Documente Academic
Documente Profesional
Documente Cultură
Puede observarse que cada rectngulo separa dos grupos: uno de personas con la
enfermedad diagnosticada (superior) y otro sin ella (inferior). Al mismo tiempo con todos
ellos se ensaya una prueba diagnstica. Los que dan positivo en esta prueba son los del
cuadro interior coloreado.
Llamemos E al grupo de los que tienen la patologa en estudio, NE al de los que no la
tienen y P a los que la prueba da positivo y N a los que la prueba da negativo.
La sensibilidad es el cociente: P/E; o sea, la proporcin de positivos que tenemos entre los
que tienen la patologa. En el dibujo anterior es la proporcin que ocupa el grupo de los
positivos en el interior del grupo de los que tienen la enfermedad.
Como puede verse en los cuatro rectngulos del dibujo, segn el mtodo diagnstico
podemos tener sensibilidades muy distintas. Evidentemente interesa un mtodo
diagnstico con alta sensibilidad, que la mayor parte de enfermos con esa patologa den
positivo.
La especificidad mide la proporcin de negativos que hay en el grupo de los que no
padecen la enfermedad que estudiamos. La especificidad ser, pues, el cociente: N/NE. La
especificidad tambin interesa que sea alta. Interesa que quien no est enfermo nos d
negativo en la prueba, evidentemente.
Si volvemos a mirar el dibujo anterior podremos ver distintos posibles mtodos
diagnsticos y su calidad.
Como se puede ver acompaando a la flecha que indica alto o bajo se ponen unos valores
porcentuales que son aproximados: 5% 95%.
Voy a analizar uno por uno los cuatro casos hipotticos dibujados. Los ordenar de
izquierda a derecha.
El primero nos marca la situacin ideal: alta sensibilidad y alta especificidad. Observemos
que casi todos los positivos estn en E. Y observemos tambin que casi todos los de E, los
que tienen la patologa, dan positivo. Los de E que dan negativo son los llamados falsos
negativos. Los de NE positivos son denominados falsos positivos. Los falsos negativos son
el complementario, el contrapunto, de la sensibilidad. Los falsos positivos lo son de la
especificidad.
El segundo caso es un ejemplo de mala tcnica diagnstica. Da positivo cuando no hay
enfermedad y da negativo cuando hay enfermedad. En este caso tenemos baja tanto la
sensibilidad como la especificidad. Casi todos son falsos positivos o falsos negativos.
Tampoco es bueno lo que sucede en el tercer caso. Aqu casi siempre da positiva la
tcnica, haya o no enfermedad. En este caso la sensibilidad es alta pero la especificidad
muy baja. Esto tampoco es bueno para una tcnica diagnstica.
En el cuarto caso la tcnica casi nunca da positiva. Tenemos baja sensibilidad, aunque,
eso s, alta especificidad. Tampoco es buena esta situacin.
Es muy importante entender bien estos cuatro casos paradigmticos para situar bien qu
evaluamos con cada uno de estos dos conceptos.
Vamos a definir ahora el Valor predictivo positivo (VPP) y el Valor predictivo negativo
(VPN).
El Valor predictivo positivo es el siguiente clculo: VPP=E/P.
Es interesante comparar la Sensibilidad con el VPP. Observemos que la sensibilidad
calcula: sabiendo que es E cuntos sern P, y, sin embargo, el VPP calcula: sabiendo que
es P cuntos sern E.
Es muy importante entender bien la relacin entre estos dos clculos. Y es muy importante
tambin entender su papel en la Medicina.
Pensemos en el camino para el clculo de la Sensibilidad: sabiendo que tiene la patologa,
probabilidad de que d positivo el mtodo.
Y pensemos ahora en el camino del clculo del VPP: sabiendo que es positivo
probabilidad de tener la enfermedad.
En los casos expuestos en el grfico anterior podemos ver cmo el VPP depende de la
prevalencia. Al bajar la prevalencia baja el VPP. Al bajar la prevalencia aunque se
mantenga una buena sensibilidad los falsos positivos ganan peso relativo y hacen
disminuir el VPP.
Observemos la siguiente informacin extrada de una diapositiva de un curso de Pediatra:
del Bara esto es un muy buen procedimiento para pronosticar que no es cataln. Este
VPN es del 99,99% en los datos que muestro. Por lo tanto, la tcnica diagnstica de ver si
es o no seguidor del Bara para pronosticar si alguien es o no cataln tiene elevada
sensibilidad, elevada especificidad y elevado Valor predictor negativo (VPN). Vamos, pues,
bien. Sin embargo, este mtodo diagnstico tienen un muy bajo Valor predictivo positivo
(VPP). Si sabemos que un ciudadano del mundo es del Bara esto nos sirve muy poco
para predecir que es cataln.
Para calcular el VPP, para este caso, hemos de relacionar los 6.500.000 de catalanes del
Bara respecto a los 500.000.000 de seguidores en el mundo. El VPP es, as, del 1,3%. Si
tomamos a alguien en el mundo y slo sabemos que es del Bara lo ms probable es que
no sea cataln. Si el VPP es bajo, como ocurre en este caso, el mtodo diagnstico es
muy deficitario. No nos sirve realmente.
El siguiente grfico resume toda la informacin de este ejemplo hipottico. En l se pueden
ver los clculos tanto de la Sensibilidad, de la Especificidad, del Valor predictivo positivo y
del Valor predictivo negativo:
Para ver otros ejemplo de clculo ir a Ejemplo de clculo de Valor predictivo positivo y de
Valor predictivo negativo.
Supongamos que un ndice intenta predecir el sndrome de la muerte sbita con una
sensibilidad del 68% y una especificidad del 82%. Calcular el Valor predictivo positivo y el
Valor predictivo negativo de este ndice si se aplica a una poblacin donde se producen un
0.21% de muertes sbitas sobre el total de nacimientos.
Veamos cmo podemos, a partir de los datos que tenemos, plantear el problema
planteado como un caso donde aplicar el Teorema de las probabilidades totales y el
Teorema de Bayes (Ver Teorema de las probabilidades totales y Teorema de Bayes en el
apartado de Complementos):
Una vez planteada esta informacin podemos aplicar ambos teoremas. Primero, mediante
el Teorema de las probabilidades totales, calcularemos la P(+). Luego, mediante el
Teorema de Bayes, calcularesmo el Valor predictivo positivo (VPP) y el Valor predictivo
negativo (VPN).
Veamos cmo son estos clculos: