Personalización y gemelos digitales: especificar qué se individualiza

429.1. La personalización necesita un objeto definido

Un modelo puede incorporar información de una persona de varias maneras. Puede ajustar un parámetro, modificar su estado inicial, escoger una estructura entre varias alternativas o corregir sus predicciones a medida que llegan observaciones nuevas. Cada operación produce un tipo distinto de individualización, con exigencias propias de datos y de validación, de modo que el término personalización dice poco mientras no se precise cuál se realiza.

La expresión gemelo digital agrega una condición más. Wright y Davidson (2020) analizan las definiciones en uso y concluyen que un gemelo digital reúne tres componentes, a saber, un modelo del objeto, un conjunto de datos sobre ese objeto que evoluciona en el tiempo y un procedimiento para actualizar el modelo de acuerdo con esos datos. Añaden que el modelo debe estar asociado a un objeto que existe, porque un gemelo sin contraparte física es simplemente un modelo. Su trabajo, escrito desde la metrología, ofrece criterios conceptuales y no evalúa si las representaciones así denominadas predicen bien.

En salud, la utilidad de un modelo se juzga respecto de una decisión o una tarea concreta. Un modelo puede predecir una variable fisiológica con precisión suficiente para una aplicación y resultar inadecuado para otra. La fidelidad requerida depende del resultado que interesa, del horizonte temporal y del costo de los errores en esa aplicación.

Este capítulo construye una representación individual sencilla y evalúa sus predicciones en datos reservados. El ejemplo permite separar el ajuste retrospectivo, la actualización de un parámetro y el pronóstico posterior. Muestra también que contar con datos de una persona no basta para identificar todos los parámetros de su modelo, en particular cuando las acciones dependen estrechamente del estado.

429.2. Qué puede individualizarse

La individualización del estado usa observaciones recientes para estimar dónde se encuentra el sistema y conserva una dinámica común a todos los individuos. La individualización de parámetros modifica la forma en que se espera que el sistema evolucione. La individualización estructural cambia las variables o relaciones que forman parte del modelo. Cada nivel exige evidencia distinta y sus ventajas posibles también difieren.

La frontera entre estado y parámetro es en parte una decisión de modelado. En un trabajo sobre la personalización de modelos computacionales para construir gemelos digitales médicos, Knapp y colaboradores (2025) recomiendan incorporar al vector filtrado aquellas cantidades que suelen tratarse como parámetros cuando varían entre individuos y modifican de manera apreciable la dinámica. En ese esquema, el filtro actualiza a la vez el estado y ciertos parámetros individuales. La recomendación no borra la distinción conceptual, pero obliga a declarar qué componentes se tratan como fijos y cuáles como actualizables.

Un modelo poblacional puede predecir bien el estado próximo de una persona si recibe una medición actual precisa, aunque sus parámetros sean compartidos. A la inversa, un parámetro individual bien estimado puede generar malos pronósticos cuando el estado inicial está mal observado. Una comparación informativa tiene que separar ambas contribuciones.

Los objetivos también pueden ser individuales. Dos personas con dinámicas semejantes pueden valorar de manera diferente ciertos resultados o tolerar costos distintos. Esa diferencia pertenece al problema de decisión y no necesariamente al modelo del sistema. Si se mezclan parámetros fisiológicos y preferencias en un mismo procedimiento de ajuste, resulta difícil saber qué cambió durante la personalización.

La frecuencia de actualización es otra dimensión. Un modelo puede recalibrar sus parámetros una vez al mes, actualizar el estado cada minuto y mantener su estructura durante años, escalas que la expresión «en tiempo real» oculta. Cada componente debería asociarse a su fuente de datos y a una regla de cambio documentada.

La evaluación requiere un comparador que use información equivalente cuando corresponda. Si el modelo personalizado recibe observaciones recientes mientras el modelo general solo dispone de una media histórica, la ventaja del primero puede deberse por completo a la actualización del estado. Para atribuirla a los parámetros individuales hay que igualar las demás diferencias pertinentes.

429.3. Del grupo a la persona

Los parámetros estimados en un grupo describen una distribución o una relación agregada. Trasladarlos a una persona supone hipótesis sobre la heterogeneidad entre individuos y sobre la estabilidad temporal de cada uno. Una asociación observada entre personas puede diferir de la relación que aparece dentro de una misma persona a lo largo del tiempo.

