12/02/2011

Introduccin

Bioestadstica
Tema 5: Probabililidad. Teorema de Bayes. Pruebas Diagnsticas

En este tema aplicaremos el concepto de probabilidad condicionada para derivar el teorema de Bayes Este teorema posee importantes aplicaciones en Ciencias de la Salud. En trminos sencillos, si se sabe que una determinada causa puede producir un determinado efecto, el teorema de Bayes permite calcular la probabilidad de que haya actuado la causa si se ha producido el efecto

Carmen de Burgos Curso 2010-2011

Frmulas de inversin de condiciones

Conocemos la probabilidad de ocurrencia de los sucesos A y B, y la probabilidad (condicionada) de B si A ha ocurrido. Se trata de calcular la probabilidad cuando la informacin llega en sentido inverso, es decir, la probabilidad condicionada de A si B ha ocurrido.

Frmulas de inversin de condiciones

Un aplicacin la encontramos en la prctica clnica. Cuando se explica la patologa en los libros o universidades, se presentan los sntomas que se asocian a un trastorno, pero en la consulta los pacientes acuden con un sntoma y hay que saber cul es su patologa. Imaginad que llega a vuestra consulta un hombre con dolor en el primer dedo del pie. Queremos saber si tendr gota.

p ( A B ) = p ( A) p ( B | A) p ( B A) = p ( B) p ( A | B) p ( A) p ( B | A) = p ( B) p ( A | B) p ( A) p ( B | A) p( A | B) = p( B)
Frmula de inversin de las condiciones

Sistema exhaustivo y excluyente de sucesos

A
1

A
2

A1 Suceso seguro A2 A3

A
3

A
4

A4

TEOREMA DE BAYES
Son una coleccin de sucesos tales que la unin de todos ellos forman el espacio muestral, y sus intersecciones son disjuntas. Sistema exhaustivo Sistema excluyente

12/02/2011

Descomponer en problemas simples

A
1

Teorema de la probabilidad total

B A1 A2 nB B nB B nB B nB P(B) = P(BA1) + P(BA2) + P( BA3) + P( BA4) =P(A1) P(B|A1) + P(A2) P(B|A2)+
Suceso seguro P(A1) P(A2) P(A3) P(A4)

A
2

Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo

A1 Suceso seguro A2 A3

y excluyente de sucesos, entoncespodemos calcular la probabilidad de B.

A
3

A
4

A4

A3

A4 B nB B nB B nB B nB
P(B|A1) P(nB|A1) P(B|A2) P(nB|A2) P(B|A3) P(nB|A3) P(B|A4) P(nB|A4)

Todo suceso B, puede ser descompuesto en componentes de dicho sistema.

B = (BA1) U (BA2) U ( BA3) U ( BA4) Nos permite descomponer el problema B en subproblemas ms simples.

A1 A2 A3 A4

Teorema de la probabilidad total

A1 A2 B
P(A1) P(A2) P(B|A1) P(nB|A1)

Teorema de la probabilidad total

Probabilidad a priori
B
P(A1) P(A2) Suceso seguro P(A3) P(A4) P(B|A1) P(nB|A1) P(B|A2) P(nB|A2) P(B|A3) P(nB|A3) P(B|A4) P(nB|A4)

A1 A2 A3 A4

nB

Suceso seguro P(A3)

B P(B|A2) nB P(nB|A2) B B
P(B|A3) P(B|A4)

A1 A2 A3 A4

nB B nB B nB B nB

nB P(nB|A3) nB P(nB|A4)

A3

A4

P(A4)

P(B) = P(BA1) + P(BA2) + P( BA3) + P( BA4) =P(A1) P(B|A1) + P(A2) P(B|A2)+

Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo y excluyente de sucesos, entoncespodemos calcular la probabilidad de B.

Verosimilitudes

Ejemplo
En este aula el 70% de los alumnos son mujeres. De ellas el 10% son fumadoras. De los hombres, son fumadores el 20%.
Teorema de la probabilidad total Hombres y mujeres forman un sist. Exh. Excl. de sucesos
0,1 Fuma

Teorema de Bayes
A1 A2

Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo y excluyente de sucesos, entonces si ocurre B, podemos calcular la probabilidad (a posteriori) de ocurrencia de cada Ai.

Qu porcentaje de fumadores hay?

