Cmo tomar decisiones en medicina clnica

Nociones de anlisis de decisiones aplicadas a ejemplos en Amrica Latina 2a edicin 2008

Jef Van den Ende Departamento de Ciencias Clnicas Instituto de Medicina Tropical de Amberes, Blgica Juan Moreira Centro de Epidemiologa Comunitaria y Medicina Tropical Esmeraldas, Ecuador Zeno Bisoffi Centro para las Enfermedades Tropicales, Hospital Sacrocuore Negrar,Verona, Italia

Una publicacin de:

Proyecto de Fortalecimiento de los Servicios Pblicos de Atencin de Salud en el Distrito Metropolitano de Quito

Cmo tomar decisiones en medicina clnica:

Nociones de anlisis de decisiones aplicadas a ejemplos en Amrica Latina
Autores: Jef Van den Ende Juan Moreira Zeno Bisoffi
Primera edicin. Quito 1998, 95 pginas Segunda edicin. Quito 2008, 132 pginas

ISBN: 978-9978-92-653-6 N de ejemplares: 2000

Ilustracin de portada:Toms Eskola Diseo e impresin: Imprenta Activa 2557 458 Disponible en:

www.saluddealtura.com
Se autoriza la reproduccin parcial, para fines no comerciales, citando la fuente. En caso de reproduccin total o adaptaciones, se requiere la autorizacin escrita de la Cooperacin Tcnica Belga (CTB). Se termin de imprimir en Octubre 2008

Contenido Tabla de contenidos Los autores Agradecimiento Lxico Presentacin

v ix xii xii 1 1 2 4 5 8 11 13 13 13 15 19 26 27 29 29 29 31 34 34 35 35 35 43 45 45 49 53 62

INTRODUCCIN
consideraciones previas el grado de certeza de un diagnostico los umbrales los argumentos el anlisis complejo conclusin

LOS

UMBRALES

introduccin umbral de decisin factores que afectan el umbral tratar o seguir investigando algunos ejemplos para comprender mejor conclusin

RELACIONES

ENTRE LOS ARGUMENTOS Y LAS HIPTESIS

introduccin ejemplo de criminologa ejemplo de medicina conclusin ejercicios

EL

PODER DE UN ARGUMENTO

introduccin definicin del poder simetra entre poderes de confirmacin y de exclusin patognomnico los determinantes de la fuerza

FUERZA

DE UN ARGUMENTO APLICADA A UN CONTEXTO CLNICO

representacin grfica conclusin

iii

EL

PANORAMA: ANLISIS DE RAZONAMIENTO CLNICO COMPLEJO

introduccin las leyes el inventario de datos la construccin del panorama ejemplo de panoramas conclusin

65 65 68 70 72 76 82 85 95 105

Apndice 1: Las escalas de probabilidad Apndice 2: El teorema de Bayes Apndice 3: Qu son los logaritmos?

iv

Los Autores

Jef Van den Ende MD. PhD.

Mdico internista belga, nacido en 1949. Hizo sus estudios de medicina y de especialidad en la Universidad Catlica de Leuven, Blgica. Ha desarrollado gran parte de su carrera en pases en desarrollo. Desde 1976 hasta 1982 trabaj para Medicus Mundi en el distrito de Dungu en la Repblica Democrtica del Congo (ex - Zaire). Desde el 2000 hasta el 2002 estuvo a cargo de la coordinacin docente en el Hospital Universitario de Kigali, en Rwanda. Ha colaborado intensamente en proyectos en Amrica Latina, especialmente en Ecuador y Bolivia. Es profesor de patologa tropical y analtica en el Instituto de Medicina Tropical de Amberes, Blgica. Actualmente es jefe del Departamento de Ciencias Clnicas en el mismo Instituto. Hizo su doctorado sobre malaria de importacin. Desde hace 20 aos ha dedicado gran parte de su carrera a la epidemiologa clnica en enfermedades tropicales, a la inteligencia artificial y a la enseanza interactiva con el uso de programas de computadora. Es el creador del programa Kabisa para la enseanza del anlisis de decisiones clnicas. Ha realizado varias publicaciones internacionales, principalmente relacionadas con la clnica de la malaria, malaria de importacin, sndrome hipereosinoflico, esplenomegalia tropical y anlisis de decisiones clnicas. Adems es revisor de las revistas Tropical Medicine & International Health y Medical Decision Making. Es tambin pianista clsico, ganador de varios premios en Blgica. Habla 8 idiomas, entre ellos el espaol. Est casado con Marijs y tiene tres hijos: Klara, Bram y Peter.

Juan M. Moreira MD. MSc.

Mdico ecuatoriano nacido en 1964. Hizo sus estudios de medicina en la Universidad Central de Quito y una maestra en Ciencias Biomdicas Tropicales en el Instituto de Medicina Tropical de Amberes, Blgica. Empez su carrera en la provincia de Esmeraldas en 1992 como mdico rural del Subcentro de San Francisco de Onzole. Entre 1993 y 1995 fue coordinador de la red de atencin primaria en el rea de Salud Borbn y desde 1997 hasta 2003 fue director e investigador del Centro de Epidemiologa Comunitaria y Medicina Tropical (CECOMET) con sede en la ciudad de Esmeraldas. Actualmente es coordinador cientfico y acadmico en el mismo Instituto e Investigador Asociado del Centro de Biomedicina de la Universidad Central del Ecuador. Adems es epidemilogo del Ministerio de Salud Pblica del Ecuador. Ha formado parte de equipos de trabajo que se encargan del control comunitario de malaria, oncocercosis, pian, tuberculosis y enfermedades cardiovasculares. Ha sido instructor de Epidemiologa en varios programas universitarios en Ecuador; desde 1998 es profesor invitado

vi

Autores

de Epidemiologa Clnica en el Postgrado de Medicina Tropical de la Universidad San Simn de Cochabamba en Bolivia y desde 2003 ha sido invitado como docente auxiliar de Patologa Analtica en el Diploma de Medicina Tropical del Instituto Prncipe Leopoldo de Amberes, Blgica. Desde 1997 ha mantenido una estrecha colaboracin con el Prof. Jef Van den Ende en la investigacin en toma de decisiones clnicas y actualmente es candidato para un doctorado por la Universidad de Amberes en ese tema. Est casado con Elisa Carbo, tiene dos hijos: Martn y Andrea.

