Análisis de series de tiempo en la investigación en salud: visión general actualizada y breve guía práctica

La era de la biomedicina longitudinal derivada de la información sanitaria exige un análisis temporal sofisticado. Sin embargo, las técnicas estadísticas tradicionales, como la regresión por mínimos cuadrados ordinarios, se ven obstaculizadas por la autocorrelación y la heterocedasticidad en los datos de series temporales de salud.En este estudio se examinan las principales características de diferentes modelos analíticos de series de tiempo, desde modelos ARIMA hasta los más recientes basados en aprendizaje automático, y enfatiza la importancia de implementar técnicas sofisticadas acordes con la naturaleza de la pregunta de investigación y los datos de salud para obtener inferencias estadísticas confiables. Se argumenta que la aplicación de un análisis sólido de series temporales es esencial para una implementación efectiva.