Mujer

P(F) = P(MF) + P(HF) = P(M)P(F|M) + P(H)P(F|H) =0,7 x 0,1 + 0,3 x 0,2

0,7 Estudiante 0,3

0,9 No fuma A3 0,2 Fuma

A4

P(Ai | B) =

P(B Ai) P(B)

= 0,13 =13%

Hombre

donde P(B) se puede calcular usando el teorema de la probabilidad total:

0,8 Los caminos a travs de nodos representan intersecciones. Las bifurcaciones representan uniones disjuntas. No fuma

P(B)=P(BA1) + P(BA2) + P(BA3) + (BA4) =P(B|A1) P(A1) + P(B|A2) P(A2) +

12/02/2011

Ejemplo

Teorema de Bayes
Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo y excluyente de sucesos, entonces si ocurre B, podemos calcular la probabilidad (a posteriori) de ocurrencia de cada Ai.

En este aula el 70% de los 100 alumnos son mujeres. De ellas el 10% son fumadoras. De los varones, son fumadores el 20%. Qu porcentaje de fumadores hay?
P(F) = =0,7 x 0,1 + 0,3 x 0,2 = 0,13 (Resuelto antes)

Se elije a un individuo al azar y es fumador Probabilidad de que sea un hombre?

P(Ai | B) =

P(B Ai) P(B | A1) P(A1) + P(B | A2) P(A2) +

P( H | F ) =

P ( H F ) P ( H ) P( F | H ) 0,3 0,2 = = = 0,46 P( F ) P( F ) 0,13

Mujer 0,1 0,9 0,2 0,8 Fuma No fuma Fuma No fuma

0,7 Estudiante 0,3

Hombre

Ejemplo
0,1

Dolor Gota No Dolor

p(D|G)=0,3

p(nD|G)=0,7

Imaginad que el 10% de las personas adultas tienen gota. Adems sabemos que el 30% de los pacientes con gota presenta dolor en el primer dedo del pie, y que de las personas que no tienen gota el 8% presenta dolor de dedo de pie Cul es la probabilidad de que una persona con dolor en el primer dedo tenga gota?

Poblacin 0,9 No Gota Dolor p(D|nG)=0,08

No Dolor p(nD|nG)=0,92

p (Gota ) = 0,1 p ( Dolor | Gota ) = 0,3 p ( Dolor | noGota ) = 0,08

p (Gota | Dolor ) = p (Gota) p ( Dolor | Gota) p ( Dolor )

p (Gota | Dolor ) =

p (Gota) p ( Dolor | Gota) p ( Dolor )

p ( Dolor ) = nP(D) = P(GnD) + P(nGnD) = P(G)P(D | G) + P(nG)P(D | nG) = 0,1 x 0,3 + 0,9 x 0,08 = 0,102 p (Gota | Dolor ) = 0,1 0,3 = 0,294 0,102

Aplicacin del Teorema de Bayes en la Ayuda al diagnstico

Teorema de Bayes

Aplicacin del Teorema de Bayes en la Ayuda al diagnstico

Imaginemos que la prevalencia de espina bfida en la poblacin es del 20%. Los pacientes que tienen espina bfida presentan parestesias en el 60% de los casos. El 10% de las personas sin espina bfida presenta parestesias. Si viene a la consulta un paciente con parestesias, cul es

p( A) p( B | A) p ( A | B) = p( A) p( B | A) + p(nA) p( B | nA)
Sabemos la prevalencia de una enfermedad (probabilidad a priori) y tambin las prevalencias de determinado sntoma en esa enfermedad. Si viene a la consulta un paciente con un sntoma podemos saber con ms precisin la probabilidad de que tenga la enfermedad (probabilidad a posteriori)

la probabilidad de que tenga espina bfida ?

p ( Espina bfida ) = 0,2 p ( Parestesias | o espina bfida ) = 0,1 p ( Parestesias | Espina bfida ) = 0,6

Probabilidad a priori

12/02/2011

Aplicacin del Teorema de Bayes en la Ayuda al diagnstico

Probabilidad a priori
Parestesias p(P|Eb)=0,6

Aplicacin del Teorema de Bayes en la Ayuda al diagnstico

Proceso diagnstico (la informacin llega en sentido contrario)
p(Eb|P) Probabilidad a posteriori

E.bfida Datos epidemiolgicos: informacin muestral previa (probabilidad frecuentista) 0,8 No E.bfida Parestesias No Parestesias 0,2 Poblacin p(P|nEb)=0,1 Poblacin E.bfida No Parestesias p(nP|nEb)=0,9 No E.bfida E.bfida No Parestesias p(nP|Eb)=0,4 Parestesias No E.bfida

p(nEb|P)

Teorema de Bayes

p(Eb|nP) p(nEb|nP)

