Revista Athenea · Artículo de investigaciónVol. 7 · Núm. 26 · Octubre–diciembre de 2026 · pp. 60–71 · ISSN-e 2737-6419
Versión vectorial del PDF: amplía las páginas, selecciona texto y utiliza los enlaces a citas, tablas, figuras, DOI y ORCID.
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)Artículo de investigaciónhttps://doi.org/10.47460/athenea.v7i26.158Modelado estocástico y simulación computacional de trayectorias derecuperación en cirugía estéticaFranyelit Suárez-Carreño*https://orcid.org/0000-0002-8763-5513fsuarez@mgu.usModern Global UniversityPuerto Rico, Estados UnidosWilfredo Fariñas-Coronadohttps://orcid.org/0000-0003-2095-5755wfarinas@mgu.usModern Global UniversityPuerto Rico, Estados Unidos*Autor de correspondencia: fsuarez@mgu.usRecibido: (05/08/2026), Aceptado: (01/11/2026)Resumen. Se desarrolló un modelo matemático-computacional para generar datos longitudinales sim-ulados de recuperación posterior a una liposucción aislada hipotética.El sistema integró procesosestocásticos correlacionados, heterogeneidad individual, eventos adversos competitivos y mecanismosselectivos de observación. Se generó una cohorte de 10.000 individuos virtuales con 80.000 evalua-ciones programadas durante 180 días.Las trayectorias mostraron disminuciones progresivas de losíndices de edema y dolor, acompañadas de incrementos de función y cicatrización. Se registraron 121primeros eventos adversos agudos, 219 irregularidades del contorno y 6.999 observaciones faltantes.La disponibilidad de estados latentes completos permitió establecer referencias computacionales parafuturas evaluaciones estadísticas. Los resultados demostraron la reproducibilidad interna del sistema,sin constituir evidencia clínica. SIM-LIPO 3.2 ofrece un recurso documentado para estudiar métodoslongitudinales y desarrollar experimentos computacionales bajo supuestos controlados.Palabras clave: simulación computacional, modelado estocástico, datos longitudinales, liposucción,eventos competitivos, reproducibilidad científica.Stochastic Modeling and Computational Simulation of Recovery Trajectories inCosmetic SurgeryAbstract. A mathematical and computational model was developed to generate simulated longitudinaldata on recovery following hypothetical isolated liposuction. The system integrated correlated stochasticprocesses, individual heterogeneity, competing adverse events, and selective observation mechanisms.A cohort of 10,000 virtual individuals was generated, with 80,000 scheduled assessments over 180 days.The trajectories showed progressive decreases in edema and pain indices, accompanied by improvementsin function and healing indices. A total of 121 first acute adverse events, 219 contour irregularities, and6,999 missing observations were recorded. The availability of complete latent states made it possibleto establish computational reference values for future statistical evaluations. The results demonstratedthe internal reproducibility of the system without constituting clinical evidence. SIM-LIPO 3.2 providesa documented resource for studying longitudinal methods and conducting computational experimentsunder controlled assumptions.Keywords: computational simulation, stochastic modeling, longitudinal data, liposuction, competingrisks, scientific reproducibility.Suárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética60
Página 60 de 71 · 1 de 12
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)I.INTRODUCCIÓNLa liposucción y los procedimientos de remodelación del contorno corporal plantean problemas deinvestigación que abarcan la recuperación posoperatoria, la aparición de eventos adversos y la variacióntemporal de los resultados. Estas dimensiones no siempre pueden resumirse mediante una única medi-ción final, pues describen procesos diferentes y potencialmente relacionados. Una revisión sistemática ymetaanálisis de complicaciones de liposucción documentó la diversidad de desenlaces que se investigan,entre ellos seroma, hematoma, infección, tromboembolismo venoso y alteraciones del contorno [1].Tales hallazgos justifican representar de manera diferenciada el curso longitudinal de la recuperacióny los mecanismos de ocurrencia de eventos. No obstante, las estimaciones publicadas dependen depoblaciones y procedimientos específicos y no autorizan extrapolaciones automáticas a escenarios com-putacionales hipotéticos.El análisis de sistemas posoperatorios mediante simulación permite formular hipótesis estructuralesy examinar el comportamiento de modelos bajo supuestos controlados sin recurrir a información indi-vidual de pacientes. Su utilidad reside en disponer de estados internos conocidos, modificar parámetrosy observar cómo cambian los resultados. La literatura de verificación y validación de modelos de simu-lación distingue entre comprobar que una implementación ejecuta correctamente sus especificaciones ydemostrar que representa adecuadamente el sistema de interés [2]. Esta distinción resulta esencial eninvestigación biomédica computacional: una base reproducible y coherente puede ser valiosa para com-parar métodos estadísticos sin constituir por ello evidencia clínica sobre frecuencias de complicacioneso eficacia terapéutica.Los registros longitudinales añaden dificultades analíticas cuando las mediciones de un mismo indi-viduo están correlacionadas y existen observaciones faltantes. La teoría de Rubin sobre inferencia condatos incompletos advierte que el mecanismo de ausencia condiciona la interpretación de las estima-ciones [3]. Por otra parte, cuando se estudia el primer evento adverso entre varios tipos mutuamenteexcluyentes, la estructura de riesgos competitivos requiere distinguir las funciones de incidencia acumu-lada y los riesgos asociados con causas específicas [4]. La incorporación explícita de estos fenómenos aun simulador crea un entorno conocido para ensayar métodos de estimación, verificar sesgos computa-cionales y estudiar la sensibilidad a distintos supuestos de observación.La posibilidad de reproducir resultados constituye otro requisito central. Las prácticas de investi-gación computacional reproducible recomiendan conservar el código, los parámetros y el origen de cadaresultado [5], mientras que los principios FAIR favorecen que los recursos de investigación sean localiz-ables, accesibles, interoperables y reutilizables [6]. Bajo estos criterios se desarrolló SIM-LIPO 3.2, unrecurso longitudinal generado mediante procedimientos matemáticos y publicado con sus archivos dedatos y componentes de reproducción en Zenodo [7]. El repositorio ofrece una referencia estable paraidentificar el recurso; esa disponibilidad, por sí sola, no certifica la pertinencia clínica de su procesogenerador.El objetivo de este estudio fue diseñar, implementar y describir un modelo matemático-computacionalcapaz de producir trayectorias longitudinales simuladas de recuperación tras una liposucción aisladahipotética, incorporando heterogeneidad individual, dependencia estocástica entre dimensiones, primeroseventos adversos agudos competitivos, un desenlace estético separado y ausencia selectiva de medi-ciones. Como aportación metodológica, se presenta una cohorte computacional de 10.000 individuosvirtuales con ocho momentos programados de observación durante 180 días, junto con reglas de gene-ración y procedimientos de comprobación reproducibles.El estudio evalúa propiedades del sistemasimulado y su utilidad como banco de pruebas estadístico; no estima resultados en pacientes reales nivalida recomendaciones clínicas.II.FUNDAMENTOS TEÓRICOSA. Modelado computacional y validez de los modelosUn modelo de simulación es una representación formal de un sistema cuya conducta se obtiene me-diante reglas matemáticas y algoritmos. En un modelo estocástico, los estados resultantes dependen deparámetros deterministas y realizaciones aleatorias. Para que sus productos sean interpretables, debenexplicitarse las variables de entrada, las ecuaciones de transición, las restricciones y los mecanismos deobservación. La verificación examina la correspondencia entre código y especificaciones, mientras queSuárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética61
Página 61 de 71 · 2 de 12
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)la validación externa contrasta el modelo con evidencia del fenómeno que se pretende representar [2].Por consiguiente, las pruebas de integridad de archivos, límites de índices o reproducción por semillason necesarias, pero no equivalen a calibración con pacientes reales.En SIM-LIPO, cada individuo virtual posee atributos basales y estados longitudinales latentes. Seconsideran cuatro dimensiones adimensionales de recuperación: edema, dolor, función y cicatrización.Sus escalas normalizadas constituyen índices computacionales definidos por el diseño y no instrumentosclínicos validados. Los valores que surgen del modelo son consecuencias de sus supuestos, por lo que suinterpretación apropiada se refiere al comportamiento del algoritmo y a la evaluación de herramientasanalíticas que operen sobre él [7].B. Dependencia longitudinal y procesos estocásticosLas mediciones repetidas no suelen ser independientes: el valor previo de una dimensión puedecontribuir a explicar su estado siguiente. Para representar ese carácter dinámico, SIM-LIPO utiliza unaestructura discreta inspirada en procesos de reversión a un objetivo temporal, próximos a la familia deOrnstein–Uhlenbeck, con perturbaciones aleatorias correlacionadas y heterogeneidad entre individuos[7]. La transformación logística del estado subyacente mantiene los índices dentro del intervalo abierto(0, 1), sin atribuirles unidades clínicas ni umbrales diagnósticos. La dependencia entre perturbacionesse construye mediante una matriz de correlación y una factorización matricial que permite generarvariaciones relacionadas entre las cuatro dimensiones.Esta formulación permite examinar cómo la variabilidad individual, la amplitud del ruido y la veloci-dad de acercamiento a objetivos modifican las trayectorias computacionales. Sin embargo, representardependencia temporal no demuestra que el proceso matemático reproduzca mecanismos biológicos par-ticulares. Su ventaja en este proyecto consiste en proporcionar secuencias