Pradenas Rojas, Lorena del CarmenNavarrete Campos, Jean Paul2026-11-052026-11-052026https://repositorio.udec.cl/handle/11594/14802Tesis presentada para optar al grado de Doctor/a en Ingeniería Industrial.Esta tesis desarrolla una estrategia analítica progresiva para estudiar cambios observados durante la pandemia de COVID-19 en indicadores relacionados con deterioro cognitivo y demencia. Se integraron cuatro niveles: vigilancia poblacional, predicción temporal, simulación estocástica de escenarios y trayectorias longitudinales hospitalarias. En el Capítulo II se analizaron 11.444 observaciones agregadas de cuatro indicadores del CDC. Los cambios fueron heterogéneos; Q30 mostró la señal temporal más consistente, aunque pequeña y no monotónica. La validación 2015–2018 hacia períodos posteriores mostró transportabilidad limitada y ningún algoritmo fue universalmente superior. En el Capítulo III se aplicó un modelo de Markov de siete estados, parametrizado mediante síntesis estructurada de evidencia, a una cohorte sintética de 10.000 personas durante diez años y 100 réplicas. Bajo los supuestos especificados, la disrupción prolongada proyectó mayor carga de enfermedad avanzada y mortalidad, mientras una intervención focalizada atenuó las diferencias. En el Capítulo IV se estudiaron 2.168 pacientes y 2.629 episodios del sistema público de la Región del Biobío. Los estados de utilización hospitalaria mostraron persistencia y heterogeneidad entre los períodos pre-COVID, COVID y post-COVID. En conjunto, la tesis aporta una arquitectura trazable que distingue descripción, asociación, predicción, proyección y simulación. Los resultados corresponden a cambios observados, asociaciones y consecuencias potenciales condicionadas por los modelos; no identifican un efecto causal único de la pandemia ni de políticas específicas.This thesis develops a progressive analytical strategy to study changes observed during the COVID-19 pandemic in indicators related to cognitive decline and dementia. Four complementary levels were integrated: population surveillance, temporal prediction, stochastic scenario simulation, and longitudinal hospital trajectories. Chapter II analyzed 11,444 aggregated observations for four CDC indicators. Changes were heterogeneous; Q30 showed the most consistent temporal signal, although its magnitude was small and its trajectory was non-monotonic. Temporal validation from 2015–2018 to later periods showed limited transportability, and no algorithm was universally superior. Chapter III applied a seven-state Markov model, parameterized through a structured synthesis of evidence, to a synthetic cohort of 10,000 people over ten years and 100 Monte Carlo replications. Under the specified assumptions, prolonged disruption projected a greater burden of advanced disease and mortality, whereas a targeted intervention attenuated these differences. Chapter IV examined 2,168 patients and 2,629 episodes from the public health system of the Biobío Region. Hospital-utilization states showed persistence and heterogeneity across the pre-COVID, COVID, and post-COVID periods. Overall, the thesis contributes a traceable analytical architecture that distinguishes description, association, prediction, projection, and simulation. The findings represent observed changes, associations, and model-conditioned potential consequences; they do not identify a single causal effect of the pandemic or of specific policies.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalCOVID-19 (Enfermedad)EstadísticasMachine learningThesisBuena SALUD