Zeno Bisoffi MD. DTM&H

Mdico italiano nacido en 1955. Hizo sus estudios de medicina en la Universidad de Padova, Italia y la especialidad en Medicina Tropical, Higiene y Salud Pblica en la Escuela de Medicina Tropical de Londres, Reino Unido. Desde 1982 a 1985 trabaj en Nicaragua como cooperante de la ONG MLAL y desde 1986 a 1990 en Burundi como Primary Health Care Officer de UNICEF. Actualmente dirige el Centro para Enfermedades Tropicales del Hospital S. Cuore de Negrar, Verona; es profesor encargado de epidemiologia clnica de la Universidad de Brescia y docente invitado de la misma disciplina y de medicina tropical en otras universidades italianas y europeas. Es miembro del colegio de docentes del European Course in Tropical Epidemiology (ECTE) y ha sido director del mismo curso en las ediciones de 2000 y de 2005. Tambin es Secretario general de la Sociedad Italiana de Medicina Tropical (SIMET) y al mismo tiempo hace parte del Steering Committee de TROPNETEUROP (European Network on Imported Infectious Diseases). Actualmente es vice Presidente y Presidente electo de la Federacin de las Sociedades Europeas de Medicina Tropical (FESTMIH). Sus intereses cientficos se concentran sobre todo en los aspectos clnicos de la medicina tropical y en la epidemiologa clnica, en su aplicacion a la toma de decisiones. En estos aspectos colabora desde hace varios aos con el Prof. Jef Van den Ende. Ha ganado algunas medallas, la ms importante ha sido una de plata por haberse clasificado segundo de su categora en la Maratn atltica de la Habana en noviembre 2005 (medalla otorgada por el gran Alberto Juantorena). Est casado con Margherita Corradini y tiene tres hijos: Federico, Francesco y Marco.

vii

Agradecimientos:

Los autores agradecen a todas las personas que a lo largo de estos aos han colaborado para el desarrollo de esta propuesta. En la elaboracin del texto han contribuido Serge Bertschy y Fons Van Gompel. En el aporte de ideas y conceptos han contribuido Bettina Bisig, Hugo Van Puymbroeck, Bruno Dujardin, Patrick Van der Stuyft, Marleen Boelaert, Frank Haegeman y Paulin Basinga. La implementacin de los cursos e investigaciones en Amrica Latina estuvo apoyada al inicio por el equipo tcnico del Proyecto APS en Ecuador, de manera especial por Jos Castro, Leo Reyntjens y Pierre De Paepe. En Bolivia por Jan Coenen, Marjan Pirard y Faustino Torrico. Tambin agradecemos a Louis Vermeulen que, desde Amberes, se ha ocupado de la accesibilidad del Programa Kabisa para los estudiantes de todo el mundo y a las dems personas que han trabajado en la concepcin y el proceso de desarrollo de esta herramienta de tanta utilidad para los cursos. La presente edicin se pudo realizar gracias al apoyo de la cooperacin bilateral entre el Municipio del Distrito Metropolitano de Quito y el Reino de Blgica, en especial gracias al inters de los codirectores del Proyecto Salud de Altura, Ruth Lucio y Johan Herteleer. Finalmente queremos agradecer a los mdicos de Ecuador y Bolivia que han asistido a nuestros cursos, tanto para principiantes como para nivel avanzado, quienes han dado brillantes ideas para que este sueo siga adelante.

ix

LEXICO

Argumento:

Todos los elementos que son tiles para un diagnstico: edad, sexo, factores de riesgo, sntomas, signos, resultados de laboratorio e imagenologa. La probabilidad de que un paciente tenga la enfermedad estudiada, despus de reunir una serie de argumentos a favor y en contra. La tasa de verdaderos negativos en los pacientes que no tienen la enfermedad estudiada. Probabilidad de que un evento ocurra dividido para la probabilidad de que no ocurra. El poder intrnseco que un argumento tiene para confirmar una sospecha. La razn entre los verdaderos positivos y los falsos positivos en una muestra de pacientes. El poder intrnseco que un argumento tiene para excluir una sospecha. La razn entre los verdaderos negativos y los falsos negativos en una muestra de pacientes. La frecuencia de una enfermedad en la poblacin correspondiente. Proporcin de casos favorables dividido para todos los posibles. La tasa de verdaderos positivos en los enfermos. La probabilidad de que un paciente tenga la enfermedad estudiada, antes de empezar las investigaciones

Certeza:

Especificidad: Odds
(chances en espaol)

Poder de confirmacin:

Poder de exclusin:

Prevalencia: Probabilidad: Sensibilidad: Sospecha

xi

Presentacin1 Esta publicacin es fruto de aos de experiencia y gestacin de un grupo de eminentes autores: el Prof. Jef Van den Ende del Instituto Tropical de Amberes- Blgica, el Dr. Zeno Bisoffi del Centro de Enfermedades Tropicales de Verona- Italia y el Dr. Juan Moreira, del Centro de Enfermedades Tropicales de Esmeraldas - Ecuador; con la contribucin, no menos importante, de muchos mdicos, enfermeros/as, estadsticos e informticos europeos, africanos y latinoamericanos que han participado en actividades de docencia e investigacin en el tema.Tiene como objeto abordar un tema fundamental y complejo en la medicina: cmo tomar decisiones clnicas acertadas?, an cuando no se disponen de todos los elementos posibles. La enseanza tradicional de la medicina y su prctica se han orientado por siglos a acumular toda la informacin necesaria para diagnosticar y curar enfermedades, con la expectativa errnea, tanto de mdicos como de usuarios, de que se llegar a establecer un diagnstico con un grado de certeza cercano al 100%. Muchos asumen que la acumulacin de argumentos, en muchos casos indiscriminada e irracional, es el camino para llegar al diagnstico. Sin embargo, quienes trabajan en los servicios de salud, saben que la incertidumbre es una realidad permanente. La teora de la toma de decisiones clnicas brinda una respuesta a esta situacin, y permite manejar casos complejos con el grado de certeza requerido en cada uno. Este manual es una herramienta para entender la teora de la toma de decisiones clnicas y de manera progresiva adentrarse en cada uno de sus conceptos bsicos. Parte de la relacin entre los argumentos, que pueden ser signos o sntomas, resultados de laboratorio o de imgenes, y los posibles diagnsticos, con criterios de exclusin y de confirmacin. Contrariamente a la opinin generalizada, muchas veces es ms importante excluir ciertos diagnsticos que llegar a la certeza absoluta del diagnstico final. En un nio con fiebre alta sbita, excluir una meningitis, una neumona, un cuadro de malaria, una otitis, puede ser ms importante que confirmar la naturaleza de un cuadro viral mal definido, que se resolver en pocos das. Los autores exponen con claridad los diferentes modelos de toma de decisiones. Nos recuerdan que no es necesario llegar a certezas absolutas para actuar. Esto se hace evidente al revisar el modelo de umbrales: tomamos decisiones cuando superamos un punto a partir del cual el problema est suficientemente definido para actuar. Pero tambin, es necesario reconocer las situaciones en las que se puede esperar, sin correr riesgos El arte de no intervenir innecesariamente es posiblemente uno de los mayores desafos para el mdico. Las escalas de probabilidad permiten estimar, de manera intuitiva, pero con un respaldo de un modelo matemtico riguroso, la probabilidad de que una persona determinada tenga una
1

