe tener del modelo. Manual del Usuario:Es la documentacion que facilita la interpretacin y el uso

1.6 Etapas de un proyecto de simulacin.

FORMULACION DEL PROBLEMA. Otro importante aspecto abordado en la investigacin es la identificacin y estudio de las tcnicas de integracin para la formulacin de las tareas docentes. Sin pretender profundizar en las complejidades que encierra una investigacin pedaggica sobre el tema, a continuacin se describen muy brevemente algunas tcnicas utilizadas para la formulacin de problemas qumicos de integracin estructural, que son los ms importantes: 1.-Modelacin. Fijado el objetivo que se persigue en la creacin de un problema, inmediatamente se activan los componentes intelectuales bsicos: sensaciones, percepciones, memoria, pensamiento e imaginacin. Con ellos se comienzan a dibujar en el cerebro nuevas ideas en forma de imgenes, con la necesidad de ser exteriorizadas mediante la construccin de modelos grficos, es por ello que los elementos estructurales del problema son plasmados en el papel antes de su redaccin en el formato final. La tcnica de modelacin es un recurso asociativo de gran valor en la fluidez de los procesos lgicos de anlisis y sntesis del pensamiento que se desarrollan en el acto de creacin. Es el reflejo grfico en el papel de las asociaciones que van conformndose como estructuras cognitivas, y los dibujos, esquemas, trazos, etc que inicialmente viene apareciendo de forma aislada y sucesiva, luego se integran en forma de sistema para la formulacin final del problema.

Esta tcnica constituye un buen instrumento en manos del formulador porque facilita la asociacin de ideas, ayuda a agrupar los elementos estructurales del problema y facilita la redaccin en forma coherente. La construccin de los diagramas de Euler para estudiar las distintas relaciones que se establecen entre los conocimientos, es una actividad que ayuda a desarrollar la habilidad de modelacin. Estos diagramas tambin son utilizados en la metodologa como situacin inicial para la construccin de tareas que respondan a determinadas caractersticas. 2.-Tanteo-error. Consiste en un proceso continuo de adecuacin y ajuste por bsqueda y prueba de los datos y/o las incgnitas segn las condiciones del problema, hasta encontrar las ms adecuadas. La bsqueda puede ser de tipo inteligente o arbitrario, y en ocasiones es utilizada para modificar las condiciones y con ella reordenar los elementos estructurales. Se evidencia su utilizacin en el gran nmero de operaciones de clculo que son realizadas, as como en tachaduras y borrones que generalmente aparecen sobre el papel del formulador. 3.Asociacin por analoga. En esta tcnica se hace uso de la reproduccin en una primera fase. Consiste en establecer nuevos nexos entre datos e incgnitas siguiendo formatos y textos guardados en la memoria para obtener otras por medio de la innovacin. Es evidente que sobre las ideas iniciales, posteriormente se introducen modificaciones, que consisten en relacionar los datos de otra forma, introducir nuevas condiciones o cambiar la forma de redactar las preguntas, para obtener al final un problema derivado, que si bien no se caracteriza por su originalidad, s constituye una nueva tarea. Estas tres primeras tcnicas son tipificadas como complementarias en el acto de creacin de las tareas docentes, porque actan de forma combinada y ms bien son instrumentos de ayuda, segn la situacin inicial que se tome como punto de partida. Otras, como la siguientes, son denominadas bsicas por su gran influencia y jerarqua en la formulacin, sin embargo, tanto las complementarias como las bsicas se utilizan de forma combinada en la prctica. 4.-Integracin por inclusin. Es una tcnica muy sencilla, cuyo procedimiento es asequible a cualesquier sujeto. Consiste en elaborarla de forma tal que las incgnitas de los diferentes incisos mantengan una dependencia sucesiva en forma de cadena, como el ejemplo de la pgina 37, donde fueron caracterizados los sistemas semiabiertos, para luego eliminar los iniciales y solo dejar la incgnita final. 5.-Reformulacin. Consiste en reconstruir la estructura gramatical y de sistema mediante procesos de innovacin. Se diferencia de la analoga por la profundidad de los cambios introducidos, puesto que se parte de un ejemplo concreto que debe ser modificado y no de recuerdos que pueden ser borrosos y a veces confusos. 6.-Fusin de tareas (o contenidos) auxiliares. Como parte de las estrategias de integracin, la fusin de tareas docentes auxiliares constituye una de las ms importantes. Es poco empleada, debido a la elevada complejidad que implica el establecimiento de relaciones mltiples entre datos e incgnitas que proceden de ejemplos diferentes, aunque tambin pueden ser integrados diversos contenidos previamente seleccionados, que guarden una relacin directa o indirecta. Consiste en fusionar dos o ms contenidos (que pueden o no proceder de otras tareas), mediante los mecanismos de la integracin externa o interna, para obtener otra con un mayor nivel de complejidad. Para poner en prctica las tcnicas analizadas, es necesario aclarar que casi nunca se emplean de forma aislada, ms bien en forma asociada como conjunto, por ejemplo cuando se selecciona la reformulacin, ella va acompaada de otras complementarias como la modelacin y el tanteo-error, entre otras. Adems, en su conjunto, los fundamentos tericos estudiados sobre los distintos tipos de tareas integradoras y las tcnicas necesitan para su implementacin del siguiente conjunto de requisitos: 1.-Partir del anlisis de los objetivos de los programas, siguiendo un enfoque sistmico en su derivacin gradual, desde los ms generales de la enseanza hasta la clase. 2.-Proporcionar en las tareas relaciones ricas entre los nuevos conocimientos y los esquemas existentes, donde estn presentes todos los niveles de integracin de los conocimientos y las habilidades, hasta llegar al nivel interdisciplinario. 3.-Desarrollar una adecuada variedad, concebida la variedad no slo en trminos de enfoque que propicien reflexin, estimulen el debate y permitan crear motivos cognoscitivos, sino tambin en relacin con las funciones, habilidades, niveles de asimilacin y complejidad, entre otros 4.-Presentar la informacin tanto en trminos positivos y familiares como con complejidad lgico lingstica, ir desde la simple descripcin del lenguaje simblico hasta la exigencia de

complicadas transformaciones, como por ejemplo negaciones o varias premisas con diferentes enlaces lgicos, textos complejos a interpretar o informaciones no utilizables, entre otras. 5.-Redactar las tareas de forma tal que expresen siempre ms de una funcin. Adems de la funcin cognoscitiva, incorporar situaciones nuevas, con diferentes niveles de complejidad, tanto de la vida diaria, la orientacin profesional o el cuidado del medio ambiente, como de la actualidad poltico- ideolgica del pas. 6.-Establecer un adecuado equilibrio entre los problemas que sern formulado, dejando un espacio a los problemas experimentales y cualitativos, que son insuficientes en los textos de la enseanza media.