estructuradas y verificablescon las que se puedan estudiar procedimientos longitudinales.C. Eventos adversos y riesgos competitivosLos eventos adversos no constituyen necesariamente desenlaces intercambiables. El metaanálisisde Comerci y colaboradores evidencia la diversidad de complicaciones investigadas tras liposucción [1].Desde la teoría de riesgos competitivos, cuando se considera únicamente el primer evento agudo de cadaindividuo, la ocurrencia de un tipo impide registrar otro como primer evento en ese mismo esquema.Fine y Gray formularon un enfoque para analizar la subdistribución de un riesgo competitivo, destacandola diferencia entre el riesgo de una causa y su incidencia acumulada en presencia de causas alternativas[4].El simulador utiliza una regla de asignación de primer evento agudo entre seroma, hematoma,infección y tromboembolismo venoso. Esta exclusividad pertenece a la definición del resultado simu-lado, no a una afirmación de que una persona real no pueda experimentar complicaciones múltiples.Las irregularidades del contorno se registran aparte, como otro desenlace del sistema. Las frecuen-cias obtenidas son productos del mecanismo generador y no deben compararse directamente con lasprevalencias clínicas del metaanálisis como si procedieran de muestras equivalentes.D. Observaciones incompletas y mecanismo de ausenciaLa falta de una medición longitudinal puede alterar las distribuciones observadas y afectar modelospredictivos o estimadores de trayectorias. Rubin introdujo una distinción fundamental entre mecanismosde ausencia vinculados o no a valores no observados [3]; Little y Rubin desarrollaron posteriormenteestrategias de análisis e inferencia para este tipo de problemas [8]. En simulación resulta especialmenteútil conservar la tabla completa de estados latentes y generar por separado la tabla visible, pues asípuede medirse el error de reconstrucción respecto de valores que se conocen por construcción.SIM-LIPO incorpora un mecanismo de observación dependiente de información del proceso simu-lado. La denominación estadística precisa de ese mecanismo debe justificarse respecto de las variablesefectivamente disponibles para el analista; no corresponde clasificarlo automáticamente como ausenciaal azar (MAR) o no al azar (MNAR) solo por depender de estados internos. Esta cautela es importantepara evitar conclusiones incorrectas sobre el comportamiento de procedimientos de imputación.Suárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética62
Página 62 de 71 · 3 de 12
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)E. Exposiciones de seguimiento e interpretación causalLa incorporación de una variable de seguimiento o apoyo posoperatorio a un conjunto longitudinalno demuestra un efecto terapéutico. En los estudios con exposiciones que pueden variar o seleccionarsea lo largo del tiempo, la historia previa del individuo puede relacionarse tanto con la asignación de laexposición como con su desenlace, lo que dificulta atribuir diferencias observadas a una causa específica[9]. El recurso SIM-LIPO contiene una asignación de seguimiento de apoyo dependiente de antecedentessimulados, pero fija en cero su efecto verdadero sobre las trayectorias. En consecuencia, esta variablepuede utilizarse para ensayar métodos frente a asociaciones inducidas por selección, pero no pararecomendar una intervención ni cuantificar eficacia clínica.F. Reproducibilidad, reutilización y límites de extrapolaciónLa transparencia metodológica requiere conservar semillas, versiones, especificaciones y comproba-ciones de integridad, de acuerdo con las recomendaciones para investigación computacional reproducible[5]. Los principios FAIR aportan una orientación complementaria para facilitar el descubrimiento, accesoe interpretación de conjuntos de datos [6]. SIM-LIPO 3.2 se distribuye en Zenodo con un identificadorpersistente y materiales de reproducción [7], lo que permite revisar las reglas de construcción y desa-rrollar análisis secundarios sobre un escenario controlado.La reutilización científicamente responsable exige declarar el propósito del conjunto. Es idóneocomo entorno experimental para explorar métodos computacionales, depuración de análisis longitudi-nales, tratamiento de ausencia de observaciones y modelado de eventos competitivos. En cambio, nopermite inferir incidencia poblacional, probabilidades individuales de complicación, seguridad relativade procedimientos o eficacia de cuidados clínicos. La validación externa futura demandaría evidenciaobservacional independiente, criterios éticos apropiados y análisis explícitos de sensibilidad.III.METODOLOGÍAA. Diseño y alcance del estudioSe desarrolló un estudio metodológico de simulación computacional destinado a construir y docu-mentar un conjunto de datos longitudinales para experimentos estadísticos y de reproducibilidad sobrerecuperación posoperatoria simulada tras liposucción aislada. El diseño no incluyó reclutamiento, in-tervención ni observación de seres humanos. Todos los registros se generaron mediante distribucionesprobabilísticas y transiciones estocásticas especificadas en código Python. El recurso definitivo se de-positó como SIM-LIPO, versión 3.2, con identificador DOI 10.5281/zenodo.23460437 [7].La unidad individual fue el paciente virtual, identificado mediante una clave única; la unidad lon-gitudinal fue el registro correspondiente a un paciente y un tiempo programado.Se construyeronN = 10 000 individuos virtuales, con ocho evaluaciones por individuo realizadas en los días 0, 1, 3,7, 14, 30, 90 y 180.Esto representó un total de 80 000 registros longitudinales programados.Lapoblación se restringió a liposucción aislada: no se simularon abdominoplastia, liposucción de altadefinición, transferencia de grasa ni intervenciones combinadas. La elección de este ámbito se cor-respondió con las restricciones temáticas del metaanálisis de Comerci y colaboradores [1], utilizadoexclusivamente como fuente orientadora de algunos porcentajes de escenarios adversos.B. Arquitectura y variables del simuladorCada paciente i se caracterizó mediante un vector zi = (Ai, Bi, Si, Ci, Vi, Di), donde Ai repre-sentó edad (años), Bi índice de masa corporal (kg/m2), Si tabaquismo actual (indicador 0/1), Cicomorbilidad simulada (indicador 0/1), Vi volumen aspirado (mL) y Di duración del procedimiento(minutos). La información se distribuyó en archivos relacionados por patient_id, con un registro deprocedimiento por individuo y un calendario longitudinal fijo.La evolución se representó mediante cuatro dimensiones normalizadas: edema (E), dolor (P),función (F) y cicatrización (H). Se reservaron dos vistas de estos estados: latent_truth.csv, quealmacena los valores computacionales completos, y followup.csv, que conserva la misma estructuratemporal, pero deja en blanco los índices cuando el generador marca una visita como no observada.Estos estados son índices matemáticos adimensionales y no corresponden a escalas clínicas validadas.Suárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética63
Página 63 de 71 · 4 de 12
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)Tabla 1. Distribuciones y supuestos utilizados en la generación de variables basales.VariableRegla computacionalNaturalezaEdadAi = round(18 + 52Ui, 1); Ui ∼Beta(2.4, 3.0)SupuestoexploratorioIMCBi = round(18.5 + 15.5Wi, 2); Wi ∼Beta(2.7, 4)SupuestoexploratorioTabaquismoSi ∼Bernoulli(0.13)SupuestoexploratorioComorbilidadCi ∼Bernoulli(0.14)SupuestoexploratorioDuraciónDi = round(65 + 140Ri); Ri ∼Beta(2.5, 3)SupuestoexploratorioAspiradoVi = round(450 + 3350Qi); Qi ∼Beta(2.5, 3)SupuestoexploratorioLas variables beta se generaron a partir de extracciones separadas del generador seudoaleatorio,con una semilla fija. Se utilizó la intensidad procedimental adimensional Ii = (Vi −450)/3350. No seestimaron distribuciones, regresiones ni parámetros individuales a partir de historias clínicas. La edad ylas demás covariables se redondearon en el momento de la simulación con las precisiones indicadas.C. Estructura de dependencia y condiciones inicialesLa dependencia entre las cuatro dimensiones del estado se incorporó mediante una matriz simétricade correlaciones de referencia, definida antes de generar los datos:R =10.36−0.20−0.150.361−0.27−0.12−0.20−0.2710.35−0.15−0.120.351(1)La matriz se factorizó mediante Cholesky, LLT= R. Para cada individuo se obtuvo un vector deefectos aleatorios de dimensión cuatro, bi = 0.24Lηi, con ηi ∼N (0, I4). Las condiciones iniciales delestado latente se fijaron comoqi(0) =1.31.1−0.7−1.1+ bi + Ii0.650.40−0.25−0.25(2)En consecuencia, los índices iniciales fueron heterogéneos y correlacionados. Tanto R como lasconstantes de la ecuación (2) se establecieron como parámetros de diseño, sin pretensión de representarcorrelaciones clínicas observadas.D. Modelo dinámico estocástico de recuperaciónSea qi,k,j el estado latente del paciente i, para la dimensión k ∈{E, P, F, H} en el instanteprogramado tj, y ∆j = tj −tj−1. La evolución se calculó mediante una transición autorregresiva dereversión hacia un objetivo dependiente del tiempo, inspirada en la estructura de Ornstein–Uhlenbeck:qi,k,j = µi,k(tj)+ e−κk∆jqi,k,j−1 −µi,k(tj)+ σks1 −e−2κk∆j2κkεi,k,j(3)La perturbación multivariada se obtuvo mediante εi,j = Lξi,j, con ξi,j ∼N (0, I4) independienteSuárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética64
Página 64 de 71 · 5 de 12