Este manual es una versin revisada de una edicin inicial que se realiz en el marco del Proyecto CECOMET en Esmeraldas en los aos 90, con un enfoque menos centrado en enfermedades tropicales, y ms en enfermedades comunes en climas templados. Los principios bsicos se pueden aprender en un curso introductorio de unas 20 horas, aunque el doble de tiempo es aconsejable para llegar a un entendimiento ms a profundidad. Va acompaado de un CDROM con ejercicios prcticos que se pueden realizar en casa (KABISA).

xiii

cierta afeccin o enfermedad (la que tambin se llama la probabilidad a priori), para despus de aplicar una serie de argumentos, poder confirmar o descartarla. Finalmente, estn los panoramas diagnsticos, que permiten integrar y aplicar los conceptos anteriores en una toma de decisiones clnica aplicada a la vida real. En un primer crculo estn aquellos posibles diagnsticos urgentes, graves y tratables, mientras que otros diagnsticos, aunque ms comunes, estn en crculos ms lejanos. Las ventajas del mtodo son numerosas, y el profesional que lo maneja bien termina por intuir, como un sexto sentido, cuales son las probabilidades 'a priori' de cierto diagnstico en grupos determinados de sexo y de edad, se dar cuenta de la fuerza de un argumento en un contexto determinado. Sabr que la probabilidad de que una prueba ELISA positiva en una persona con conducta sexual de riesgo, con prdida de peso y diarrea persistente, signifique VIH es altsima; mientras que la misma prueba en un screening de una poblacin de bajo riesgo tendr ms falsos que verdaderos positivos. Utilizar de manera espontnea los panoramas diagnsticos: en un nio con fiebre alta, querr descartar de manera inmediata una meningitis, una neumona, un episodio de malaria o una otitis media; en un recin nacido con vmito persistente, querr descartar una hipertrofia del ploro, un proceso infeccioso o una invaginacin intestinal. Este esquema de pensamiento a su vez llevar de manera inevitable a una exigencia mayor en hacer las preguntas correctas, buscar el signo preciso, pedir el examen que permite diferenciar entre una y otra patologa. Las ventajas no se limitan al mbito clnico, sino que permiten una organizacin de los servicios ms efectiva, orientada a las necesidades de cada situacin y paciente en general. Permiten forjar una prctica mdica ms tica y racional, eliminando algunos sesgos del mercado, demasiado expuesto a intereses comerciales.Tambin llevan los estndares de exigencia cientfica: las normas y protocolos nacionales debern no solamente basarse en evidencias cientficas, pero responder tambin a criterios de costo-efectividad. La aplicacin del mtodo requiere no solamente de una capacitacin inicial, que la deberan incluir todas las universidades en su pregrado de medicina, como parte de la formacin de base. Tambin requiere de un adiestramiento continuo, mediante su aplicacin en la prctica diaria, con crculos de estudio y procesos de capacitacin continua. La toma de decisiones clnicas se debera complementar con otros enfoques, entre los cuales estn: la medicina basada en evidencias, el uso de protocolos, el uso racional de medicamentos y la relacin mdico-paciente. Aunque los enfoques son distintos, y pueden parecer a primera vista contradictorios, en los hechos no lo son. El uso de protocolos y normas permite establecer las reglas del juego mnimas, mientras que la toma de decisiones permite llegar a la excelencia y afinar cada vez ms el juicio clnico. La medicina seguir siendo un arte, tanto como una ciencia.Y con un manejo adecuado de la toma de decisiones clnicas, podremos contar con artistas ms cientficos, que manejen las destrezas del manejo racional de las incertidumbres. Johan Herteleer Mdico Familiar y Co-director Proyecto Salud de Altura Quito, 30 de septiembre de 2008 xiv

1 Introduccion
Consideraciones previas
El mdico es un cientfico que posee un gran conocimiento bibliogrfico, pero, paradjicamente, no es gracias a este conocimiento que adquiere su prestigio. Este ms bien es consecuencia de la pertinencia de sus decisiones. Estas decisiones conciernen a la salud, el bienestar y la vida de sus pacientes. Son finalmente ellos quienes juzgan sobre la calidad del mdico en funcin de la satisfaccin alcanzada. Tranquilizar a una mujer que presenta un ndulo del seno luego de haber excluido un tumor mamario maligno, confirmar un diagnstico de neumona, prescribir el delicado tratamiento para una colagenopata, ordenar una cesrea en un sufrimiento fetal prolongado con el objetivo de proteger al nio que est por nacer, pedir una tomografa en un paciente que no podra asumir el costo.Todos estos son ejemplos de decisiones con las cuales un mdico est confrontado cada da. Cul es la base lgica de razonamiento que nos permite elaborar diagnsticos? Cul es la lgica que nos permite justificar nuestras decisiones y en ciertos casos ponernos al abrigo de crticas por parte de la sociedad? Cul es la parte de intuicin y de experiencia subjetiva que rige nuestra actitud diagnstica?