Fisher, Medaglia y Jeronimus (2018) abordan este problema con el concepto de ergodicidad, cuya formulación para la investigación en sujetos humanos remiten a Molenaar (2004). Según su exposición, las conclusiones obtenidas a nivel de grupo solo se trasladan al nivel individual cuando el proceso es ergódico, lo que exige que sea equivalente entre personas (criterio de homogeneidad) y que su media y su varianza se mantengan en el tiempo (criterio de estacionariedad). En seis conjuntos de datos con mediciones repetidas encontraron medias relativamente concordantes entre ambos niveles y una dispersión claramente mayor dentro de las personas que entre ellas. Los autores no sostienen que la información poblacional sea inútil. Recomiendan comprobar explícitamente la equivalencia entre niveles antes de generalizar.

La información grupal puede emplearse como distribución previa. Cuando una persona aporta pocos datos, esa distribución estabiliza estimaciones que serían muy inciertas si se calcularan aisladamente. Knapp y colaboradores (2025) destacan el valor de las previas informativas cuando los modelos tienen muchos parámetros y los datos clínicos son escasos, sobre todo al comienzo de un tratamiento. A medida que llegan observaciones informativas, la estimación se aleja de la media del grupo. Cuánto se aleja depende de la incertidumbre individual en relación con la poblacional.

Un promedio compartido puede predecir mejor que una estimación individual ruidosa, por lo que el valor de la personalización se establece comparando predicciones en datos reservados y considerando lo que cuesta obtener las mediciones.

La heterogeneidad puede alcanzar también a la estructura del modelo. Si algunos individuos siguen relaciones distintas, ajustar un coeficiente dentro de una familia incorrecta produce una personalización aparente. El modelo se acerca a las observaciones pasadas sin representar el mecanismo que determinará la evolución futura bajo condiciones nuevas.

429.4. Un sistema individual sintético

El ejemplo considera una variable de estado que persiste parcialmente de un paso al siguiente y responde a una entrada observada. El parámetro individual es la persistencia. La ganancia de la entrada se supone conocida para concentrar el ejercicio en una sola fuente de incertidumbre. El ruido dinámico es gaussiano e independiente entre pasos.

El sistema generador usa una persistencia de 0,9, una ganancia de 0,4 y una desviación estándar del ruido de 0,2. La entrada combina dos oscilaciones conocidas. Su variación aleja al sistema del origen en distintos momentos, lo que permite que las transiciones informen sobre la persistencia.

Estos valores no proceden de ninguna persona ni representan un tratamiento. El estado y la entrada son magnitudes abstractas. La ventaja de un ejemplo sintético es que el parámetro verdadero se conoce, de modo que puede distinguirse la recuperación numérica de la interpretación empírica que exigirían datos reales.

Se generan ciento sesenta transiciones. Las primeras sesenta se usan para actualizar el parámetro y las cien restantes se reservan para evaluar predicciones. La separación temporal impide que resultados futuros intervengan en la estimación.

En las predicciones de un paso se observa el estado actual antes de pronosticar el siguiente. El ejercicio no predice, por tanto, la trayectoria completa desde una única observación inicial, problema que corresponde al pronóstico abierto discutido en la sección 429.11.

429.5. Actualización bayesiana del parámetro

Se asigna a la persistencia una distribución previa gaussiana con media 0,6 y desviación estándar 0,2. Esta previa hace el papel de una referencia general que subestima la persistencia del individuo sintético, cuyo valor verdadero queda a 1,5 desviaciones estándar de la media previa. Una vez restado el efecto conocido de la entrada, cada transición aporta una observación lineal del parámetro.

Con ruido gaussiano de varianza conocida, la previa gaussiana es conjugada y la posterior se obtiene en forma cerrada. En un modelo autorregresivo la verosimilitud se factoriza en las densidades de transición condicionadas al estado anterior, de modo que los estados observados actúan como regresores aunque sean aleatorios. El cálculo es exacto condicionado al estado inicial. La precisión posterior suma la precisión previa y la información que aportan los cuadrados de los estados observados. La media posterior pondera ambas fuentes según esas precisiones.

La fórmula muestra que el número de observaciones no indica por sí solo cuánta información contienen. Si todos los estados están muy cerca de cero, el parámetro apenas influye en la transición y los datos restringen poco su valor. Una serie larga puede seguir siendo poco informativa respecto de ese componente.

La distribución gaussiana no impone estabilidad dinámica y asigna algo de probabilidad a valores de persistencia iguales o mayores que uno. En el ejemplo, la posterior queda concentrada cerca del valor generador y esa probabilidad es inferior a una milmillonésima. En aplicaciones donde la estabilidad sea una restricción física, el modelo debería incorporarla de forma explícita, por ejemplo mediante una previa truncada, o analizar qué consecuencias tiene admitir parámetros inestables.

429.6. Predicción posterior y fuentes de incertidumbre

Con el parámetro actualizado, la media predictiva de un paso combina la persistencia posterior con la entrada conocida. La varianza predictiva suma el ruido de la transición y la incertidumbre sobre el parámetro. Este segundo término crece con la magnitud del estado actual, porque un error en la persistencia se amplifica cuando el estado está lejos de cero.