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)entre pasos de tiempo.El esquema coincide con la forma exacta de una transición de Ornstein–Uhlenbeck con objetivo constante dentro de cada intervalo; sin embargo, el objetivo µi(tj) cambiaentre momentos y depende de estados anteriores. Por ello se describió como un esquema discretoinspirado en Ornstein–Uhlenbeck, sin atribuirle una solución exacta global de una ecuación diferencialestocástica con deriva variable.Los parámetros de reversión y difusión fueron, respectivamente,κ = (0.090, 0.110, 0.055, 0.045) d−1,σ = (0.27, 0.25, 0.22, 0.20)(4)El objetivo de estado se actualizó mediante funciones deterministas diseñadas para inducir disminu-ción simulada de edema y dolor, e incremento de función y cicatrización. Con Gi(t) = logit−1(qi,E(t))y con indicadores JSHi,j−1de seroma o hematoma ocurrido hasta tj−1, e JINi,j−1de infección ocurridahasta ese momento, las cuatro componentes fueron:µi,E(tj) = −2.7 + 3.5e−0.038tj+ 0.45Ii+ 0.35JSHi,j−1+ bi,E,µi,P (tj) = −3.0 + 3.6e−0.055tj+ 0.25Ii+ 0.30JINi,j−1+ bi,P,µi,F (tj) = 2.8 −3.8e−0.030tj−0.35Gi(tj−1) + bi,F ,µi,H(tj) = 3.2 −4.4e−0.020tj−0.50JINi,j−1+ bi,H(5)La variable Gi corresponde al edema latente transformado del instante anterior. Los indicadores deeventos no se activaron hasta que el evento había ocurrido al cierre del tiempo anterior; de este modo,el programa evitó usar un evento futuro para modificar estados previos. No se modelaron mortalidad,reintervenciones, gravedad del evento ni trayectorias específicas de tratamientos reales.Los estados latentes se proyectaron al intervalo abierto (0, 1) mediante una transformación logística:Xi,k,j = logit−1(qi,k,j)=11 + e−qi,k,j ,0 < Xi,k,j < 1(6)Los valores se almacenaron con seis posiciones decimales.Esta normalización garantiza acotaciónmatemática, pero no otorga a los índices significado diagnóstico ni equivalencia con resultados deinstrumentos clínicos.E. Generación de eventos adversos con riesgos competitivosSe definieron cuatro causas mutuamente excluyentes para el primer evento agudo: seroma, hemato-ma, infección y tromboembolia venosa. Las proporciones pc empleadas como puntos de partida ex-ploratorios fueron 0.0065, 0.0027, 0.00020 y 0.00017, respectivamente. La irregularidad del contorno sesimuló por separado, con pcontorno = 0.0235. Estos números coincidieron en escala con las proporcionespublicadas por Comerci et al. [1], pero no constituyeron una calibración de tasas a 180 días: la fuenteno establece una ventana de seguimiento uniforme de esa duración y presenta heterogeneidad entreestudios.Para introducir heterogeneidad matemática, se asignó a cada individuo una susceptibilidad latenteUi ∼N (0, 1) y un multiplicador de riesgo exclusivamente hipotético:Suárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética65
Página 65 de 71 · 6 de 12
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)ri = exp"0.15Bi −255+ 0.12Si+ 0.10Ci + 0.18Ui −0.1822#(7)Para cada causa aguda c se especificó una intensidad constante en el horizonte hipotético de T = 180días:λic = ri−ln(1 −pc)T,Λi =Xc∈Cλic(8)En presencia de al menos una intensidad positiva, el tiempo del primer evento se extrajo de T∗i∼Exp(Λi). Si T∗i≤180, se seleccionó la causa con probabilidades condicionadasPr (C∗i= c | T ∗i≤180, λi) = λicΛi(9)El evento se guardó con su tiempo redondeado a dos decimales. Para el desenlace estético separado secalculóπi,contorno = 1 −(1 −pcontorno)ri,Ti,contorno ∼U(30, 180)(10)con extracción de tiempo condicionada a la ocurrencia del desenlace binario.La irregularidaddel contorno podía coexistir con un evento agudo; no se incorporó como quinta causa competitiva. Lasuma de probabilidades marginales por causa no se interpretó como riesgo global clínico, ni la ocurrenciasimulada se presentó como evidencia epidemiológica.F. Asignación de la exposición abstracta de apoyoEn cada visita posterior al inicio, una persona virtual todavía no expuesta podía pasar al estadode exposición de apoyo mediante una regla probabilística dependiente del edema latente del instanteanterior y del indicador de tabaquismo:Pr(Zi,j = 1 | Zi,j−1 = 0)= logit−1[−3.4 + 2.4Gi(tj−1) + 0.4Si](11)Una vez activada, la exposición se mantuvo activa hasta el final del horizonte simulado. El tiempo deinicio registrado correspondió al instante anterior. El efecto causal de esta variable se fijó exactamenteen cero tanto para estados longitudinales como para eventos adversos; por lo tanto, no constituyeun tratamiento clínico evaluado ni sustenta inferencias de efectividad.Aunque el código contienecomentarios sobre historia observada, la implementación utiliza el valor latente de edema del pasoanterior, incluso cuando dicho paso fue marcado como no observado.G. Mecanismo de observaciones faltantes y datos completosEl estado de observación de la visita basal se fijó en uno. En visitas posteriores, el indicador Oi,jse obtuvo con una regla de Bernoulli basada en el edema latente actual, tabaquismo y tiempo:Oi,0 = 1,Pr(Oi,j = 1) = logit−1 h2.6 −0.85Xi,E,j−0.25Si + 0.002tji,j > 0(12)Suárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética66
Página 66 de 71 · 7 de 12
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)Si Oi,j = 0, los cuatro índices se dejaron vacíos en followup.csv, aunque los campos de tiempo,identificador y exposición permanecieron registrados. El archivo latent_truth.csv preservó los valoresgenerados antes del enmascaramiento y mantuvo el mismo indicador Oi,j. Debido a que la ecuación (12)utiliza el edema latente del momento actual —que queda sin observar cuando Oi,j = 0—, no se afirmóque el mecanismo satisficiera estrictamente la condición MAR (missing at random) bajo los datosvisibles. El recurso permite estudiar el comportamiento de métodos estadísticos con conocimiento delestado latente simulado, pero no representa un registro clínico real de pérdidas de seguimiento.H. Implementación, reproducibilidad y auditoría técnicaSe utilizó Python con NumPy, un generador seudoaleatorio inicializado con semilla 261021, y elmodo competing para los primeros eventos agudos. El procedimiento generó las tablas patients.csv,procedures.csv, treatments.csv, followup.csv, latent_truth.csv y complications.csv,junto con diccionario de datos, parámetros, código y verificaciones. Se mantuvieron identificadoresrelacionales consistentes. La versión 3.2 corrigió un truncamiento material del archivo followup.csven la versión 3.1, reconstruyendo exactamente las 80.000 filas desde latent_truth.csv y su máscarade observación, sin alterar los pacientes, trayectorias latentes, procedimientos ni desenlaces estocásticospublicados [7].El programa reproduce_dataset.py de la versión 3.2 incorpora una verificación del número defilas realmente escritas y reconstruye la vista observada a partir del archivo completo de estados.Como controles de integridad se verificaron: unicidad de claves primarias, ocho tiempos por paciente,pertenencia de los índices a (0, 1), ausencia de registros huérfanos, exclusividad del primer eventoagudo y correspondencia exacta entre los índices visibles y los estados completos. Se recalcularon lassumas criptográficas SHA-256 de los archivos depositados. Estas pruebas establecieron consistenciacomputacional, no ajuste de parámetros a pacientes reales ni validación predictiva externa.En consecuencia, las inferencias admisibles se restringieron al estudio del comportamiento del sim-ulador, a la comprobación de procesos analíticos, a experimentos sobre datos faltantes y a ejercicios dereproducibilidad. Se excluyeron expresamente aplicaciones destinadas a pronóstico de complicacionesindividuales, triage, selección terapéutica, aprobación regulatoria o medición de la eficacia clínica.IV.RESULTADOS Y DISCUSIÓNA. Estructura de la cohorte computacionalSe generó una cohorte de 10.000 adultos virtuales sometidos a liposucción aislada, asociada a10.000 registros de procedimiento. El diseño fijó ocho momentos de seguimiento (días 0, 1, 3, 7, 14,30, 90 y 180), equivalentes a 80.000 registros longitudinales programados. La edad media generadafue de 41,03 ± 10,19 años y el índice de masa corporal de 24,71 ± 2,74 kg/m2. Se asignó tabaquismoactual a 1.318 pacientes (13,18 %), y una condición de comorbilidad simulada a 1.420 (14,20 %). Laduración media de los procedimientos fue de 128,70 ± 27,38 minutos; el volumen aspirado medio fuede 1.972,44 ± 651,95 mL. Los valores se obtuvieron de distribuciones paramétricas predefinidas, sinajuste a historias clínicas reales.Tabla 2. Características descriptivas de la cohorte y los procedimientos simulados.IndicadorResultadoPacientes virtuales10.000Procedimientos10.000Edad, media ± DE (años)41,03 ± 10,19IMC, media ± DE (kg/m2)24,71 ± 2,74Tabaquismo simulado, n (%)1.318 (13,18 %)Comorbilidad simulada, n (%)1.420 (14,20 %)Duración, media ± DE (min)128,70 ± 27,38Volumen aspirado, media ± DE (mL)1.972,44 ± 651,95Suárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética67
Página 67 de 71 · 8 de 12
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)B. Trayectorias de recuperación simuladasLos cuatro índices latentes permanecieron estrictamente dentro del intervalo abierto (0, 1), comoexige la transformación logística del modelo. La Tabla 3 presenta las medias de los estados completosgenerados, incluidos los tiempos marcados como no observados. Estos valores describen las trayectoriasimpuestas y realizadas por el simulador; no expresan velocidad de recuperación clínica documentada.La Fig. 1 representa los cuatro índices a lo largo de los ocho tiempos.Tabla 3. Evolución media de los cuatro índices de estado latente simulados.DíaEdemaDolorFunciónCicatrización00,8280,7800,3090,23210,8170,7640,3060,23530,7890,7230,3070,24270,7210,6130,3210,263140,5760,4040,3810,317300,2920,1460,5890,500900,1010,0630,8980,8921800,0900,0610,9270,945La evolución temporal de los indicadores presentada en la Tabla 3 permite identificar las variacionesde las cuatro dimensiones de recuperación durante el período simulado. Para facilitar la interpretaciónde estas tendencias y visualizar sus diferencias a lo largo de los 180 días de seguimiento, la Fig. 1representa gráficamente las trayectorias medias de edema, dolor, función y cicatrización.Fig. 1. Trayectorias longitudinales medias simuladas de edema, dolor, función y cicatrización.C. Observación longitudinal y datos no observadosDe las 80.000 visitas programadas, 73.001 (91,25 %) presentaron índices visibles y 6.999 (8,75 %)se marcaron como no observadas. La medición basal fue completa por diseño. Las variables latentescompletas continuaron disponibles en un archivo separado, lo que posibilita comparar el estado generadocon métodos de imputación o inferencia bajo mecanismos de ausencia simulados. La Tabla 4 desglosalos ocho momentos; la Fig. 2 muestra la fracción visible de visitas por tiempo.Suárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética68
Página 68 de 71 · 9 de 12
