CochraneUK
Este blog ha sido escrito por Saul Crandon, médico de la Fundación Académica de los Hospitales Universitarios de Oxford NHS Foundation Trust y uno de los miembros del Grupo Asesor de Aprendices de Cochrane UK & Irlanda (CUKI-TAG). El blog explica qué entendemos por -y cómo calcular- «sensibilidad», «especificidad», «valor predictivo positivo» y «valor predictivo negativo» en el contexto del diagnóstico de enfermedades.
El proceso de diagnóstico es una parte crucial de la práctica médica. Algunos consideran que el proceso de diagnóstico es un arte, como lo describe su definición de Merriam Webster; «el arte o acto de identificar una enfermedad a partir de sus signos y síntomas» (1).
Para llegar a un diagnóstico, hay que tener en cuenta un sinfín de información, a menudo en forma de anamnesis (que describe los síntomas que experimenta el paciente) y una exploración clínica (que obtiene los signos relacionados con el proceso de la enfermedad). Esto suele proporcionar una lista sensata de diagnósticos diferenciales, que pueden confirmarse o reputarse con el uso de pruebas diagnósticas. Esto puede ser en forma de una muestra de sangre, imágenes radiológicas, pruebas de orina y más.
Aquí está el quid de la cuestión; las pruebas nunca son 100% precisas. Debemos tener en cuenta las estadísticas en torno a las pruebas para determinar qué es una buena prueba y qué es una prueba no tan buena.
Considere el siguiente ejemplo:
Una empresa crea un análisis de sangre para la enfermedad X.
| Tiene la Enfermedad X | No tiene la Enfermedad X | |
| Positivo en el análisis de sangre | Verdaderos Positivos (TP) | Falsos Positivos (FP) |
| Prueba de sangre NEGATIVOS | Falsos Negativos (FN) | Verdaderos Negativos (TN) |
Ahora veamos la misma tabla insertando algunos valores para trabajar.
| Tiene la enfermedad X | No tiene la enfermedad X | |
| Prueba de sangre POSITIVA | 134 | 7 |
| Prueba de sangre test NEGATIVO | 11 | 245 |
Sensibilidad
La sensibilidad es la proporción de personas CON la Enfermedad X que tienen un análisis de sangre POSITIVO. Una prueba con una sensibilidad del 100% significa que todas las personas enfermas se identifican correctamente como tales, es decir, que no hay falsos negativos. Es importante destacar que, como el cálculo incluye a todos los pacientes con la enfermedad, no se ve afectado por la prevalencia de la enfermedad.
«Si tengo la enfermedad X, ¿cuál es la probabilidad de que dé positivo en la prueba?»
Matemáticamente, esto se expresa como:
Sensibilidad = Verdaderos Positivos / (Verdaderos Positivos + Falsos Negativos)
En otras palabras, el análisis de sangre de la empresa identificó al 92,4% de las personas CON la enfermedad X.
Una prueba sensible se utiliza para excluir una enfermedad, ya que rara vez clasifica erróneamente a las personas CON una enfermedad como sanas. Un ejemplo de prueba altamente sensible es el dímero D (medido mediante un análisis de sangre). En pacientes con una baja probabilidad previa a la prueba, una prueba de dímero D negativa puede excluir con precisión un trombo (coágulo de sangre).
Especificidad
La especificidad es la proporción de personas SIN la enfermedad X que tienen una prueba de sangre NEGATIVA. Una prueba que es 100% específica significa que todos los individuos sanos son identificados correctamente como sanos, es decir, no hay falsos positivos.
«Si no tengo la enfermedad X, ¿cuál es la probabilidad de que mi prueba sea negativa?»
Matemáticamente, esto se expresa como:
Especificidad = Verdaderos Negativos / (Verdaderos Negativos + Falsos Positivos)
En otras palabras, el análisis de sangre de la empresa identificó al 97,2% de los que NO tienen la enfermedad X.