Estas expresiones suponen que el estado actual se observa sin error y que la ganancia de la entrada y la varianza del ruido son conocidas. Si cualquiera de esas cantidades es incierta, la fórmula subestima la incertidumbre total. La amplitud de un intervalo solo puede interpretarse sabiendo qué fuentes de incertidumbre quedaron fuera del modelo.

La incertidumbre paramétrica tampoco recoge el error estructural. Si la dinámica cambia o el efecto de la entrada es no lineal, una posterior estrecha puede rodear un valor inútil para predecir en condiciones nuevas. La confianza interna del modelo debe contrastarse con sus errores de predicción en datos externos.

Los intervalos predictivos se evalúan atendiendo a su cobertura y a su anchura al mismo tiempo. Un intervalo muy amplio alcanza fácilmente una cobertura alta y aporta poca información, mientras que uno estrecho puede parecer preciso y fallar a menudo. Gneiting, Balabdaoui y Raftery (2007) formalizan este compromiso como la búsqueda de la máxima concentración de la distribución predictiva sujeta a calibración. En su terminología, la calibración es una propiedad conjunta de los pronósticos y de lo que efectivamente ocurre, mientras que la concentración (sharpness) pertenece solo a los pronósticos.

429.7. Código con separación temporal de datos

El primer bloque genera la trayectoria, actualiza el parámetro solo con el segmento inicial y mantiene fija esa actualización durante la evaluación. Cada predicción recibe el estado observado en el instante actual y la entrada correspondiente. Como referencias se incluyen el modelo general con la distribución previa y la regla de persistencia, que pronostica el último estado observado. Las últimas líneas comprueban numéricamente el caso de estados poco informativos y la equivalencia que se discute en la sección 429.10.

import numpy as np

rng = np.random.default_rng(429)
n = 160
verdadero, b, sigma = 0.9, 0.4, 0.2
u = np.sin(np.arange(n)*0.37) + 0.5*np.cos(np.arange(n)*0.11)
x = np.zeros(n+1)
for t in range(n):
    x[t+1] = verdadero*x[t] + b*u[t] + rng.normal(0, sigma)

# Actualización con las primeras 60 transiciones
N = 60
mu0, V0 = 0.6, 0.2**2
estados = x[:N]
respuestas = x[1:N+1] - b*u[:N]
V = 1 / (1/V0 + np.sum(estados**2)/sigma**2)
mu = V * (mu0/V0 + np.sum(estados*respuestas)/sigma**2)
assert V < V0
print("Posterior: media, varianza, desviación", mu, V, np.sqrt(V))

# Evaluación de un paso en las 100 transiciones reservadas
actuales = x[N:-1]
futuros = x[N+1:]
entradas = u[N:]
assert len(actuales) == len(futuros) == len(entradas) == 100
resultados = {}
for nombre, coeficiente, varianza in [
    ("general", mu0, V0), ("individual", mu, V)
]:
    pred = coeficiente*actuales + b*entradas
    sd = np.sqrt(sigma**2 + actuales**2*varianza)
    errores = futuros-pred
    mse = np.mean(errores**2)
    cobertura = np.mean(np.abs(errores) <= 1.96*sd)
    anchura = np.mean(2*1.96*sd)
    resultados[nombre] = mse
    print(nombre, mse, cobertura, anchura)

mse_persistencia = np.mean((futuros-actuales)**2)
print("Persistencia: error cuadrático medio", mse_persistencia)
assert resultados["individual"] < resultados["general"]
assert resultados["individual"] < mse_persistencia

# Estados de magnitud 0,01: casi no informan sobre la persistencia
V_debil = 1 / (1/V0 + 60*0.01**2/sigma**2)
print("Varianza con estados poco informativos", V_debil)
assert V_debil > 0.99*V0

# Bajo u = -k x, dos pares (a, b) con igual a - b k generan la misma serie
k = 0.5
assert np.isclose(0.9 - 0.4*k, 0.8 - 0.2*k)
ruido = np.random.default_rng(1).normal(0, sigma, 200)
z1 = np.zeros(201); z2 = np.zeros(201)
z1[0] = z2[0] = 1.0
for t in range(200):
    z1[t+1] = 0.9*z1[t] + 0.4*(-k*z1[t]) + ruido[t]
    z2[t+1] = 0.8*z2[t] + 0.2*(-k*z2[t]) + ruido[t]
assert np.allclose(z1, z2)

Con la semilla 429, la media posterior es 0,899 y su desviación estándar es 0,017. La proximidad al valor generador comprueba el funcionamiento del ejemplo y nada más. Que sesenta transiciones basten aquí depende de la magnitud de los estados, de la entrada y del nivel de ruido, de modo que otro conjunto de sesenta transiciones podría informar mucho menos.

429.8. Qué mejora y qué permanece incierto

En la trayectoria evaluada, el modelo individual reduce el error puntual frente a las dos referencias. Los dos modelos probabilísticos alcanzan la misma cobertura observada con intervalos de anchura distinta, ya que los del modelo general son en promedio un 43 % más anchos. La incertidumbre paramétrica amplia de la referencia general le permite cubrir errores originados en una media mal situada.

El error cuadrático del modelo individual queda incluso algo por debajo de la varianza del ruido, que es 0,04 y fija el error esperado del mejor predictor posible con información del instante actual. Esa diferencia es variación muestral de una sola trayectoria de cien pasos. Por la misma razón, una cobertura de 97 observaciones sobre 100 no demuestra calibración exacta al nivel nominal. Los estados consecutivos están correlacionados y la estructura de la trayectoria coincide, por construcción, con la familia usada para actualizar el parámetro.

Para comprobar cuánto depende la tabla de la semilla escogida, el segundo bloque repite el experimento completo con mil semillas.

import numpy as np

def experimento(semilla, n=160, N=60, a=0.9, b=0.4, sigma=0.2,
                mu0=0.6, V0=0.2**2):
    rng = np.random.default_rng(semilla)
    u = np.sin(np.arange(n)*0.37) + 0.5*np.cos(np.arange(n)*0.11)
    x = np.zeros(n+1)
    for t in range(n):
        x[t+1] = a*x[t] + b*u[t] + rng.normal(0, sigma)
    e, r = x[:N], x[1:N+1] - b*u[:N]
    V = 1 / (1/V0 + np.sum(e**2)/sigma**2)
    mu = V * (mu0/V0 + np.sum(e*r)/sigma**2)
    act, fut, ent = x[N:-1], x[N+1:], u[N:]
    salida = []
    for c, v in [(mu0, V0), (mu, V)]:
        err = fut - (c*act + b*ent)
        sd = np.sqrt(sigma**2 + act**2*v)
        salida += [np.mean(err**2), np.mean(np.abs(err) <= 1.96*sd)]
    return salida

R = np.array([experimento(s) for s in range(1000)])
print("Fracción con menor error individual", np.mean(R[:, 2] < R[:, 0]))
print("Cobertura general: media y percentiles 5-95",
      R[:, 1].mean(), np.percentile(R[:, 1], [5, 95]))
print("Cobertura individual: media y percentiles 5-95",
      R[:, 3].mean(), np.percentile(R[:, 3], [5, 95]))
print("ECM medio general, individual", R[:, 0].mean(), R[:, 2].mean())

En las mil repeticiones, el modelo individual obtiene menor error cuadrático que el general en todos los casos. Su cobertura media es 0,95, con un percentil 5 de 0,91 y un percentil 95 de 0,98. La cobertura del modelo general promedia 0,92 y su percentil 5 baja a 0,87. El valor de 0,97 que muestra la tabla para la referencia general fue, por tanto, un resultado favorable de esa trayectoria particular. En promedio, una previa mal centrada subcubre aunque sus intervalos sean más anchos, porque su error no es solo de dispersión. Este contraste ilustra por qué una sola trayectoria no permite juzgar la calibración.

La comparación con la regla de persistencia muestra que la mejora del modelo individual no se reduce a repetir el último estado. Una referencia más exigente podría estimar el modelo general con datos de otros individuos o usar una estimación individual no bayesiana. El comparador debe representar alternativas plausibles para el uso que se quiere justificar.

La evaluación mantiene el parámetro fijo durante todo el periodo reservado. Una versión que siguiera actualizándolo podría mejorar o empeorar si la dinámica cambiara. Para evaluarla habría que respetar el orden temporal, de modo que cada observación influya solo en predicciones emitidas después de su llegada.

Estas cifras sustentan una ventaja predictiva dentro de un experimento sintético bien definido. No dicen nada sobre utilidad clínica, porque no se han especificado una decisión real, un resultado funcional ni el costo de obtener las mediciones.

429.9. Excitación insuficiente y datos redundantes

La información disponible sobre la persistencia depende de la suma de los cuadrados de los estados. Si sesenta observaciones tienen una magnitud de 0,01, la varianza posterior apenas disminuye respecto de la previa. El código calcula ese caso y muestra que se conserva el 99,4 % de la varianza inicial.

La cantidad de datos no equivale a su contenido informativo. Un sensor puede producir millones de muestras de un sistema casi inmóvil que describen bien el nivel basal y aportan poco sobre la respuesta a los cambios. Para identificar la dinámica hay que observar variaciones pertinentes.

La correlación temporal reduce además la novedad de muestras cercanas en el tiempo. En el modelo del ejercicio, las innovaciones son independientes y la regresión tiene estructura conocida. En datos reales puede haber ruido correlacionado o variables omitidas. Si todas las muestras se tratan como evidencia independiente, los intervalos se estrechan artificialmente.

Una entrada variable puede mejorar la identificación, pero su elección debe respetar el contexto. En ingeniería experimental es posible diseñar señales de excitación dentro de límites conocidos. En aplicaciones humanas, el interés por obtener información no justifica cualquier perturbación. El problema de diseño debe incluir las restricciones y los resultados relevantes para la persona, de modo que la incertidumbre del modelo nunca baste por sí sola como razón para intervenir.

También puede aprovecharse la variación natural bien registrada, aunque las entradas espontáneas pueden depender del estado y de factores no observados, de modo que la asociación estimada no equivale por sí sola al efecto causal de una entrada externa.

429.10. Parámetros confundidos bajo una política de control

En el ejemplo la ganancia de entrada es conocida. Si se intenta estimarla junto con la persistencia, la información depende de que estados y entradas varíen con suficiente independencia. Una política que fija la entrada en proporción al estado puede impedir esa separación.

Considérese una regla de retroalimentación proporcional. Al sustituirla en la dinámica, los dos parámetros aparecen solo a través de una combinación, de manera que dos pares distintos pueden generar exactamente la misma evolución observada bajo esa política.

Con una ganancia de control de 0,5, el par formado por una persistencia de 0,9 y una respuesta de 0,4 y el par formado por 0,8 y 0,2 producen el mismo coeficiente efectivo de 0,7. El código lo verifica simulando ambos sistemas con la misma secuencia de ruido, que produce trayectorias idénticas. Bajo esa relación exacta, ninguna cantidad de observaciones separa ambos mecanismos sin información adicional. El problema es conocido en la identificación de sistemas en lazo cerrado. Gevers, Bazanella y Mišković (2007) señalan que la posibilidad de identificar un sistema solo con la excitación del ruido depende de la complejidad del controlador en relación con la del sistema controlado. Estudian además cuánta excitación externa de referencia hace falta cuando esa condición no se cumple. Un controlador proporcional estático aplicado a un sistema de primer orden, como el del ejemplo, carece de esa complejidad.

La equivalencia tiene consecuencias para evaluar intervenciones nuevas. Los dos modelos coinciden bajo la política observada y divergen cuando cambia la ganancia de control o la entrada deja de ser proporcional al estado. Un buen ajuste durante el uso habitual no garantiza pronósticos correctos bajo una política diferente.

Para resolver la confusión puede hacer falta una medición adicional, conocimiento previo sobre uno de los parámetros o variación de la entrada que rompa la dependencia con el estado. Esa estrategia debe evaluarse antes de interpretar la estimación como una propiedad del individuo. Un algoritmo de optimización devuelve siempre un par numérico, incluso cuando los datos solo identifican su combinación. Knapp y colaboradores (2025) advierten de este riesgo en modelos médicos complejos, donde con pocos datos los parámetros pueden ser estructural o prácticamente no identificables y muchas combinaciones de estado y parámetros reproducen las mismas observaciones.

429.11. Pronósticos de un paso y trayectorias abiertas

En la evaluación realizada, cada predicción parte del estado observado en el instante actual. El error de un paso no se arrastra como condición inicial del siguiente, porque la observación nueva corrige la representación. Este régimen corresponde a una predicción repetida con actualización del estado.

Un pronóstico abierto parte de una única condición inicial y avanza usando sus propias predicciones. En ese caso los errores de parámetros y de estado pueden acumularse. La incertidumbre crece según la dinámica, el horizonte y lo que se sepa sobre las entradas futuras. Un buen rendimiento a un paso puede coexistir con trayectorias abiertas poco fiables.

La distinción afecta también a la evaluación de intervenciones. Simular una política alternativa puede exigir predecir estados que nunca se observaron bajo la política real. Como no es posible corregir cada paso con la trayectoria factual sin mezclar escenarios incompatibles, el modelo tiene que sostener la evolución contrafactual con sus propios supuestos.

La incertidumbre sobre las entradas futuras puede dominar el pronóstico. Si el modelo recibe retrospectivamente la secuencia real de entradas, se evalúa una predicción condicionada a información que quizá no estaría disponible al momento de decidir. Hay que indicar si las entradas se conocen, se planifican o se pronostican.

Un informe útil presenta los resultados por horizonte y por régimen de actualización. Puede mostrar, por ejemplo, que la representación anticipa bien el paso siguiente sin que eso autorice a simular una semana completa ni a comparar políticas.