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)Tabla 4. Disponibilidad de los registros longitudinales según momento de seguimiento.DíaProgramadasVisiblesNo visiblesVisibles (%)010.00010.0000100,00110.0008.6241.37686,24310.0008.7041.29687,04710.0008.7771.22387,771410.0008.9401.06089,403010.0009.13586591,359010.0009.36263893,6218010.0009.45954194,59Los resultados de la Tabla 4 muestran la distribución temporal de las evaluaciones programadas, losregistros disponibles y las observaciones faltantes. La Fig. 2 complementa esta información medianteuna representación gráfica que permite apreciar el comportamiento del proceso de observación duranteel seguimiento longitudinal de la cohorte virtual.Fig. 2. Proporción de registros longitudinales visibles en cada tiempo programado.D. Primeros eventos agudos competitivos y desenlace estéticoEl mecanismo de riesgos específicos por causa produjo 121 primeros eventos agudos (1,21 % de los10.000 pacientes virtuales). Entre estos se registraron 69 seromas, 48 hematomas, dos infecciones ydos eventos tromboembólicos venosos. Los primeros eventos agudos fueron mutuamente excluyentespor construcción. La irregularidad del contorno se generó como desenlace cosmético independiente delmecanismo competitivo y se presentó en 219 sujetos (2,19 %) (Tabla 5). Por ese motivo no debe sumarsea las cuatro causas como si fuese otra categoría de primer evento agudo. Las cifras son realizacionesde una semilla aleatoria fija; las probabilidades y ventanas temporales son supuestos exploratorios, noincidencias clínicas validadas.Tabla 5. Eventos adversos y desenlace cosmético generados computacionalmente.Evento o desenlacenPacientes (%)Día medio del eventoSeroma690,6994,78Hematoma480,4894,39Infección20,02101,56Tromboembolia venosa20,0255,70Irregularidad del contorno2192,19106,97La Fig. 3 muestra la distribución de los eventos simulados y permite identificar las diferencias ensus frecuencias relativas dentro de la cohorte virtual.Suárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética69
Página 69 de 71 · 10 de 12
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)Fig. 3. Recuento de primeros eventos agudos simulados por causa, con el desenlace de contornoseparado.E. Exposición de seguimiento y controles de integridadSe asignó una exposición abstracta de seguimiento de apoyo a 6.696 pacientes virtuales (66,96 %)mediante una regla dependiente de estados simulados anteriores. Su efecto causal sobre los estados ylos eventos fue fijado en cero por construcción. En consecuencia, ninguna comparación entre pacientesexpuestos y no expuestos puede interpretarse como una estimación de eficacia terapéutica. Los controlescomputacionales verificaron la unicidad de los 10.000 identificadores, ocho estados latentes por paciente,rango (0, 1) de los índices y exclusividad del primer evento agudo.Las comprobaciones describenconsistencia interna y no validación clínica externa.F. DiscusiónLa simulación SIM-LIPO 3.2 permitió generar 80.000 evaluaciones longitudinales correspondientesa 10.000 individuos virtuales, con trayectorias diferenciadas de edema, dolor, función y cicatrización. Laevolución de estos indicadores respondió a procesos estocásticos correlacionados y parámetros definidosmatemáticamente.Aunque las trayectorias resultaron consistentes con las reglas del modelo, estacoherencia no constituye evidencia de recuperación clínica. Sargent [2] distingue precisamente entrela verificación del funcionamiento de un simulador y su validación frente al sistema real, aspecto quedelimita el alcance de los resultados obtenidos.El modelo produjo 121 primeros eventos adversos agudos (1,21 %) y 219 irregularidades del contorno(2,19 %), estas últimas registradas independientemente. La diferenciación responde a la teoría de riesgoscompetitivos desarrollada por Fine y Gray [4], que establece la necesidad de considerar la ocurrenciade causas alternativas al analizar la incidencia de eventos. Aunque las complicaciones representadascoinciden conceptualmente con las descritas por Comerci y colaboradores [1], sus frecuencias no sondirectamente comparables, debido a las diferencias entre las condiciones clínicas investigadas y lossupuestos computacionales empleados. Por tanto, los resultados constituyen escenarios hipotéticos yno estimaciones epidemiológicas.Respecto de la integridad longitudinal, se identificaron 6.999 observaciones faltantes (8,75 %),generadas mediante un mecanismo dependiente de características individuales y estados del proceso.Rubin [3] señaló que la naturaleza del mecanismo de ausencia condiciona la validez de las inferenciasestadísticas. La conservación de los valores latentes completos representa una ventaja metodológica,pues permite evaluar procedimientos de imputación y estimación frente a referencias computacionalesconocidas. Asimismo, la exposición de seguimiento asignada a 6.696 individuos presentó un efectoverdadero nulo, proporcionando un escenario para examinar asociaciones inducidas por selección, cuyainterpretación exige las precauciones causales expuestas por Hernán y Robins [9].La publicación del recurso en Zenodo [7] favorece su trazabilidad y reutilización, en concordanciacon las recomendaciones de Sandve y colaboradores [5] y los principios FAIR formulados por Wilkinsony colaboradores [6]. Sin embargo, la principal limitación continúa siendo la ausencia de calibración yvalidación con registros clínicos reales. La evaluación futura deberá incorporar simulaciones repetidas,análisis de sensibilidad y escenarios alternativos para determinar la estabilidad de los resultados y laspropiedades de los métodos estadísticos utilizados.En consecuencia, SIM-LIPO 3.2 constituye unentorno de experimentación computacional reproducible, cuyo valor principal reside en el desarrolloy evaluación de procedimientos matemáticos, sin proporcionar evidencia directa sobre pronóstico oefectividad clínica.Suárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética70
Página 70 de 71 · 11 de 12
ISSN-e: 2737-6419Período: octubre-diciembre de 2026Revista AtheneaVol.7, Número 26, (pp. 60–71)CONCLUSIONESEl desarrollo de SIM-LIPO 3.2 permitió establecer un modelo matemático-computacional repro-ducible para generar datos longitudinales simulados de recuperación posterior a procedimientos hipotéti-cos de liposucción aislada. La integración de procesos estocásticos, dependencia temporal, heterogenei-dad individual y transformaciones matemáticas acotadas permitió construir trayectorias diferenciadasde edema, dolor, función y cicatrización. La cohorte de 10.000 individuos virtuales y sus 80.000 evalua-ciones programadas proporcionó una estructura de datos consistente para estudiar el comportamientode sistemas longitudinales bajo condiciones previamente definidas.La incorporación de primeros eventos adversos competitivos, irregularidades del contorno comodesenlace independiente y mecanismos selectivos de ausencia de observaciones amplió las posibilidadesde experimentación estadística. La disponibilidad simultánea de estados latentes completos y regis-tros observables constituye una característica especialmente relevante, dado que permite compararestimaciones con valores conocidos y examinar el comportamiento de métodos de imputación, análisislongitudinal y modelado de eventos. Asimismo, la inclusión de una exposición de seguimiento con efectoverdadero nulo ofrece un escenario controlado para estudiar asociaciones inducidas por mecanismos deasignación.La publicación del recurso en Zenodo, junto con su código, parámetros y documentación, favorecela transparencia, la trazabilidad y la reutilización científica. Sin embargo, las propiedades identificadascorresponden exclusivamente al sistema computacional implementado y no representan evidencia clínicasobre recuperación, incidencia de complicaciones o eficacia terapéutica. Se concluye que SIM-LIPO 3.2constituye una infraestructura metodológica para investigaciones de simulación, cuya proyección cien-tífica dependerá de evaluaciones adicionales de sensibilidad, experimentación computacional repetida yfuturas contrastaciones con información clínica independiente.REFERENCIAS[1] A. J. Comerci et al., “Risks and complications rate in liposuction:A systematic review andmeta-analysis,” Aesthetic Surgery Journal, vol. 44, no. 7, pp. NP454–NP463, 2024. [Online].Available: https://doi.org/10.1093/asj/sjae074[2] R. G. Sargent, “Verification and validation of simulation models,” Journal of Simulation, vol. 7,no. 1, pp. 12–24, 2013. [Online]. Available: https://doi.org/10.1057/jos.2012.20[3] D. B. Rubin, “Inference and missing data,” Biometrika, vol. 63, no. 3, pp. 581–592, 1976.[Online]. Available: https://doi.org/10.1093/biomet/63.3.581[4] J. P. Fine and R. J. Gray, “A proportional hazards model for the subdistribution of a competingrisk,” Journal of the American Statistical Association, vol. 94, no. 446, pp. 496–509, 1999.[Online]. Available: https://doi.org/10.1080/01621459.1999.10474144[5] G. K. Sandve, A. Nekrutenko, J. Taylor, and E. Hovig, “Ten simple rules for reproduciblecomputational research,” PLOS Computational Biology, vol. 9, no. 10, p. e1003285, 2013.[Online]. Available: https://doi.org/10.1371/journal.pcbi.1003285[6] M.D.Wilkinsonetal.,“TheFAIRguidingprinciplesforscientificdatamanagementand stewardship,”Scientific Data,vol. 3,p. 160018,2016. [Online]. Available:https://doi.org/10.1038/sdata.2016.18[7] F. Suárez-Carreño, “SIM-LIPO: A computationally simulated longitudinal dataset of recoverytrajectories and competing first adverse events following isolated liposuction,” Zenodo, 2026,version 3.2. [Online]. Available: https://doi.org/10.5281/zenodo.23460437[8] R. J. A. Little and D. B. Rubin, Statistical Analysis with Missing Data, 3rd ed.Hoboken, NJ,USA: Wiley, 2019. [Online]. Available: https://doi.org/10.1002/9781119482260[9] M. A. Hernán and J. M. Robins, Causal Inference: What If.Boca Raton, FL, USA: Chapman &Hall/CRC, 2025.Suárez-Carreño F., Fariñas-Coronado W.Modelado estocástico y simulación computacional detrayectorias de recuperación en cirugía estética71
Página 71 de 71 · 12 de 12
Modelado estocástico y simulación computacional de trayectorias de recuperación en cirugía estética
Texto extraído del PDF publicado (págs. 60–71). Para las fórmulas matemáticas y las tablas, consulta también la vista fiel de las páginas.