Una prueba específica se utiliza para descartar una enfermedad, ya que rara vez clasifica erróneamente a los que NO tienen una enfermedad como enfermos. Por lo tanto, una prueba perfectamente específica significa que no se identifican individuos sanos como enfermos.
Medidas adicionales
Podemos dar un paso más. El valor predictivo de las pruebas puede calcularse con conceptos estadísticos similares. Para simplificar, seguiremos utilizando el ejemplo anterior relativo a un análisis de sangre para la enfermedad X.
Valor predictivo positivo
El valor predictivo positivo (VPP) es la proporción de aquellos con un análisis de sangre POSITIVO que tienen la enfermedad X.
«Si tengo un análisis positivo, ¿cuál es la probabilidad de que tenga la enfermedad X?»
PPV = Verdaderos Positivos / (Verdaderos Positivos + Falsos Positivos)
En otras palabras, el análisis de sangre identificó el 95% de los que tenían un análisis de sangre POSITIVO, como si tuvieran la enfermedad X.
Como el cálculo para el PPV y NPV incluye individuos con y sin la enfermedad, se ve afectado por la prevalencia de la enfermedad en cuestión. Por lo tanto, debe asegurarse de que se utiliza la misma población (o la incidencia de la enfermedad es la misma entre las poblaciones) cuando se comparan el VPP y el VPN para diferentes pruebas.
Valor Predictivo Negativo
El Valor Predictivo Negativo (VPN) es la proporción de aquellos con un análisis de sangre NEGATIVO que no tienen la Enfermedad X.
«Si tengo un análisis negativo, ¿cuál es la probabilidad de que no tenga la Enfermedad X»
VNP = Verdaderos Negativos / (Verdaderos Negativos + Falsos Negativos)
En otras palabras, el análisis de sangre identificó que el 95,7% de las personas con un análisis de sangre NEGATIVO, no tenían la enfermedad X.
Nota
El ejemplo utilizado en este artículo representa una prueba ficticia con una sensibilidad, especificidad y valores predictivos positivos y negativos muy altos. En escenarios reales, suele ser un reto crear una prueba con la máxima precisión en las cuatro áreas y, a menudo, las mejoras en un área están sujetas a sacrificar la precisión en otras áreas.
Resumen
Las pruebas de diagnóstico son un componente fundamental de la práctica médica eficaz. Ahora debería sentirse cómodo con los conceptos que hay detrás de las pruebas clínicas binarias. Tanto la sensibilidad y la especificidad como los valores predictivos positivos y negativos son métricas importantes cuando se habla de pruebas. Si desea profundizar en este tema, le recomendamos que empiece con las curvas ROC (Receiver Operating Characteristic). Este concepto va más allá del alcance de este artículo, pero se pueden encontrar explicaciones detalladas aquí (2).
Si le ha resultado útil este artículo, no dude en compartirlo y esté atento a otros blogs del Grupo de Aprendices Cochrane de Reino Unido e Irlanda (CUKI-TAG).
1. Merriam-Webster.com. Diagnóstico . Disponible en: https://www.merriam-webster.com/dictionary/diagnosis
2. Abdul Ghaaliq Lalkhen, Anthony McCluskey, Clinical tests: sensitivity and specificity, Continuing Education in Anaesthesia Critical Care & Pain, Volume 8, Issue 6, December 2008, Pages 221-223. https://doi.org/10.1093/bjaceaccp/mkn041
El autor: Saul Crandon
Saul es médico de la Fundación Académica de los Hospitales Universitarios de Oxford NHS Foundation Trust. Tiene un gran interés en la imagen médica y la promoción de la medicina basada en la evidencia, en particular entre los estudiantes y otros médicos jóvenes. Espera aumentar este interés formando parte del comité del Grupo Asesor de Becarios de Cochrane Reino Unido &Irlanda (CUKI-TAG). Lea esta biografía completa, y las biografías de los otros miembros del CUKI-TAG, aquí.