429.12. Actualización, deriva y olvido

La actualización acumulativa supone que todos los datos describen el mismo parámetro. Si la dinámica individual cambia, las observaciones antiguas pueden dominar una estimación que ya no representa el presente. Un modelo muy preciso bajo estacionariedad puede reaccionar con lentitud a cambios reales. Wright y Davidson (2020) sitúan precisamente aquí la utilidad principal de un gemelo digital, que sería mayor cuando el objeto cambia con el tiempo y es posible registrar datos correlacionados con ese cambio.

Una solución consiste en permitir que el parámetro evolucione o en disminuir el peso de las observaciones antiguas. Knapp y colaboradores (2025) mencionan, por ejemplo, añadir una dinámica de paseo aleatorio a los parámetros incluidos en el filtro. Ambas opciones imponen un compromiso, pues reaccionar más rápido a los cambios aumenta la sensibilidad a fluctuaciones aleatorias. La intensidad del olvido debe elegirse según el rendimiento en predicciones posteriores y no según lo bien que la estimación sigue visualmente la trayectoria pasada.

Conviene distinguir también el cambio del sistema del cambio del sensor. Si una medición adquiere un sesgo, actualizar la dinámica para compensarlo produce un modelo aparentemente adaptado que atribuye al individuo una modificación instrumental. Registrar calibraciones y cambios de dispositivo ayuda a resolver esa ambigüedad.

Las reglas de actualización necesitan versiones y fechas. Cada predicción debe poder asociarse al estado del modelo vigente cuando fue emitida. Recalcular toda la trayectoria con los parámetros finales puede servir para el análisis retrospectivo, aunque no refleja lo que el sistema sabía en tiempo real.

La validación secuencial emite una predicción, registra su error cuando llega la observación y actualiza después. Ese orden permite evaluar un sistema que aprende durante el uso. Los resultados deben distinguir los periodos de inicialización, los cambios de versión y las situaciones en que la actualización se suspendió por datos no fiables.

429.13. Requisitos de una representación individual mantenida

En el análisis de Wright y Davidson (2020), el vínculo continuo con una contraparte individual separa al gemelo digital de un modelo genérico. Para volver operativo ese vínculo hay que precisar qué entidad se representa, qué datos la actualizan y qué decisiones pretende apoyar.

La representación necesita una estructura de datos que conserve unidades, tiempos y procedencia. Una misma etiqueta puede reunir mediciones obtenidas con métodos diferentes. Si esos cambios no quedan documentados, el procedimiento de actualización puede interpretar diferencias instrumentales como evolución del sistema.

Necesita además una política para los datos faltantes. Interpolar puede ser razonable para algunas variables y engañoso para otras, especialmente cuando la ausencia de datos depende del estado. Un modelo que recibe mediciones sobre todo en periodos problemáticos observa una muestra seleccionada. La actualización debe tener en cuenta esa selección o restringir sus conclusiones.

La incertidumbre tiene que acompañar a las predicciones en una forma utilizable. Almacenar una distribución sirve de poco si la interfaz comunica solo una cifra puntual. Quien interpreta el resultado necesita conocer el horizonte, las condiciones y la magnitud del error relevante para su decisión. El número de decimales que muestra una pantalla puede sugerir una precisión mayor que la del modelo.

La presencia de estos componentes indica que la representación puede mantenerse, auditarse y evaluarse. Su capacidad predictiva y su valor práctico requieren resultados propios.

429.14. Verificación, validación y utilidad

Sel y colaboradores (2025) revisan la verificación, la validación y la cuantificación de incertidumbre de los gemelos digitales en medicina de precisión. La verificación comprueba que el código resuelve correctamente el modelo matemático previsto. En el ejemplo incluye revisar la actualización posterior y la separación entre segmentos de datos. Un error de índices que incorporara una observación futura mejoraría artificialmente el resultado sin producir ningún fallo visible en la ejecución. Las aserciones sobre la longitud de los vectores del código buscan detectar parte de ese tipo de error.

La validación evalúa si las predicciones representan el mundo real con suficiente fidelidad para el uso previsto, contrastándolas con observaciones que no intervinieron en el ajuste. Su alcance depende de cuán representativas sean esas observaciones. Reservar parte de una trayectoria generada por la misma ecuación es una prueba mucho más favorable que predecir un sistema biológico con mecanismos omitidos. Wright y Davidson (2020) advierten que, por la presencia de incertidumbre, la comparación con la realidad debe tratarse como un proceso estadístico. Sel y colaboradores señalan que una prueba de validación sobre un conjunto finito de datos no confirma de forma definitiva la exactitud del modelo, que la validación de predicciones futuras carece de un patrón de referencia definitivo y que los gemelos que se actualizan continuamente requieren esquemas de validación temporal iterativa. Plantean también que, para modelos individualizados, los diseños de tipo N-de-1 pueden complementar a la validación por cohortes.