Página 60
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
Artículo de investigación https://doi.org/10.47460/athenea.v7i26.158
Modelado estocástico y simulación computacional de trayectorias de
recuperación en cirugía estética
Franyelit Suárez-Carreño* Wilfredo Fariñas-Coronado
https://orcid.org/0000-0002-8763-5513 https://orcid.org/0000-0003-2095-5755
fsuarez@mgu.us wfarinas@mgu.us
Modern Global University Modern Global University
Puerto Rico, Estados Unidos Puerto Rico, Estados Unidos
*Autor de correspondencia: fsuarez@mgu.us
Recibido: (05/08/2026), Aceptado: (01/11/2026)
Resumen. Se desarrolló un modelo matemático-computacional para generar datos longitudinales sim-
ulados de recuperación posterior a una liposucción aislada hipotética. El sistema integró procesos
estocásticos correlacionados, heterogeneidad individual, eventos adversos competitivos y mecanismos
selectivos de observación. Se generó una cohorte de 10.000 individuos virtuales con 80.000 evalua-
ciones programadas durante 180 días. Las trayectorias mostraron disminuciones progresivas de los
índices de edema y dolor, acompañadas de incrementos de función y cicatrización. Se registraron 121
primeros eventos adversos agudos, 219 irregularidades del contorno y 6.999 observaciones faltantes.
La disponibilidad de estados latentes completos permitió establecer referencias computacionales para
futuras evaluaciones estadísticas. Los resultados demostraron la reproducibilidad interna del sistema,
sin constituir evidencia clínica. SIM-LIPO 3.2 ofrece un recurso documentado para estudiar métodos
longitudinales y desarrollar experimentos computacionales bajo supuestos controlados.
Stochastic Modeling and Computational Simulation of Recovery Trajectories in
Cosmetic Surgery
Abstract. A mathematical and computational model was developed to generate simulated longitudinal
data on recovery following hypothetical isolated liposuction. The system integrated correlated stochastic
processes, individual heterogeneity, competing adverse events, and selective observation mechanisms.
A cohort of 10,000 virtual individuals was generated, with 80,000 scheduled assessments over 180 days.
The trajectories showed progressive decreases in edema and pain indices, accompanied by improvements
in function and healing indices. A total of 121 first acute adverse events, 219 contour irregularities, and
6,999 missing observations were recorded. The availability of complete latent states made it possible
to establish computational reference values for future statistical evaluations. The results demonstrated
the internal reproducibility of the system without constituting clinical evidence. SIM-LIPO 3.2 provides
a documented resource for studying longitudinal methods and conducting computational experiments
under controlled assumptions.
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de
trayectorias de recuperación en cirugía estética
60
Página 61
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
I. INTRODUCCIÓN
La liposucción y los procedimientos de remodelación del contorno corporal plantean problemas de
investigación que abarcan la recuperación posoperatoria, la aparición de eventos adversos y la variación
temporal de los resultados. Estas dimensiones no siempre pueden resumirse mediante una única medi-
ción final, pues describen procesos diferentes y potencialmente relacionados. Una revisión sistemática y
metaanálisis de complicaciones de liposucción documentó la diversidad de desenlaces que se investigan,
entre ellos seroma, hematoma, infección, tromboembolismo venoso y alteraciones del contorno [1].
Tales hallazgos justifican representar de manera diferenciada el curso longitudinal de la recuperación
y los mecanismos de ocurrencia de eventos. No obstante, las estimaciones publicadas dependen de
poblaciones y procedimientos específicos y no autorizan extrapolaciones automáticas a escenarios com-
putacionales hipotéticos.
El análisis de sistemas posoperatorios mediante simulación permite formular hipótesis estructurales
y examinar el comportamiento de modelos bajo supuestos controlados sin recurrir a información indi-
vidual de pacientes. Su utilidad reside en disponer de estados internos conocidos, modificar parámetros
y observar cómo cambian los resultados. La literatura de verificación y validación de modelos de simu-
lación distingue entre comprobar que una implementación ejecuta correctamente sus especificaciones y
demostrar que representa adecuadamente el sistema de interés [2]. Esta distinción resulta esencial en
investigación biomédica computacional: una base reproducible y coherente puede ser valiosa para com-
parar métodos estadísticos sin constituir por ello evidencia clínica sobre frecuencias de complicaciones
o eficacia terapéutica.
Los registros longitudinales añaden dificultades analíticas cuando las mediciones de un mismo indi-
viduo están correlacionadas y existen observaciones faltantes. La teoría de Rubin sobre inferencia con
datos incompletos advierte que el mecanismo de ausencia condiciona la interpretación de las estima-
ciones [3]. Por otra parte, cuando se estudia el primer evento adverso entre varios tipos mutuamente
excluyentes, la estructura de riesgos competitivos requiere distinguir las funciones de incidencia acumu-
lada y los riesgos asociados con causas específicas [4]. La incorporación explícita de estos fenómenos a
un simulador crea un entorno conocido para ensayar métodos de estimación, verificar sesgos computa-
cionales y estudiar la sensibilidad a distintos supuestos de observación.
La posibilidad de reproducir resultados constituye otro requisito central. Las prácticas de investi-
gación computacional reproducible recomiendan conservar el código, los parámetros y el origen de cada
resultado [5], mientras que los principios FAIR favorecen que los recursos de investigación sean localiz-
ables, accesibles, interoperables y reutilizables [6]. Bajo estos criterios se desarrolló SIM-LIPO 3.2, un
recurso longitudinal generado mediante procedimientos matemáticos y publicado con sus archivos de
datos y componentes de reproducción en Zenodo [7]. El repositorio ofrece una referencia estable para
identificar el recurso; esa disponibilidad, por sí sola, no certifica la pertinencia clínica de su proceso
generador.
El objetivo de este estudio fue diseñar, implementar y describir un modelo matemático-computacional
capaz de producir trayectorias longitudinales simuladas de recuperación tras una liposucción aislada
hipotética, incorporando heterogeneidad individual, dependencia estocástica entre dimensiones, primeros
eventos adversos agudos competitivos, un desenlace estético separado y ausencia selectiva de medi-
ciones. Como aportación metodológica, se presenta una cohorte computacional de 10.000 individuos
virtuales con ocho momentos programados de observación durante 180 días, junto con reglas de gene-
ración y procedimientos de comprobación reproducibles. El estudio evalúa propiedades del sistema
simulado y su utilidad como banco de pruebas estadístico; no estima resultados en pacientes reales ni
valida recomendaciones clínicas.
II. FUNDAMENTOS TEÓRICOS
A. Modelado computacional y validez de los modelos
Un modelo de simulación es una representación formal de un sistema cuya conducta se obtiene me-
diante reglas matemáticas y algoritmos. En un modelo estocástico, los estados resultantes dependen de
parámetros deterministas y realizaciones aleatorias. Para que sus productos sean interpretables, deben
explicitarse las variables de entrada, las ecuaciones de transición, las restricciones y los mecanismos de
observación. La verificación examina la correspondencia entre código y especificaciones, mientras que
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de
trayectorias de recuperación en cirugía estética
61
Página 62
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
la validación externa contrasta el modelo con evidencia del fenómeno que se pretende representar [2].
Por consiguiente, las pruebas de integridad de archivos, límites de índices o reproducción por semilla
son necesarias, pero no equivalen a calibración con pacientes reales.
En SIM-LIPO, cada individuo virtual posee atributos basales y estados longitudinales latentes. Se
consideran cuatro dimensiones adimensionales de recuperación: edema, dolor, función y cicatrización.
Sus escalas normalizadas constituyen índices computacionales definidos por el diseño y no instrumentos
clínicos validados. Los valores que surgen del modelo son consecuencias de sus supuestos, por lo que su
interpretación apropiada se refiere al comportamiento del algoritmo y a la evaluación de herramientas
analíticas que operen sobre él [7].
B. Dependencia longitudinal y procesos estocásticos
Las mediciones repetidas no suelen ser independientes: el valor previo de una dimensión puede
contribuir a explicar su estado siguiente. Para representar ese carácter dinámico, SIM-LIPO utiliza una
estructura discreta inspirada en procesos de reversión a un objetivo temporal, próximos a la familia de
Ornstein–Uhlenbeck, con perturbaciones aleatorias correlacionadas y heterogeneidad entre individuos
[7]. La transformación logística del estado subyacente mantiene los índices dentro del intervalo abierto
(0, 1), sin atribuirles unidades clínicas ni umbrales diagnósticos. La dependencia entre perturbaciones
se construye mediante una matriz de correlación y una factorización matricial que permite generar
variaciones relacionadas entre las cuatro dimensiones.