Un da en Azogues, en Ecuador, un mdico general de un centro de salud recibe a una muchacha de 25 aos proveniente de la amazona, regin tropical del pas. Ella presenta un estado gripal: fiebre, dolores musculares y articulares. El examen fsico es normal. Tomando en cuenta la ausencia de sntomas que sugieran una patologa grave le prescribe un antipirtico. Dos das ms tarde se entera de que su paciente ha sido hospitalizada por un absceso amebiano del hgado.

Tuvo razn el mdico de no investigar ms?, por otro lado tendr, de ahora en adelante, esta experiencia un peso particular cada vez que reciba un paciente febril? Puede la lgica diagnstica traducirse en un lenguaje formal, an matemtico? Esto nos permitira evitar ms fcilmente los eventuales errores de nuestro razonamiento, dando una base ms cientfica a nuestras actividades. La enseanza tradicional de la medicina tiene sus bases en la descripcin clsica de las diferentes patologas, pero forma muy poco a los estudiantes en la toma de decisiones para los casos menos clsicos. Por ejemplo, ningn mdico va a dudar en iniciar un tratamiento antituberculoso en un hombre adulto que ha adelgazado considerablemente, que tiene tos crnica y hemoptisis y en el cual el examen de esputo muestra bacilos alcohol cido resistentes (BAAR). Este caso corresponde a una descripcin tpica de tuberculosis pulmonar. Sin embargo no es raro encontrar, en algn hospital, pacientes con tos crnica, sin disminucin de peso, sin hemoptisis, con exmenes seriados 1

de esputo que no muestran BAAR, ni radiografas que muestren cavernas y que, pese a ello, tienen tuberculosis pulmonar.(1-3) Estos casos atpicos plantean problemas de decisiones que todo mdico tendra que saber como enfrentar.(4)

El grado de certeza de un diagnstico

Escala de certeza
Un hombre de 32 aos, soltero, de Sucumbos, Ecuador, se presenta en la consulta de un centro de salud con un cuadro de diarrea crnica, episodios de fiebre desde hace algunos das sin ningn otro signo de infeccin particular, adelgazamiento de 8 kg en dos meses. Por otra parte se queja de prurito y el examen clnico pone en evidencia adenopatas generalizadas y una candidiasis bucal. Con este cuadro clnico el mdico hace una referencia al hospital provincial donde piden exmenes complementarios, obteniendo una frmula leucocitaria que nos muestra leucopenia y un test rpido para VIH positivo. Se hace el diagnstico de SIDA.

De ahora en adelante vamos a llamar argumentos a todos los elementos que son tiles para un diagnstico: edad, sexo, factores de riesgo, sntomas, signos, resultados de laboratorio e imgenes. En este caso los argumentos que nos permiten avanzar hacia la certeza de nuestro diagnstico de SIDA son: edad joven, diarrea crnica, adelgazamiento, prurito, adenopatas, candidiasis, leucopenia y el test VIH. Desde una probabilidad muy inverosmil hasta la certeza casi absoluta, pasamos por ciertos grados de certeza que podran ser calificados con adjetivos.(Figura 1.1) En nuestro caso podemos decir que, solo con el argumento de la edad, este paciente tena una probabilidad cercana a 0% de estar enfermo de SIDA; la edad y la diarrea crnica, luego la fiebre y el adelgazamiento nos hacen avanzar en la escala de certeza; los exmenes hematolgicos y serolgicos permiten afirmar con certeza el diagnstico de SIDA, llegando finalmente a una probabilidad cercana al 100%.
Figura 1.1: Escala de certeza.

A la izquierda se observa la escala de probabilidad en porcentaje, a la derecha estn las categoras nominales que podran corresponder a la escala cuantitativa.

Introduccin

Para muchos de nosotros es ms fcil comprender un concepto que una cifra: si un paciente nos pregunta: Qu probabilidad tengo de tener SIDA? (sin presentar ningn sntoma de la enfermedad), decirle que tiene una probabilidad de 0.01% le explicar menos que si le contestamos que es "poco probable" que tenga la enfermedad. Sin embargo encontrar una correspondencia precisa entre un concepto y una cifra es muy difcil. Si pedimos a algunos mdicos que califiquen con adjetivos las probabilidades expresadas en porcentajes las respuestas van a ser muy diferentes. Para algunos decir poco probable corresponder a una probabilidad de 30%, mientras que para otros corresponder a una probabilidad del 1%. Por esta razn en lo que sigue del texto no continuamos con categoras fijas, puesto que ellas difieren mucho entre las personas, sin embargo trataremos de hacer que las probabilidades matemticas sean fcilmente comprensibles. Cada argumento que investigamos en un paciente contribuye a aumentar la certeza de la enfermedad que sospechamos. Del mismo modo, cuando un argumento es negativo, por ejemplo el paciente no tiene fiebre, obtenemos informacin que nos hace reducir la probabilidad de la enfermedad. La integracin de todos estos datos en la escala de certeza, es lo que nos hace llegar a una probabilidad final de diagnstico. En la figura 1.2 vemos una serie de argumentos que representan la evolucin del valor de la probabilidad del diagnstico de SIDA sobre una escala de certeza: cada argumento anamnsico, clnico o paraclnico suplementario acta sobre el valor de esta probabilidad; sin embargo, un solo argumento (por ejemplo el test serolgico rpido para VIH) tiene un valor relativo y, por s solo, no es suficiente para alcanzar un nivel de certeza absoluto.
Figura 1.2: Evolucin de la sospecha clnica de SIDA en la escala de certeza.

Cada argumento aadido a la probabilidad anterior contribuye a cambiar la probabilidad final. Con la presencia solo de diarrea la probabilidad de SIDA es baja. Si adems de diarrea hay adelgazamiento la probabilidad va a aumentar.Todo paciente parte de una probabilidad de inicio cuando est en la sala de espera.

El punto de partida en la sala de espera

Todo paciente que est en la sala de espera de nuestro consultorio es sospechoso de padecer algn problema de salud. Cuando vemos a todos los pacientes que estn all sentados identificaremos a algunos que ya conocemos previamente: son aquellos que vienen para un seguimiento o estn siendo investigados para conocer mejor la causa del problema. En estos pacientes conocidos ya tenemos una idea de cul es la probabilidad del problema que les aqueja; sin embargo hay otros a quienes nunca antes hemos visto. Estos pacientes desconocidos tambin son sospechosos de tener alguna enfermedad, an si no conocemos nada de ellos. Por algo estn en la sala de espera. Si somos mdicos generales la mayor parte de los pacientes tendrn una infeccin respiratoria o una infeccin de vas urinarias, si somos neumlogos la mayor parte tendrn un EPOC. La primera pregunta de anamnesis que haremos tiene que ser aadida a esta probabilidad inicial o sospecha. Si no lo hacemos todo el resto de nuestro razonamiento estar equivocado.

Los umbrales
Qu grado de certeza debemos alcanzar para anunciar a un paciente que tiene lepra cuando esta enfermedad es an considerada como una maldicin? Cundo ordenaremos una pielografa ascendente en un paciente con una hidronefrosis? sabiendo que dicho examen podra provocar una sepsis, o que podra hacerse una perforacin del urter Cundo tenemos argumentos suficientes para comenzar un tratamiento de una neumona con una fluoroquinolona de tercera generacin, conociendo que el costo de un tratamiento de 10 das podra llegar a ser de ms de 100 dlares? Cundo podemos tranquilizar a un paciente que tiene un test VIH positivo y decirle que no era ms que un falso positivo? Toda hiptesis diagnstica tiene una cierta probabilidad de ser la patologa que sufre nuestro paciente: los argumentos investigados van a aumentar esta probabilidad si son positivos, pero no permiten (o muy rara vez) alcanzar una certeza absoluta. Por eso es necesario conocer donde est el umbral que tenemos que sobrepasar para iniciar cualquier tipo de accin mdica (umbral de accin). As mismo, si los argumentos son negativos, estos van a disminuir nuestra certeza frente a la hiptesis. Sin embargo es necesario conocer dnde se encuentra el umbral que nos permita abandonar dicha hiptesis (umbral de exclusin). Mientras nuestro grado de certeza no haya alcanzado el valor de cualquiera de estos dos umbrales, debemos continuar investigando argumentos suplementarios o utilizar la evolucin en el tiempo como un argumento suplementario (Figura 1.3). (5; 6)

Introduccin

Figura 1.3 Los umbrales.

Los dos umbrales, de accin y de exclusin subdividen la certeza en tres campos: el campo de accin, el campo de investigacin y el campo de exclusin.

El umbral de decisin vara en funcin de la enfermedad que estamos sospechando y del contexto en el cual estamos trabajando. Una enfermedad grave o muy contagiosa nos har actuar ms rpidamente, es decir que tendr un umbral bajo. Un tratamiento caro o peligroso nos har esperar un poco antes de actuar, es decir que pondremos el umbral ms arriba. Adems de estos factores, que son ms o menos objetivos, existen otros factores subjetivos como las expectativas del paciente, la situacin socio-econmica, la carga moral que tenga para el mdico la iatrogenia. Esto nos permite comprender, por ejemplo, porqu no es necesario confirmar el diagnstico de una gripe con exmenes serolgicos mientras que es esencial confirmar el de sarcoma de tibia antes de decidir la amputacin del miembro inferior. Esto nos permite tambin comprender porque el valor de un umbral difiere segn el contexto en el cual se trabaja: en medicina de catstrofe, la prioridad es salvar el mayor nmero posible de vidas antes que tratar a todos a cualquier precio. As mismo, el umbral de accin necesario para decidir hacer una cesrea de emergencia en un hospital rural durante una guardia en la noche ser mucho ms alto que en un hospital de especialidades.

Los argumentos
Confirmar un diagnstico
Las adenopatas pueden ser causadas por un gran nmero de patologas mientras que una candidiasis bucal en un adulto joven es ms especfica que el diagnstico de SIDA. Podemos entonces subdividir los argumentos en funcin de su fuerza: argumentos dbiles, argumentos buenos, argumentos fuertes y argumentos muy fuertes, estos ltimos por s solos nos permitirn subir mucho en la escala de certeza (Fig. 1.4).

Figura 1.4 Escala de certeza con la fuerza de los argumentos

El tamao de cada flecha representa la ganancia en probabilidad que un argumento tiene. Un argumento dbil nos hace ganar medio paso, un argumento bueno un paso, un argumento fuerte un paso y medio y un argumento muy fuerte dos pasos.

Si retomamos ahora los argumentos de nuestro paciente tomando en cuenta su fuerza y los representamos en una escala de certeza, obtendramos un cuadro mucho ms preciso como el que se encuentra en la Figura 1.2. Siguiendo este mismo razonamiento, que podramos decir de la fuerza de argumentos tales como un estado febril o una gota gruesa positiva en el cuadro del paludismo por P. falciparum?, qu fuerza tiene el hallazgo de un nio somnoliento para confirmar una meningitis bacteriana?, cul es la fuerza del "signo de Romaa" (edema bipalpebral unilateral) en la enfermedad de Chagas?, la palidez conjuntival es un buen argumento para una carencia de hierro? Un buen ejercicio es tratar de responder a estas preguntas con cuadros similares al de la Figura 1.4, donde el argumento estudiado est representado por una flecha cuya longitud es ms o menos proporcional a su fuerza.
Un hombre de 42 aos ingresa por fiebre y dolor abdominal localizado en el hipocondrio derecho, irradiado hacia atrs. Se queja adems de hematuria y disuria. Al examen fsico la fiebre es de 39, se observan movimientos continuos en bsqueda de una posicin antlgica, los puntos renales son positivos a la palpacin y hay evidencia de dolor a la percusin. El examen de orina est normal, la ecografa no muestra hidronefrosis ni clculos.Se ha iniciado un tratamiento con antiespasmdicos y antibiticos, pero la evolucin no es favorable: el paciente contina con dolor intenso.

Excluir un diagnstico
Varias preguntas pueden ser hechas: El dolor en hipocondrio derecho es un argumento fuerte para una colecistitis? La ausencia de hemates en el examen de orina sera un fuerte argumento de exclusin de una litiasis renal? 6

Introduccin

Una ecografa que no muestra hidronefrosis ni clculos excluira el diagnstico de litiasis renal? Cul es la fuerza de exclusin de la ausencia de ictericia para colecistitis? Aunque los mdicos a veces no consideramos la ausencia de un signo o sntoma, el resultado negativo de un examen contribuye notablemente en el razonamiento clnico. Una tarea fundamental en el trabajo de un mdico es excluir enfermedades que puedan poner en riesgo la vida del paciente o generar una discapacidad severa. As como un argumento positivo tiene una cierta fuerza para confirmar, los argumentos negativos tienen tambin una fuerza para excluir, la cual puede ser representada en la escala de certeza.

Asimetra de un argumento
Si la presencia de un argumento tiene un fuerte poder de confirmacin, tiene necesariamente su ausencia un fuerte poder de exclusin? Las fuerzas de confirmacin y de exclusin de un argumento pueden ser asimtricas. Por ejemplo, si encontramos un clculo en una ecografa renal el diagnstico de litiasis es indudable, pero qu pasa si la ecografa renal est normal? Podemos, con este dato, excluir una litiasis?; por otro lado, la presencia de fiebre contribuye un poco a pensar en el diagnstico de colecistitis, pero qu pasara si el paciente no tuviera fiebre?, podramos excluir una colecistitis?

Los determinantes del poder de un argumento

Cules son los criterios que determinan la fuerza de confirmacin o de exclusin de los argumentos? Los argumentos patognomnicos de una enfermedad tienen, cuando son encontrados, una gran fuerza de confirmacin del diagnstico: as, por ejemplo, la micrografa en la enfermedad de Parkinson, una imagen radiolgica de balas de can en metstasis pulmonares de un adenocarcinoma. La fuerza de exclusin de un diagnstico ser por el contrario mxima para los argumentos indispensables en la definicin de caso, cuando estos estn ausentes: la ausencia de hiperglicemia en un nio comatoso que antes se encontraba en buen estado de salud excluye el diagnstico de diabetes, as mismo la ausencia de hipotensin excluye un choque hipovolmico. Entre estas dos clases extremas se encuentran los argumentos que son encontrados con ms frecuencia y que tienen variable poder de confirmacin y de exclusin de los diagnsticos: la presencia de palidez en una paciente que se queja de fatiga crnica es, por ejemplo, un buen argumento de una carencia de hierro, su ausencia, por el contrario, no tiene prcticamente ninguna fuerza de exclusin de dicho diagnstico. La fuerza de un argumento depende de la frecuencia con la que encontremos resultados falsos. La fiebre se encuentra presente en un gran nmero de enfermedades, adems de la malaria. Eso quiere decir que hay fiebres falsamente positivas para malaria, lo cual le quita fuerza de confirmacin a la fiebre. As mismo, aproximadamente nueve de cada diez pacientes con tuberculosis menngea presentan un BAAR falsamente negativo en el LCR, lo cual disminuye notablemente la fuerza de exclusin a este examen. 7

El anlisis complejo
Las diferentes estrategias diagnsticas
Al principio de su obra de epidemiologa clnica el profesor Sackett cita cuatro estrategias principales que son utilizadas regularmente por los mdicos, en su actividad cotidiana de diagnstico:(7) La primera consiste en reconocer inmediatamente la patologa del paciente cuando hay elementos fsicos evidentes que corresponden a cierta descripcin clnica; as en ciertas malformaciones congnitas (labio leporino, pie equino, polidactilia, ...), en anomalas cromosmicas (sndrome de Down, Sndrome de Turner, ...) y en diferentes estados patolgicos en los cuales uno de los signos o el conjunto de ellos son fcilmente reconocibles (el aliento del insuficiente heptico, el olor de las heces en una hemorragia digestiva, el cuadro clnico del Kwashiorkor, la erupcin de la varicela, la hidrofobia de la rabia, los movimientos del Parkinson,...). A esto se le llama el reconocimiento de un patrn. Es evidente que la capacidad del mdico que le permite reconocer un diagnstico de la forma antes mencionada depende mucho de su experiencia: a fuerza de haber encontrado varios pacientes con una misma enfermedad es capaz de reconocer ms fcilmente su aspecto. La segunda estrategia se basa en algoritmos, a partir de una informacin o de un grupo de argumentos se sigue una lista de preguntas en las cuales la respuesta, frecuentemente dicotmica, lleva a una segunda pregunta precisa. sta es la estrategia recomendada por los programas dirigidos a enfermeros o promotores de salud en los dispensarios rurales y permite tamizar una mayora de diagnsticos posibles (diarrea, infeccin respiratoria aguda, fiebre, ...), quedando gran parte para resolver en ese nivel y otros para referencia a un nivel de mayor complejidad. Las universidades frecuentemente ensean la tercera estrategia que permite hacer un diagnstico en base a un inventario completo (anamnesis, examen fsico, exmenes paraclnicos). Cuando observamos las fichas de hospitalizacin en los diferentes hospitales, nos damos cuenta de la diversidad de opiniones frente a este concepto de anamnesis y de examen fsico completos; y es as, por ejemplo, que no es raro observar que un servicio hospitalario pida a sus internos que completen la seccin de antecedentes personales hasta el punto de citar, de forma extensa, todas las enfermedades de la infancia, incluyendo la reaccin del paciente a todos los frmacos que ha recibido hasta aquel da. Es evidente, por una parte, que esta prctica aumenta mucho el trabajo del mdico desde el ingreso de su paciente sin que esto le aporte muchos argumentos pertinentes sobre el problema actual de ste; por otra parte se puede esperar que las respuestas del paciente no siempre correspondan a la realidad. Luego de esta observacin, podramos decir que cada estudiante debera ser capaz, al final de su formacin, de ejecutar una anamnesis y un examen fsico con todos los detalles, pero que debera ser rara la ocasin en la que todos los argumentos tendran que ser pedidos.

Introduccin

La cuarta estrategia es la que nos interesa y que tiene sus bases en una investigacin orientada (Sackett la llama hypothetico-deductive strategy) a uno o varios argumentos (anamnsicos, clnicos o paraclnicos). El mdico elabora una lista de hiptesis compatibles con sus primeros argumentos. Enseguida investiga argumentos suplementarios, con un fuerte poder de confirmacin o de exclusin, que le permiten as discernir poco a poco la hiptesis que le parece ms probable. Aceptar esta hiptesis como el diagnstico de su paciente a partir del momento en que los argumentos le hayan permitido alcanzar el umbral requerido para actuar.
Ejemplo para apreciar las diferentes estrategias: Un hombre de 45 aos, chofer de un camin en la costa ecuatoriana, es transferido a un hospital de especialidades con una historia de fiebre, por la cual un mdico le ha prescrito quinina hace tres das. Al da siguiente la orina est muy oscura. Al momento del ingreso en urgencias, el clnico constata palidez y una ligera ictericia. El laboratorio confirma una anemia profunda, una bilirrubina indirecta de 3 mg/dl y una gota gruesa ligeramente positiva para P. falciparum. La combinacin de la quinina, la gota gruesa dbilmente positiva, la orina oscura, la ictericia y la anemia profunda permiten al clnico "reconocer" inmediatamente un "sndrome de fiebre hemoglobinrica biliosa. Tomando en cuenta el riesgo asociado a un tratamiento con quinina o sus anlogos como la mefloquina o halofantrine, instaura un tratamiento con artemisina. Inmediatamente inicia una bsqueda activa de otras causas de hemlisis. El paciente se queja tambin de dolor abdominal y en el examen fsico hay una ligera sensibilidad del abdomen. Una ecotomografa abdominal muestra esplenomegalia moderada (14 cm) y un poco de lquido en la cavidad peritoneal. Estos datos y el tinte vidrioso del paciente no le agradan para nada al clnico; adems su intuicin le incita a pedir una hospitalizacin en cuidados intensivos para una supervisin ms cercana. El mdico jefe del servicio de cuidados intensivos lo admite, pero no comprende la inquietud del clnico y cuestiona su motivacin.

En este momento el clnico ha cambiado su estrategia diagnstica: cuestiona su hiptesis inicial y trata de combinar todos los argumentos:
Supongamos que la orina negra era solamente orina muy oscura, podra tratarse de un paludismo tratado insuficientemente. Por otra parte, la combinacin de paludismo y de lquido en el vientre no concuerda ms que con una hiptesis: ruptura espontnea del bazo

De esta forma cambi su estrategia de "reconocimiento del cuadro clnico" por "investigacin orientada". Ordena una transfusin y profundiza la anamnesis, esto lo lleva a obtener informacin sobre dos sncopes en los das precedentes.
El paciente es estabilizado y transferido a sala donde el interno de guardia reconstituye toda la historia clnica, con el clsico mtodo universitario:"inventario completo". La anamnesis sistemtica revela un accidente leve en el camin hace un mes, en el cual el paciente se golpe con la puerta en el hipocondrio izquierdo. Sufri dolores intensos durante algunas horas. Adems el paciente dijo haber tenido picos febriles en los 6 meses precedentes.

Estos nuevos datos permiten dibujar la historia real: crisis regulares de paludismo causaron una ligera esplenomegalia, el accidente provoc una fisura del bazo con 9

hemorragia subcapsular, la ltima crisis de malaria provoc un aumento del tamao del bazo que a su vez provoc una verdadera ruptura. Este ejemplo muestra que diferentes estrategias son a menudo utilizadas consecutivamente o al mismo tiempo en un paciente en particular.

El panorama diagnstico
Hasta aqu hemos considerado los argumentos frente a una sola hiptesis diagnstica y esta reflexin es muy terica; en la realidad, en una consulta, jugamos con varios argumentos con el fin de alcanzar un umbral de accin para una de las hiptesis compatibles con los sntomas y signos del paciente, habiendo al mismo tiempo alcanzado el nivel mximo de exclusin de otras patologas sospechadas.

Un paciente de 58 aos, faenador de carne en el camal, consulta en un centro de salud por presentar fiebre reciente, cefalea, dolor muscular, ictericia y decaimiento. El mdico en la consulta lo examina y encuentra una hepatomegalia. Inmediatamente piensa en una hepatitis viral y lo enva a su casa, recomendndole reposo y prescribiendo antitrmicos. Cinco das ms tarde los familiares del paciente lo llaman con urgencia porque su estado se ha deteriorado mucho. La ictericia ha aumentado significativamente, se observan prpuras, equimosis, y esclerticas anaranjadas. Est oligrico y se est desarrollando un edema pulmonar. El mdico decide referirlo de inmediato al hospital en donde se realizan exmenes complementarios encontrando un aumento significativo de la bilirrubina sin cambios en las enzimas hepticas y una linfocitosis con aumento de polimorfonucleares. Todo esto, incluido su antecedente ocupacional lleva a pensar en una leptospirosis, por lo que se inicia tratamiento con penicilina.

La ictericia tiene un gran panorama de hiptesis diagnsticas entre las cuales se encuentra efectivamente la hepatitis viral, pero tambin el cncer de pncreas, la cirrosis, una colecistitis, una colelitiasis, la malaria, la pancreatitis, la fiebre amarilla y por supuesto la leptospirosis. El mdico debe, ante este panorama, precisar la hiptesis correcta en funcin de los diferentes argumentos que pueden estar presentes o ausentes en el cuadro clnico (fiebre, dolor muscular, cefalea, hepatomegalia, aumento de la bilirrubina...) hasta alcanzar el umbral de confirmacin de este diagnstico y el umbral de exclusin de otras patologas que tambin podran tener repercusiones graves en la salud del paciente. El error en este caso consisti en quedarse con el diagnstico ms frecuente en la zona de procedencia del paciente, el cual puede efectivamente explicar la ictericia, la fiebre, la cefalea, la hepatomegalia y el decaimiento; pero esto signific no tomar en cuenta otras enfermedades que podran ser graves y que adems son tratables, como es el caso de la leptospirosis. En este paciente, el hecho de no haber considerado la posibilidad de que la sintomatologa pueda corresponder a una leptospirosis pudo significar un retraso del tratamiento con graves consecuencias para la vida del paciente. Escoger entre una multitud de hiptesis a menudo no es claro y no existen directivas universales que ofrecer.

10

Introduccin

Las apariencias engaan. Por un lado, no es conveniente dejarse seducir por una hiptesis plausible con todos los argumentos que se tienen hasta el momento, pero por otra parte, nuestro rol como mdicos es el de ponderar nuestros esfuerzos en la investigacin de un diagnstico grave, pero que no es tratable.
Figura 1.5 El panorama diagnstico.

En el primer crculo se encuentran las enfermedades graves y/o tratables, en el segundo las menos graves o sin tratamiento especfico, que pueden esperar hasta que se hayan excluido todas las del primer crculo.