Verosimilitudes

Aplicacin del Teorema de Bayes en la Ayuda al diagnstico

Parestesias 0,2 Poblacin 0,8 No E.bfida Parestesias No Parestesias p(P|nEb)=0,1 E.bfida p(P|Eb)=0,6 No Parestesias p(nP|Eb)=0,4

p(nP|nEb)=0,9

p ( Espina bfida | Parestesia s ) = 0,2 0,6 = 0,6 0,2 0,6 + 0,8 0,1

p ( Espina bfida ) p ( Parestesia s | Espina bfida ) = p ( Parestesia s )

PRUEBAS DIAGNSTICAS

Probabilidad a posteriori

Observaciones
Al llegar un individuo a la consulta tenemos una idea a priori sobre la probabilidad de que tenga una enfermedad. A continuacin se le pasa una prueba diagnstica que nos aportar nueva informacin: Presenta glucosuria o no. En funcin del resultado tenemos una nueva idea (a posteriori) sobre la probabilidad de que est enfermo.
Nuestra opinin a priori ha sido modificada por el resultado de un experimento.

-Qu probabilidad tengo de estar enfermo? - En principio un 7%. Le haremos unas pruebas.

PRUEBAS DIAGNSTICAS
Una prueba diagnstica ayuda a mejorar una estimacin de la probabilidad de que un individuo presente una enfermedad. En principio tenemos una idea subjetiva de P(Enfermo). Nos ayudamos de estudios de
Incidencia: porcentaje de nuevos casos de enfermedad en la poblacin.

- Presenta glucosuria. La probabilidad ahora es del 45,6%.

Prevalencia: porcentaje de la poblacin que presenta una enfermedad.

12/02/2011

PRUEBAS DIAGNSTICAS
Para confirmar la sospecha, usamos una prueba diagnstica. Ha sido evaluada con anterioridad sobre dos grupos de individuos: sanos y enfermos. As de modo frecuentista se ha estimado:
P(+ | Enfermo)= Sensibilidad = Tasa de acierto sobre enfermos.

PRUEBAS DIAGNSTICAS
A partir de lo anterior y usando el teorema de Bayes, podemos calcular las probabilidades a posteriori (en funcin de los resultados del test): ndices predictivos
P(Enfermo | +) = ndice predictivo positivo P(Sano | -) = ndice predictivo negativo

P(- | Sano)= Especificidad = Tasa de acierto sobre sanos.

Pruebas diagnsticas
P. a priori de enfermedad: incid., preval., intuicin, Verdaderos + Test+ Sensibilidad (+/E)

PRUEBAS DIAGNSTICAS
Enfermos Prueba + Prueba Verdadero positivo (VP) Falso negativo (FN) Enfermos = VP+FN Sanos Falso positivo (FP) Verdadero negativo (VN) Sanos = FP+VN FP S TestSanos Especificidad (-/S) Pacientes E Enfermos VN Test VP Test + FN Test Especificidad (-/S) Test + Sensibilidad (+/E) Prueba + =VP+FP Prueba =FN+VN

Enfermo Individuo Sano

TEST DIAG STICO

Falsos Test-

Falsos +

Test+

Verdaderos -

PRUEBAS DIAGNSTICAS
SENSIBILIDAD
Probabilidad de que una prueba diagnstica clasifique correctamente a un individuo como enfermo
S Pacientes E Enfermos FN Enfermos Prueba + Prueba Verdadero positivo (VP) Falso negativo (FN) Enfermos = VP+FN FP Sanos VN VP Test + Test Test + Test -

PRUEBAS DIAGNSTICAS
ESPECIFICIDAD
Probabilidad de que una prueba diagnstica clasifique correctamente a un individuo como sano
FP S Pacientes E Enfermos Sanos VN VP FN Test Enfermos Prueba + =VP+FP Prueba - =FN+VN Prueba + Prueba Verdadero positivo (VP) Falso negativo (FN) Enfermos = VP+FN Test + Test Test +

P(+ | E ) =

P(+ E) P( E )

P(- | S ) =

P( S) P( S )

Sensibilidad (+/E) = VP/(VP+FN)

Sanos Falso positivo (FP) Verdadero negativo (VN) Sanos = FP+VN

Especificidad (-/S) = VN/(VN+FP)

Sanos Falso positivo (FP) Verdadero negativo (VN) Sanos = FP+VN Prueba + =VP+FP Prueba - =FN+VN

12/02/2011

Pruebas diagnsticas: EVALUACIN

Lo que a nosotros nos interesa en la prctica clnica es la probabilidad de que un individuo est sano o enfermo en funcin del resultado del Test valores predictivos
VALOR PREDICTIVO POSITIVO Probabilidad de que un individuo con un resultado positivo tenga la enfermedad VALOR PREDICTIVO NEGATIVO

Pruebas diagnsticas: EVALUACIN

VALOR PREDICTIVO POSITIVO Probabilidad de que un individuo con un resultado positivo tenga la enfermedad P(+ E) P(E | +) = P(+ )
VPP (E/+) = VP/(VP+FP)

Enfermos Prueba + Verdadero positivo (VP) Falso negativo (FN) Enfermos = VP+FN

Sanos Falso positivo (FP) Verdadero negativo (VN) Sanos = FP+VN Prueba + =VP+FP Prueba =FN+VN

Es la probabilidad de que un individuo con un resultado negativo no tenga la enfermedad

Prueba -

Pruebas diagnsticas: EVALUACIN

Prueba +

Enfermos Verdadero positivo (VP) Falso negativo (FN) Enfermos = VP+FN

Sanos Falso positivo (FP) Verdadero negativo (VN) Sanos = FP+VN Prueba + =VP+FP Prueba =FN+VN

VALOR PREDICTIVO NEGATIVO Es la probabilidad de que un individuo con un resultado negativo no tenga la enfermedad P( S) P(S | ) = P() VPN (S/-) = VN/(VN+FN)
Enfermos Prueba + Prueba Verdadero positivo (VP) Falso negativo (FN) Enfermos = VP+FN Sanos Falso positivo (FP) Verdadero negativo (VN) Sanos = FP+VN Prueba + =VP+FP Prueba =FN+VN

Prueba -

Sensibilidad (+/E) = VP/(VP+FN) Especificidad (-/S) = VN/(VN+FP) VPP (S/+) = VP/(VP+FP) VPN (E/-) = VN/(VN+FN)

Ejemplo de prueba diagnsticas:

La diabetes es una enfermedad muy comn que afecta al 7% de la poblacin (prevalencia) Una prueba comn para diagnosticar la diabetes, consiste en medir el nivel de glucosa. En individuos sanos suele variar entre 64 y 110mg/dL. Valores por encima de 110 mg/dL se asocian con un posible estado pre-diabtico. Pero no es seguro. Otras causas podran ser: hipertiroidismo, cncer de pncreas, pancreatitis, toma de corticoides Supongamos que los enfermos de diabetes, tienen un valor medio de 126mg/dL.

Ejemplo de funcionamiento de pruebas diagnsticas

Valor lmite: 110mg/dL
Superior: test positivo. Inferior: test negativo.

Probabilidad de acierto:
Para enfermos
Verdadero positivo (sensibilidad)

Para sanos
Verdadero negativo (especificidad)

Probabilidad de error
Para enfermos
Falso

Para sanos
Falso +

12/02/2011

Cmo definir el punto de corte de la prueba diagnstica?

Ejemplo: ndices predictivos

La diabetes afecta al 7% de los individuos. La presencia de glucosuria se usa como indicador de diabetes. Su sensibilidad es de 0,945. La especificidad de 0,977. Calcular los ndices predictivos. Test Test+ Test P( | E )

Individuo

0,93

0,07

Sanos

Enfermos

Test+
P(+ | E )

P( | S ) P(+ | S )

0,977

0,023

0,055

0,945

No es simple. No es posible aumentar sensibilidad y especificidad al mismo tiempo. Hay que elegir una solucin de compromiso: Aceptable sensibilidad y especificidad.

Ejemplo
VPN = (sano|T-)

Individuo

0,93

0,07

Ejemplo
VPP = (enf|T+)

Individuo

0,93

0,07

Sanos

Enfermos

Sanos

Enfermos

Test -

Test+

Test P( | E )

Test+
P(+ | E )

Test -

Test+

Test P( | E )

Test+
P(+ | E )

P( | S ) P(+ | S )

P( | S ) P(+ | S )

0,977

0,023

0,055

0,945

0,977

0,023

0,055

0,945

P( Sano | T ) =

P (Sano T ) P (Sano T ) + P (Enf T ) 0,93 0,977 = = 0,996 0,93 0,977 + 0,07 0,055

P( Enf | T + ) =

P(Enf T + ) P(Enf T + ) + P(Sano T + ) 0,07 0,945 = = 0,756 0,07 0,945 + 0,93 0,023

Qu hemos visto?
Teorema de Bayes:
probabilidad a priori Verosimilitudes prob a posteriori

Pruebas diagnsticas:
A priori: Incidencia, prevalencia. Eficacia de la prueba: Sensibilidad, especificidad. A posteriori: ndices predictivos.