Esta formulación permite examinar cómo la variabilidad individual, la amplitud del ruido y la veloci-
dad de acercamiento a objetivos modifican las trayectorias computacionales. Sin embargo, representar
dependencia temporal no demuestra que el proceso matemático reproduzca mecanismos biológicos par-
ticulares. Su ventaja en este proyecto consiste en proporcionar secuencias estructuradas y verificables
con las que se puedan estudiar procedimientos longitudinales.
C. Eventos adversos y riesgos competitivos
Los eventos adversos no constituyen necesariamente desenlaces intercambiables. El metaanálisis
de Comerci y colaboradores evidencia la diversidad de complicaciones investigadas tras liposucción [1].
Desde la teoría de riesgos competitivos, cuando se considera únicamente el primer evento agudo de cada
individuo, la ocurrencia de un tipo impide registrar otro como primer evento en ese mismo esquema.
Fine y Gray formularon un enfoque para analizar la subdistribución de un riesgo competitivo, destacando
la diferencia entre el riesgo de una causa y su incidencia acumulada en presencia de causas alternativas
[4].
El simulador utiliza una regla de asignación de primer evento agudo entre seroma, hematoma,
infección y tromboembolismo venoso. Esta exclusividad pertenece a la definición del resultado simu-
lado, no a una afirmación de que una persona real no pueda experimentar complicaciones múltiples.
Las irregularidades del contorno se registran aparte, como otro desenlace del sistema. Las frecuen-
cias obtenidas son productos del mecanismo generador y no deben compararse directamente con las
prevalencias clínicas del metaanálisis como si procedieran de muestras equivalentes.
D. Observaciones incompletas y mecanismo de ausencia
La falta de una medición longitudinal puede alterar las distribuciones observadas y afectar modelos
predictivos o estimadores de trayectorias. Rubin introdujo una distinción fundamental entre mecanismos
de ausencia vinculados o no a valores no observados [3]; Little y Rubin desarrollaron posteriormente
estrategias de análisis e inferencia para este tipo de problemas [8]. En simulación resulta especialmente
útil conservar la tabla completa de estados latentes y generar por separado la tabla visible, pues así
puede medirse el error de reconstrucción respecto de valores que se conocen por construcción.
SIM-LIPO incorpora un mecanismo de observación dependiente de información del proceso simu-
lado. La denominación estadística precisa de ese mecanismo debe justificarse respecto de las variables
efectivamente disponibles para el analista; no corresponde clasificarlo automáticamente como ausencia
al azar (MAR) o no al azar (MNAR) solo por depender de estados internos. Esta cautela es importante
para evitar conclusiones incorrectas sobre el comportamiento de procedimientos de imputación.
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de
trayectorias de recuperación en cirugía estética
62
Página 63
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
E. Exposiciones de seguimiento e interpretación causal
La incorporación de una variable de seguimiento o apoyo posoperatorio a un conjunto longitudinal
no demuestra un efecto terapéutico. En los estudios con exposiciones que pueden variar o seleccionarse
a lo largo del tiempo, la historia previa del individuo puede relacionarse tanto con la asignación de la
exposición como con su desenlace, lo que dificulta atribuir diferencias observadas a una causa específica
[9]. El recurso SIM-LIPO contiene una asignación de seguimiento de apoyo dependiente de antecedentes
simulados, pero fija en cero su efecto verdadero sobre las trayectorias. En consecuencia, esta variable
puede utilizarse para ensayar métodos frente a asociaciones inducidas por selección, pero no para
recomendar una intervención ni cuantificar eficacia clínica.
F. Reproducibilidad, reutilización y límites de extrapolación
La transparencia metodológica requiere conservar semillas, versiones, especificaciones y comproba-
ciones de integridad, de acuerdo con las recomendaciones para investigación computacional reproducible
[5]. Los principios FAIR aportan una orientación complementaria para facilitar el descubrimiento, acceso
e interpretación de conjuntos de datos [6]. SIM-LIPO 3.2 se distribuye en Zenodo con un identificador
persistente y materiales de reproducción [7], lo que permite revisar las reglas de construcción y desa-
rrollar análisis secundarios sobre un escenario controlado.
La reutilización científicamente responsable exige declarar el propósito del conjunto. Es idóneo
como entorno experimental para explorar métodos computacionales, depuración de análisis longitudi-
nales, tratamiento de ausencia de observaciones y modelado de eventos competitivos. En cambio, no
permite inferir incidencia poblacional, probabilidades individuales de complicación, seguridad relativa
de procedimientos o eficacia de cuidados clínicos. La validación externa futura demandaría evidencia
observacional independiente, criterios éticos apropiados y análisis explícitos de sensibilidad.
III. METODOLOGÍA
A. Diseño y alcance del estudio
Se desarrolló un estudio metodológico de simulación computacional destinado a construir y docu-
mentar un conjunto de datos longitudinales para experimentos estadísticos y de reproducibilidad sobre
recuperación posoperatoria simulada tras liposucción aislada. El diseño no incluyó reclutamiento, in-
tervención ni observación de seres humanos. Todos los registros se generaron mediante distribuciones
probabilísticas y transiciones estocásticas especificadas en código Python. El recurso definitivo se de-
positó como SIM-LIPO, versión 3.2, con identificador DOI 10.5281/zenodo.23460437 [7].
La unidad individual fue el paciente virtual, identificado mediante una clave única; la unidad lon-
gitudinal fue el registro correspondiente a un paciente y un tiempo programado. Se construyeron
N = 10 000 individuos virtuales, con ocho evaluaciones por individuo realizadas en los días 0, 1, 3,
7, 14, 30, 90 y 180. Esto representó un total de 80 000 registros longitudinales programados. La
población se restringió a liposucción aislada: no se simularon abdominoplastia, liposucción de alta
definición, transferencia de grasa ni intervenciones combinadas. La elección de este ámbito se cor-
respondió con las restricciones temáticas del metaanálisis de Comerci y colaboradores [1], utilizado
exclusivamente como fuente orientadora de algunos porcentajes de escenarios adversos.
B. Arquitectura y variables del simulador
Cada paciente i se caracterizó mediante un vector zi = (Ai, Bi, Si, Ci, Vi, Di), donde Ai repre-
sentó edad (años), Bi índice de masa corporal (kg/m2), Si tabaquismo actual (indicador 0/1), Ci
comorbilidad simulada (indicador 0/1), Vi volumen aspirado (mL) y Di duración del procedimiento
(minutos). La información se distribuyó en archivos relacionados por patient_id, con un registro de
procedimiento por individuo y un calendario longitudinal fijo.
La evolución se representó mediante cuatro dimensiones normalizadas: edema (E), dolor (P),
función (F) y cicatrización (H). Se reservaron dos vistas de estos estados: latent_truth.csv, que
almacena los valores computacionales completos, y followup.csv, que conserva la misma estructura
temporal, pero deja en blanco los índices cuando el generador marca una visita como no observada.
Estos estados son índices matemáticos adimensionales y no corresponden a escalas clínicas validadas.
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de
trayectorias de recuperación en cirugía estética
63
Página 64
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
Tabla 1. Distribuciones y supuestos utilizados en la generación de variables basales.
Las variables beta se generaron a partir de extracciones separadas del generador seudoaleatorio,
con una semilla fija. Se utilizó la intensidad procedimental adimensional Ii = (Vi −450)/3350. No se
estimaron distribuciones, regresiones ni parámetros individuales a partir de historias clínicas. La edad y
las demás covariables se redondearon en el momento de la simulación con las precisiones indicadas.
C. Estructura de dependencia y condiciones iniciales
La dependencia entre las cuatro dimensiones del estado se incorporó mediante una matriz simétrica
de correlaciones de referencia, definida antes de generar los datos:
La matriz se factorizó mediante Cholesky, LLT = R. Para cada individuo se obtuvo un vector de
efectos aleatorios de dimensión cuatro, bi = 0.24Lηi, con ηi ∼N (0, I4). Las condiciones iniciales del
estado latente se fijaron como
En consecuencia, los índices iniciales fueron heterogéneos y correlacionados. Tanto R como las
constantes de la ecuación (2) se establecieron como parámetros de diseño, sin pretensión de representar
correlaciones clínicas observadas.
D. Modelo dinámico estocástico de recuperación
Sea qi,k,j el estado latente del paciente i, para la dimensión k ∈{E, P, F, H} en el instante
programado tj, y ∆j = tj −tj−1. La evolución se calculó mediante una transición autorregresiva de
reversión hacia un objetivo dependiente del tiempo, inspirada en la estructura de Ornstein–Uhlenbeck:
La perturbación multivariada se obtuvo mediante εi,j = Lξi,j, con ξi,j ∼N (0, I4) independiente
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de
trayectorias de recuperación en cirugía estética
64
Página 65
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
entre pasos de tiempo. El esquema coincide con la forma exacta de una transición de Ornstein–
Uhlenbeck con objetivo constante dentro de cada intervalo; sin embargo, el objetivo µi(tj) cambia
entre momentos y depende de estados anteriores. Por ello se describió como un esquema discreto
inspirado en Ornstein–Uhlenbeck, sin atribuirle una solución exacta global de una ecuación diferencial
estocástica con deriva variable.
Los parámetros de reversión y difusión fueron, respectivamente,
El objetivo de estado se actualizó mediante funciones deterministas diseñadas para inducir disminu-
ción simulada de edema y dolor, e incremento de función y cicatrización. Con Gi(t) = logit−1(qi,E(t))
y con indicadores JSHi,j−1 de seroma o hematoma ocurrido hasta tj−1, e JINi,j−1 de infección ocurrida
hasta ese momento, las cuatro componentes fueron:
La variable Gi corresponde al edema latente transformado del instante anterior. Los indicadores de
eventos no se activaron hasta que el evento había ocurrido al cierre del tiempo anterior; de este modo,
el programa evitó usar un evento futuro para modificar estados previos. No se modelaron mortalidad,
reintervenciones, gravedad del evento ni trayectorias específicas de tratamientos reales.
