En este estudio, presentamos un nuevo modelo de simulación y un estudio de caso para explorar la dinámica a largo plazo de la detección temprana de enfermedades, también conocida como cribado poblacional rutinario. Introducimos un marco de modelado realista y portátil que puede ser utilizado para la mayoría de los casos de cáncer, incluyendo una historia natural de la enfermedad y una estructura realista pero genérica que permite hacer un seguimiento de los stocks críticos que generalmente han sido pasados por alto en estudios de modelado previos. Nuestro modelo es específico para el cribado del antígeno prostático específico (PSA) para el cáncer de próstata (PCa), incluyendo la progresión natural de la enfermedad, los cambios respectivos en el tamaño y la composición de la población, la detección clínica, la adopción de la prueba de cribado PSA por parte de los profesionales médicos y la difusión de la prueba de cribado. Las principales medidas de resultado para el modelo se seleccionan para mostrar la compensación fundamental entre los principales daños y beneficios del cribado, siendo los principales daños (i) sobrediagnóstico, (ii) biopsias innecesarias y (iii) falsos positivos. El enfoque de este estudio es construir la estructura de modelo más confiable y flexible para el cribado médico y hacer un seguimiento de sus principales daños y beneficios. Mostramos la importancia de algunas métricas que no son fácilmente medidas o consideradas por la literatura médica existente y los estudios de modelado. Si bien el modelo no está diseñado principalmente para hacer inferencias sobre políticas o escenarios de cribado óptimos, nuestro objetivo es informar a los modeladores y responsables de políticas sobre posibles palancas en el sistema y proporcionar una estructura de modelo confiable para el cribado médico que pueda complementar otros estudios de modelado diseñados para intervenciones en cáncer. Nuestro modelo de simulación puede ofrecer un medio formal para mejorar el desarrollo e implementación de cribados basados en evidencia, y sus futuras iteraciones pueden ser empleadas para diseñar recomendaciones de políticas que aborden áreas importantes de política, como el creciente número de sobrevivientes de cáncer o el gasto en salud en EE. UU.