La utilidad exige una comparación ligada al uso. Un modelo puede reducir el error cuadrático sin cambiar ninguna decisión relevante, mientras otro mejora las predicciones justo donde los errores tienen consecuencias graves aunque su promedio cambie poco. La función de evaluación debe reflejar esa diferencia.

Corral-Acero y colaboradores (2020) presentan, en un artículo de posición, una visión del gemelo digital en cardiología de precisión basada en la combinación de modelos mecanísticos y estadísticos. La propuesta ayuda a especificar aspiraciones y componentes, aunque no constituye evidencia de beneficio clínico para cualquier modelo personalizado. La revisión de Sel y colaboradores (2025) indica que los ejemplos reales que han obtenido aprobación regulatoria siguen siendo escasos. Cada aplicación concreta tiene que demostrar su rendimiento y su aporte frente a las prácticas disponibles.

La evaluación debe incluir los costos de adquisición y mantenimiento. Un aumento pequeño de precisión puede no justificar mediciones complejas o muy frecuentes. Un modelo sencillo actualizado con datos accesibles puede resultar más útil que una representación detallada difícil de mantener.

429.15. Comparadores y pruebas de contribución

Para atribuir una ventaja a la personalización conviene comparar versiones que difieran en componentes identificables. Una versión puede usar parámetros generales con estado actualizado, otra puede añadir parámetros individuales y una tercera puede incorporar una estructura específica. La secuencia permite localizar de dónde procede la mejora.

Los comparadores deben disponer de una cantidad razonable de información y de ajuste. Un modelo general deliberadamente pobre no demuestra el valor de la individualización. En el ejemplo, la media previa se eligió lejos del individuo para que la actualización fuera visible. Una evaluación aplicada debería estimar la referencia general con datos apropiados y medir la variabilidad entre individuos.

La selección de hiperparámetros debe respetar la separación de los datos. Si la varianza previa se elige mirando el periodo reservado de cada persona, la comparación deja de ser prospectiva. Puede usarse información de otros individuos o un conjunto de desarrollo, manteniendo siempre un segmento final intocado para la evaluación.

Las pruebas de contribución pueden también retirar canales de datos o reducir la frecuencia de actualización. Si el rendimiento apenas cambia, esos componentes quizá no justifiquen su costo. Si empeora solo en ciertas situaciones, la adquisición podría concentrarse en ellas, con validación separada de esa estrategia.

La incertidumbre de las diferencias entre modelos debe comunicarse, porque una ventaja observada en una sola trayectoria puede ser accidental. La replicación en periodos posteriores y en individuos pertinentes permite delimitar a quiénes beneficia realmente la individualización.

429.16. Representación individual y decisiones contrafactuales

Un modelo que predice bien bajo la práctica observada no necesariamente predice qué ocurriría bajo otra intervención. Esta segunda pregunta exige representar cómo modifican las acciones al sistema y cómo se eligieron esas acciones en los datos originales. La personalización de parámetros no elimina la confusión causal.

En el ejemplo, la ganancia de la entrada se conoce por construcción y las entradas se fijan desde fuera del sistema. Esa condición permite interpretar su efecto dentro del simulador. En datos observacionales, una acción puede aplicarse precisamente cuando se anticipa un empeoramiento. La asociación entre acción y resultado mezcla entonces el efecto de la acción con la selección por riesgo.

Las simulaciones contrafactuales deben distinguir los parámetros identificados de los supuestos externos. Si el efecto de una intervención proviene de otra población o de un modelo mecanístico no contrastado en el individuo, esa dependencia y la posibilidad de que la transferencia sea inadecuada deben hacerse visibles.

Una representación puede servir para organizar escenarios aunque no permita elegir entre ellos con confianza. Su función es entonces mostrar consecuencias condicionales y señalar qué información falta, sin presentarse como recomendación validada.

La actualización posterior a una intervención puede mejorar el conocimiento del individuo, siempre que se separe el aprendizaje del modelo de la evaluación del resultado. Un sistema que modifica su explicación después de cada observación necesita predicciones registradas antes de cada cambio para demostrar que aprende de manera útil.

429.17. Límites del ejemplo y extensión del problema

El sistema sintético observa el estado sin error, conoce la ganancia de la entrada y mantiene una dinámica estacionaria. Esas condiciones hacen posible una posterior exacta y un pronóstico bien definido. Si se añade error de medición, el estado pasa a ser una variable latente y puede requerirse un filtro que estime conjuntamente estados y parámetros, como el filtro de Kalman por conjuntos que emplean Knapp y colaboradores (2025).

Cuando la varianza del ruido es desconocida, también debe estimarse. Si el modelo la fija demasiado baja, tenderá a atribuir fluctuaciones aleatorias a cambios de parámetro y a estrechar en exceso sus intervalos. Si la fija demasiado alta, aprenderá con lentitud y producirá predicciones poco informativas.

La persistencia gaussiana representa una sola dimensión de diferencia individual. El modelo no incluye interacciones entre variables, retardos ni cambios de régimen. Una representación más detallada puede ser necesaria, aunque sus parámetros adicionales requieren datos capaces de identificarlos. Todo aumento de resolución del modelo debería acompañarse de un análisis de identificabilidad.

El resultado favorable del ejemplo sostiene una afirmación acotada. Cuando el modelo generador pertenece a la familia propuesta y los datos son informativos, actualizar un parámetro individual puede mejorar las predicciones posteriores. El mismo desarrollo muestra por qué esa mejora desaparece con poca excitación o con parámetros confundidos.

429.18. Especificar antes de nombrar

Una descripción técnicamente útil comienza por la variable individualizada, la regla de actualización y la predicción que se evaluará. Con esos elementos definidos puede decidirse si la organización del sistema corresponde al uso del término gemelo digital. El nombre no reemplaza a esas especificaciones.

La representación debe permitir distinguir lo observado de lo inferido, lo actualizado de lo fijo y lo validado de lo supuesto. Esa separación importa sobre todo cuando el modelo se emplea para explorar intervenciones, porque la fidelidad retrospectiva y la capacidad de anticipar la respuesta a una intervención nueva son propiedades diferentes.

El ejercicio del capítulo ofrece una manera reproducible de hacer esa evaluación, con un segmento de actualización, otro de predicción, referencias explícitas y repeticiones que separan lo estable de lo azaroso.

Una salida individual tampoco garantiza que el error sea aceptable para esa persona. Un buen promedio puede ocultar fallos concentrados en estados poco frecuentes o en individuos con características mal representadas en los datos. Conviene examinar los errores según condiciones relevantes e informar cuándo el modelo opera fuera del dominio observado. Esa delimitación debe expresarse en variables medibles, como el rango de estados o de entradas presente en los datos de actualización.

Cuando faltan datos para un horizonte o una condición, una representación mantenida puede registrar explícitamente que esa región carece de validación. Actualizar el modelo no obliga a emitir una predicción en cualquier circunstancia. Definir cuándo aporta información y cuándo necesita una medición adicional forma parte de su especificación funcional. Con esa especificación, la evaluación recae sobre el sistema completo y sus reglas de uso, que es lo que finalmente se aplica a una persona.

Referencias

• Corral-Acero, J., Margara, F., Marciniak, M., et al. (2020). The ‘Digital Twin’ to enable the vision of precision cardiology. European Heart Journal, 41(48), 4556–4564. DOI.
• Fisher, A. J., Medaglia, J. D. y Jeronimus, B. F. (2018). Lack of group-to-individual generalizability is a threat to human subjects research. Proceedings of the National Academy of Sciences, 115(27), E6106–E6115. DOI.
• Gevers, M., Bazanella, A. S. y Mišković, L. (2007). Identifiability and informative experiments in open and closed-loop identification. En A. Chiuso, A. Ferrante y S. Pinzoni (Eds.), Modeling, estimation and control: Festschrift in honor of Giorgio Picci on the occasion of his sixty-fifth birthday (Lecture Notes in Control and Information Sciences, pp. 151–170). Springer. DOI.
• Gneiting, T., Balabdaoui, F. y Raftery, A. E. (2007). Probabilistic forecasts, calibration and sharpness. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 69(2), 243–268. DOI.
• Knapp, A., Cruz, D. A., Mehrad, B. y Laubenbacher, R. C. (2025). Personalizing computational models to construct medical digital twins. Journal of the Royal Society Interface, 22, 20250055. DOI.
• Molenaar, P. C. M. (2004). A manifesto on psychology as idiographic science: Bringing the person back into scientific psychology, this time forever. Measurement: Interdisciplinary Research and Perspectives, 2(4), 201–218. DOI.
• Sel, K., Hawkins-Daarud, A., Chaudhuri, A., Osman, D., Bahai, A., Paydarfar, D., Willcox, K., Chung, C. y Jafari, R. (2025). Survey and perspective on verification, validation, and uncertainty quantification of digital twins for precision medicine. npj Digital Medicine, 8, 40. DOI.
• Wright, L. y Davidson, S. (2020). How to tell the difference between a model and a digital twin. Advanced Modeling and Simulation in Engineering Sciences, 7, 13. DOI.