Los estados latentes se proyectaron al intervalo abierto (0, 1) mediante una transformación logística:
Los valores se almacenaron con seis posiciones decimales. Esta normalización garantiza acotación
matemática, pero no otorga a los índices significado diagnóstico ni equivalencia con resultados de
instrumentos clínicos.
E. Generación de eventos adversos con riesgos competitivos
Se definieron cuatro causas mutuamente excluyentes para el primer evento agudo: seroma, hemato-
ma, infección y tromboembolia venosa. Las proporciones pc empleadas como puntos de partida ex-
ploratorios fueron 0.0065, 0.0027, 0.00020 y 0.00017, respectivamente. La irregularidad del contorno se
simuló por separado, con pcontorno = 0.0235. Estos números coincidieron en escala con las proporciones
publicadas por Comerci et al. [1], pero no constituyeron una calibración de tasas a 180 días: la fuente
no establece una ventana de seguimiento uniforme de esa duración y presenta heterogeneidad entre
estudios.
Para introducir heterogeneidad matemática, se asignó a cada individuo una susceptibilidad latente
Ui ∼N (0, 1) y un multiplicador de riesgo exclusivamente hipotético:
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de
trayectorias de recuperación en cirugía estética
65
Página 66
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
Para cada causa aguda c se especificó una intensidad constante en el horizonte hipotético de T = 180
días:
−ln(1 −pc)
λic = ri ,
T
(8)
Λi = X λic
c∈C
En presencia de al menos una intensidad positiva, el tiempo del primer evento se extrajo de T i∗ ∼
Exp(Λi). Si T i∗ ≤180, se seleccionó la causa con probabilidades condicionadas
∗ λic Pr (C∗i = c | T i ≤180, λi) = (9)
Λi
El evento se guardó con su tiempo redondeado a dos decimales. Para el desenlace estético separado se
calculó
con extracción de tiempo condicionada a la ocurrencia del desenlace binario. La irregularidad
del contorno podía coexistir con un evento agudo; no se incorporó como quinta causa competitiva. La
suma de probabilidades marginales por causa no se interpretó como riesgo global clínico, ni la ocurrencia
simulada se presentó como evidencia epidemiológica.
F. Asignación de la exposición abstracta de apoyo
En cada visita posterior al inicio, una persona virtual todavía no expuesta podía pasar al estado
de exposición de apoyo mediante una regla probabilística dependiente del edema latente del instante
anterior y del indicador de tabaquismo:
Una vez activada, la exposición se mantuvo activa hasta el final del horizonte simulado. El tiempo de
inicio registrado correspondió al instante anterior. El efecto causal de esta variable se fijó exactamente
en cero tanto para estados longitudinales como para eventos adversos; por lo tanto, no constituye
un tratamiento clínico evaluado ni sustenta inferencias de efectividad. Aunque el código contiene
comentarios sobre historia observada, la implementación utiliza el valor latente de edema del paso
anterior, incluso cuando dicho paso fue marcado como no observado.
G. Mecanismo de observaciones faltantes y datos completos
El estado de observación de la visita basal se fijó en uno. En visitas posteriores, el indicador Oi,j
se obtuvo con una regla de Bernoulli basada en el edema latente actual, tabaquismo y tiempo:
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de
trayectorias de recuperación en cirugía estética
66
Página 67
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
Si Oi,j = 0, los cuatro índices se dejaron vacíos en followup.csv, aunque los campos de tiempo,
identificador y exposición permanecieron registrados. El archivo latent_truth.csv preservó los valores
generados antes del enmascaramiento y mantuvo el mismo indicador Oi,j. Debido a que la ecuación (12)
utiliza el edema latente del momento actual —que queda sin observar cuando Oi,j = 0—, no se afirmó
que el mecanismo satisficiera estrictamente la condición MAR (missing at random) bajo los datos
visibles. El recurso permite estudiar el comportamiento de métodos estadísticos con conocimiento del
estado latente simulado, pero no representa un registro clínico real de pérdidas de seguimiento.
H. Implementación, reproducibilidad y auditoría técnica
Se utilizó Python con NumPy, un generador seudoaleatorio inicializado con semilla 261021, y el
modo competing para los primeros eventos agudos. El procedimiento generó las tablas patients.csv,
procedures.csv, treatments.csv, followup.csv, latent_truth.csv y complications.csv,
junto con diccionario de datos, parámetros, código y verificaciones. Se mantuvieron identificadores
relacionales consistentes. La versión 3.2 corrigió un truncamiento material del archivo followup.csv
en la versión 3.1, reconstruyendo exactamente las 80.000 filas desde latent_truth.csv y su máscara
de observación, sin alterar los pacientes, trayectorias latentes, procedimientos ni desenlaces estocásticos
publicados [7].
El programa reproduce_dataset.py de la versión 3.2 incorpora una verificación del número de
filas realmente escritas y reconstruye la vista observada a partir del archivo completo de estados.
Como controles de integridad se verificaron: unicidad de claves primarias, ocho tiempos por paciente,
pertenencia de los índices a (0, 1), ausencia de registros huérfanos, exclusividad del primer evento
agudo y correspondencia exacta entre los índices visibles y los estados completos. Se recalcularon las
sumas criptográficas SHA-256 de los archivos depositados. Estas pruebas establecieron consistencia
computacional, no ajuste de parámetros a pacientes reales ni validación predictiva externa.
En consecuencia, las inferencias admisibles se restringieron al estudio del comportamiento del sim-
ulador, a la comprobación de procesos analíticos, a experimentos sobre datos faltantes y a ejercicios de
reproducibilidad. Se excluyeron expresamente aplicaciones destinadas a pronóstico de complicaciones
individuales, triage, selección terapéutica, aprobación regulatoria o medición de la eficacia clínica.
IV. RESULTADOS Y DISCUSIÓN
A. Estructura de la cohorte computacional
Se generó una cohorte de 10.000 adultos virtuales sometidos a liposucción aislada, asociada a
10.000 registros de procedimiento. El diseño fijó ocho momentos de seguimiento (días 0, 1, 3, 7, 14,
30, 90 y 180), equivalentes a 80.000 registros longitudinales programados. La edad media generada
fue de 41,03 ± 10,19 años y el índice de masa corporal de 24,71 ± 2,74 kg/m2. Se asignó tabaquismo
actual a 1.318 pacientes (13,18 %), y una condición de comorbilidad simulada a 1.420 (14,20 %). La
duración media de los procedimientos fue de 128,70 ± 27,38 minutos; el volumen aspirado medio fue
de 1.972,44 ± 651,95 mL. Los valores se obtuvieron de distribuciones paramétricas predefinidas, sin
ajuste a historias clínicas reales.
Tabla 2. Características descriptivas de la cohorte y los procedimientos simulados.
Indicador Resultado
Pacientes virtuales 10.000
Procedimientos 10.000
Edad, media ± DE (años) 41,03 ± 10,19
IMC, media ± DE (kg/m2) 24,71 ± 2,74
Tabaquismo simulado, n (%) 1.318 (13,18 %)
Comorbilidad simulada, n (%) 1.420 (14,20 %)
Duración, media ± DE (min) 128,70 ± 27,38
Volumen aspirado, media ± DE (mL) 1.972,44 ± 651,95
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de
trayectorias de recuperación en cirugía estética
67
Página 68
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
B. Trayectorias de recuperación simuladas
Los cuatro índices latentes permanecieron estrictamente dentro del intervalo abierto (0, 1), como
exige la transformación logística del modelo. La Tabla 3 presenta las medias de los estados completos
generados, incluidos los tiempos marcados como no observados. Estos valores describen las trayectorias
impuestas y realizadas por el simulador; no expresan velocidad de recuperación clínica documentada.
La Fig. 1 representa los cuatro índices a lo largo de los ocho tiempos.
Tabla 3. Evolución media de los cuatro índices de estado latente simulados.
Día Edema Dolor Función Cicatrización
0 0,828 0,780 0,309 0,232
1 0,817 0,764 0,306 0,235
3 0,789 0,723 0,307 0,242
7 0,721 0,613 0,321 0,263
14 0,576 0,404 0,381 0,317
30 0,292 0,146 0,589 0,500
90 0,101 0,063 0,898 0,892
180 0,090 0,061 0,927 0,945
La evolución temporal de los indicadores presentada en la Tabla 3 permite identificar las variaciones
de las cuatro dimensiones de recuperación durante el período simulado. Para facilitar la interpretación
de estas tendencias y visualizar sus diferencias a lo largo de los 180 días de seguimiento, la Fig. 1
representa gráficamente las trayectorias medias de edema, dolor, función y cicatrización.
Fig. 1. Trayectorias longitudinales medias simuladas de edema, dolor, función y cicatrización.
C. Observación longitudinal y datos no observados
De las 80.000 visitas programadas, 73.001 (91,25 %) presentaron índices visibles y 6.999 (8,75 %)
se marcaron como no observadas. La medición basal fue completa por diseño. Las variables latentes
completas continuaron disponibles en un archivo separado, lo que posibilita comparar el estado generado
con métodos de imputación o inferencia bajo mecanismos de ausencia simulados. La Tabla 4 desglosa
los ocho momentos; la Fig. 2 muestra la fracción visible de visitas por tiempo.
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de
trayectorias de recuperación en cirugía estética
68
Página 69
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
Tabla 4. Disponibilidad de los registros longitudinales según momento de seguimiento.
Día Programadas Visibles No visibles Visibles (%)
0 10.000 10.000 0 100,00
1 10.000 8.624 1.376 86,24
3 10.000 8.704 1.296 87,04
7 10.000 8.777 1.223 87,77
14 10.000 8.940 1.060 89,40
30 10.000 9.135 865 91,35
90 10.000 9.362 638 93,62
180 10.000 9.459 541 94,59
Los resultados de la Tabla 4 muestran la distribución temporal de las evaluaciones programadas, los
registros disponibles y las observaciones faltantes. La Fig. 2 complementa esta información mediante
una representación gráfica que permite apreciar el comportamiento del proceso de observación durante
el seguimiento longitudinal de la cohorte virtual.
Fig. 2. Proporción de registros longitudinales visibles en cada tiempo programado.
D. Primeros eventos agudos competitivos y desenlace estético
El mecanismo de riesgos específicos por causa produjo 121 primeros eventos agudos (1,21 % de los
10.000 pacientes virtuales). Entre estos se registraron 69 seromas, 48 hematomas, dos infecciones y
dos eventos tromboembólicos venosos. Los primeros eventos agudos fueron mutuamente excluyentes
por construcción. La irregularidad del contorno se generó como desenlace cosmético independiente del
mecanismo competitivo y se presentó en 219 sujetos (2,19 %) (Tabla 5). Por ese motivo no debe sumarse
a las cuatro causas como si fuese otra categoría de primer evento agudo. Las cifras son realizaciones
de una semilla aleatoria fija; las probabilidades y ventanas temporales son supuestos exploratorios, no
incidencias clínicas validadas.
Tabla 5. Eventos adversos y desenlace cosmético generados computacionalmente.
Evento o desenlace n Pacientes (%) Día medio del evento
Seroma 69 0,69 94,78
Hematoma 48 0,48 94,39
Infección 2 0,02 101,56
Tromboembolia venosa 2 0,02 55,70
Irregularidad del contorno 219 2,19 106,97
La Fig. 3 muestra la distribución de los eventos simulados y permite identificar las diferencias en
sus frecuencias relativas dentro de la cohorte virtual.
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de
trayectorias de recuperación en cirugía estética
69
Página 70
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
Fig. 3. Recuento de primeros eventos agudos simulados por causa, con el desenlace de contorno
separado.
E. Exposición de seguimiento y controles de integridad
Se asignó una exposición abstracta de seguimiento de apoyo a 6.696 pacientes virtuales (66,96 %)
mediante una regla dependiente de estados simulados anteriores. Su efecto causal sobre los estados y
los eventos fue fijado en cero por construcción. En consecuencia, ninguna comparación entre pacientes
expuestos y no expuestos puede interpretarse como una estimación de eficacia terapéutica. Los controles
computacionales verificaron la unicidad de los 10.000 identificadores, ocho estados latentes por paciente,
rango (0, 1) de los índices y exclusividad del primer evento agudo. Las comprobaciones describen
consistencia interna y no validación clínica externa.
F. Discusión
La simulación SIM-LIPO 3.2 permitió generar 80.000 evaluaciones longitudinales correspondientes
a 10.000 individuos virtuales, con trayectorias diferenciadas de edema, dolor, función y cicatrización. La
evolución de estos indicadores respondió a procesos estocásticos correlacionados y parámetros definidos
matemáticamente. Aunque las trayectorias resultaron consistentes con las reglas del modelo, esta
coherencia no constituye evidencia de recuperación clínica. Sargent [2] distingue precisamente entre
la verificación del funcionamiento de un simulador y su validación frente al sistema real, aspecto que
delimita el alcance de los resultados obtenidos.
El modelo produjo 121 primeros eventos adversos agudos (1,21 %) y 219 irregularidades del contorno
(2,19 %), estas últimas registradas independientemente. La diferenciación responde a la teoría de riesgos
competitivos desarrollada por Fine y Gray [4], que establece la necesidad de considerar la ocurrencia
de causas alternativas al analizar la incidencia de eventos. Aunque las complicaciones representadas
coinciden conceptualmente con las descritas por Comerci y colaboradores [1], sus frecuencias no son
directamente comparables, debido a las diferencias entre las condiciones clínicas investigadas y los
supuestos computacionales empleados. Por tanto, los resultados constituyen escenarios hipotéticos y
no estimaciones epidemiológicas.
Respecto de la integridad longitudinal, se identificaron 6.999 observaciones faltantes (8,75 %),
generadas mediante un mecanismo dependiente de características individuales y estados del proceso.
Rubin [3] señaló que la naturaleza del mecanismo de ausencia condiciona la validez de las inferencias
estadísticas. La conservación de los valores latentes completos representa una ventaja metodológica,
pues permite evaluar procedimientos de imputación y estimación frente a referencias computacionales
conocidas. Asimismo, la exposición de seguimiento asignada a 6.696 individuos presentó un efecto
verdadero nulo, proporcionando un escenario para examinar asociaciones inducidas por selección, cuya
interpretación exige las precauciones causales expuestas por Hernán y Robins [9].
La publicación del recurso en Zenodo [7] favorece su trazabilidad y reutilización, en concordancia
con las recomendaciones de Sandve y colaboradores [5] y los principios FAIR formulados por Wilkinson
y colaboradores [6]. Sin embargo, la principal limitación continúa siendo la ausencia de calibración y
validación con registros clínicos reales. La evaluación futura deberá incorporar simulaciones repetidas,
análisis de sensibilidad y escenarios alternativos para determinar la estabilidad de los resultados y las
propiedades de los métodos estadísticos utilizados. En consecuencia, SIM-LIPO 3.2 constituye un
entorno de experimentación computacional reproducible, cuyo valor principal reside en el desarrollo
y evaluación de procedimientos matemáticos, sin proporcionar evidencia directa sobre pronóstico o
efectividad clínica.
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de
trayectorias de recuperación en cirugía estética
70
Página 71
ISSN-e: 2737-6419 Revista Athenea
Período: octubre-diciembre de 2026 Vol.7, Número 26, (pp. 60–71)
CONCLUSIONES
El desarrollo de SIM-LIPO 3.2 permitió establecer un modelo matemático-computacional repro-
ducible para generar datos longitudinales simulados de recuperación posterior a procedimientos hipotéti-
cos de liposucción aislada. La integración de procesos estocásticos, dependencia temporal, heterogenei-
dad individual y transformaciones matemáticas acotadas permitió construir trayectorias diferenciadas
de edema, dolor, función y cicatrización. La cohorte de 10.000 individuos virtuales y sus 80.000 evalua-
ciones programadas proporcionó una estructura de datos consistente para estudiar el comportamiento
de sistemas longitudinales bajo condiciones previamente definidas.
La incorporación de primeros eventos adversos competitivos, irregularidades del contorno como
desenlace independiente y mecanismos selectivos de ausencia de observaciones amplió las posibilidades
de experimentación estadística. La disponibilidad simultánea de estados latentes completos y regis-
tros observables constituye una característica especialmente relevante, dado que permite comparar
estimaciones con valores conocidos y examinar el comportamiento de métodos de imputación, análisis
longitudinal y modelado de eventos. Asimismo, la inclusión de una exposición de seguimiento con efecto
verdadero nulo ofrece un escenario controlado para estudiar asociaciones inducidas por mecanismos de
asignación.
La publicación del recurso en Zenodo, junto con su código, parámetros y documentación, favorece
la transparencia, la trazabilidad y la reutilización científica. Sin embargo, las propiedades identificadas
corresponden exclusivamente al sistema computacional implementado y no representan evidencia clínica
sobre recuperación, incidencia de complicaciones o eficacia terapéutica. Se concluye que SIM-LIPO 3.2
constituye una infraestructura metodológica para investigaciones de simulación, cuya proyección cien-
tífica dependerá de evaluaciones adicionales de sensibilidad, experimentación computacional repetida y
futuras contrastaciones con información clínica independiente.
REFERENCIAS
[1] A. J. Comerci et al., “Risks and complications rate in liposuction: A systematic review and
meta-analysis,” Aesthetic Surgery Journal, vol. 44, no. 7, pp. NP454–NP463, 2024. [Online].
Available: https://doi.org/10.1093/asj/sjae074
[2] R. G. Sargent, “Verification and validation of simulation models,” Journal of Simulation, vol. 7,
no. 1, pp. 12–24, 2013. [Online]. Available: https://doi.org/10.1057/jos.2012.20
[3] D. B. Rubin, “Inference and missing data,” Biometrika, vol. 63, no. 3, pp. 581–592, 1976.
[Online]. Available: https://doi.org/10.1093/biomet/63.3.581
[4] J. P. Fine and R. J. Gray, “A proportional hazards model for the subdistribution of a competing
risk,” Journal of the American Statistical Association, vol. 94, no. 446, pp. 496–509, 1999.
[Online]. Available: https://doi.org/10.1080/01621459.1999.10474144
[5] G. K. Sandve, A. Nekrutenko, J. Taylor, and E. Hovig, “Ten simple rules for reproducible
computational research,” PLOS Computational Biology, vol. 9, no. 10, p. e1003285, 2013.
[Online]. Available: https://doi.org/10.1371/journal.pcbi.1003285
[6] M. D. Wilkinson et al., “The FAIR guiding principles for scientific data management
and stewardship,” Scientific Data, vol. 3, p. 160018, 2016. [Online]. Available: https:
//doi.org/10.1038/sdata.2016.18
[7] F. Suárez-Carreño, “SIM-LIPO: A computationally simulated longitudinal dataset of recovery
trajectories and competing first adverse events following isolated liposuction,” Zenodo, 2026,
version 3.2. [Online]. Available: https://doi.org/10.5281/zenodo.23460437
[8] R. J. A. Little and D. B. Rubin, Statistical Analysis with Missing Data, 3rd ed. Hoboken, NJ,
USA: Wiley, 2019. [Online]. Available: https://doi.org/10.1002/9781119482260
[9] M. A. Hernán and J. M. Robins, Causal Inference: What If. Boca Raton, FL, USA: Chapman &
Hall/CRC, 2025.
Suárez-Carreño F., Fariñas-Coronado W. Modelado estocástico y simulación computacional de