Conclusin
Luego de esta introduccin queda claro que: No es necesario alcanzar una certeza absoluta sea cual fuere el diagnstico que tengamos para emprender una accin: cada enfermedad tiene su propio grado de certeza requerido, dependiendo de una multitud de factores. Podramos decir que en medicina la meta no es dar un diagnstico, sino ayudar al paciente, resolver su problema, sirvindose de una sospecha de causa, de un diagnstico. Tampoco es necesario llegar siempre a una probabilidad cero en un determinado paciente para excluir una hiptesis. Salvo en casos excepcionales un solo argumento no es suficiente para hacer un diagnstico, o para alcanzar un grado de certeza suficiente para actuar. Cada argumento tiene un poder de confirmacin y de exclusin para una patologa determinada. Estos poderes (de confirmacin y de exclusin) no son necesariamente simtricos, en la mayora de casos son asimtricos. La sospecha clnica (el punto de partida) es tan importante como la fuerza de los argumentos recogidos para determinar el grado de certeza obtenido. El camino a seguir entre una serie de hiptesis en un paciente en particular puede ser difcil y no sigue reglas fijas, sin embargo un esquema panormico que permita priorizar lo grave y tratable, valorando la fuerza de los argumentos a pedir, podra hacer ms eficiente el razonamiento clnico. 11

En el transcurso de los diferentes captulos que seguirn intentaremos desarrollar estas nociones para terminar en una tentativa de modelo de anlisis complejo: el "panorama".

Los 5 grandes principios de la lgica clnica:

1. Si una enfermedad es poco frecuente en una regin, necesitamos ms o mejores argumentos, o argumentos que en una regin donde es frecuente. La fuerza de un argumento jams es infinitamente grande. La mayora de los argumentos son asimtricos Cada enfermedad tiene un umbral de accin y de exclusin. Un diagnstico diferencial sigue prioridades bien definidas.

2.

Este texto tiene sobretodo la 3. ambicin de sensibilizar al lector respecto a las bases del anlisis de 4. decisiones. Los ejercicios propuestos no son ms que una ilus5. tracin y no reemplazan de ninguna forma una enseanza interactiva entre un profesor y varios grupos pequeos conformados por 4 a 5 participantes: en una enseanza de este tipo algunos argumentos son propuestos a los diferentes grupos, los cuales tratan en conjunto de describir el panorama de hiptesis con estos argumentos y de identificar los argumentos suplementarios que tienen un fuerte poder de confirmacin y de exclusin, permitiendo as llegar al diagnstico ms probable (o ms til). El trabajo de grupo permite a cada participante confrontar su razonamiento al de sus colegas y percibir la pertinencia o los errores. Una enseanza completa tendr una fase de comprensin del anlisis de decisiones (el objetivo de estudio de esta obra). Luego vendr una fase de aprendizaje durante la cual cada participante, con la ayuda de un cierto nmero de ejercicios, se familiarizar con la metodologa. Esto le permitir llegar a una fase de dominio en la que ser capaz de utilizarla sin esfuerzo en su prctica diaria.

Referencias
(1) Carvalho de Queiroz Mello F, Do Valle Bastos LG, Machado Soares SL, Rezende VMC, Barreto Conde M, Chaisson RE, Kritski AL, Ruffino Netto A, Loureira Werneck G. Predicting smear negative pumonary tuberculosis with classification trees and logistic regression: a cross sectional study. BMC Public Health 2006; 6:43-50. Siddiqi K, Lambert ML, Walley J. Clinical diagnosis of smear-negative pulmonary tuberculosis in low-income countries: the current evidence. Lancet Infect Dis 2003 May;3(5):288-96. Kanaya AM, Glidden DV, Chambers HF. Identifying pulmonary tuberculosis in patients with negative sputum smear results. Chest 2001 Aug;120(2):349-55. Hall KH. Reviewing intuitive decision-making and uncertainty: the implications for medical education. Med Educ 2002 Mar;36(3):216-24. Pauker SG, Kassirer JP. Therapeutic decision making: a cost-benefit analysis. N Engl J Med 1975 Jul 31;293(5):229-34. Pauker SG, Kassirer JP. The threshold approach to clinical decision making. N Engl J Med 1980 May 15;302(20):1109-17. Sackett D, Haynes R, Guyatt GH, Tugwell P. Clinical Epidemiology: a basic science for clinical medicine. 2 ed. Boston: Little, Brown and Company; 1991.

(2) (3) (4) (5) (6) (7)

12

2 LOS UMBRALES
Introduccin
En los libros de medicina se pueden encontrar los diagnsticos diferenciales de los diversos cuadros clnicos, los exmenes complementarios para confirmar las hiptesis y los tratamientos de cada una de las patologas sospechadas. Sin embargo, la verdadera dificultad en el trabajo del mdico no es la adquisicin de este conocimiento libresco, sino confirmar o excluir una hiptesis, comunicar el diagnstico de una patologa grave, justificar la prescripcin de un tratamiento caro o peligroso, ordenar exmenes suplementarios potencialmente peligrosos, ordenar medidas de profilaxis general cuando se corre el riesgo de que una epidemia se extienda. El principal problema, entonces, es el de determinar el nivel de certeza a partir del cual se justifica iniciar cualquier accin mdica o detener la investigacin de una causa. Este nivel de certeza constituye un umbral. Si luego de haber hecho la investigacin de una sospecha clnica, usando los medios diagnsticos disponibles, sobrepasamos este umbral, podemos iniciar una accin mdica. Si el umbral no ha sido sobrepasado se hace necesario pensar si la enfermedad que sospechamos no ha sido excluida, es decir si hemos ido ms all del umbral de exclusin. En varios artculos y libros se pueden encontrar procedimientos matemticos muy complejos que permiten calcular el valor de estos umbrales;(1-3) sin embargo nuestra meta en este texto no es la de repetir esos fundamentos tericos, si no ms bien de poder sensibilizar a nuestros lectores en la nocin de los umbrales en el contexto de la toma de decisiones mdicas y en los factores que influyen en sus valores, con el objetivo de que estos puedan ser estimados de una forma intuitiva pero al mismo tiempo racional.

Umbral de decisin
La probabilidad que tiene un paciente de estar afectado por una enfermedad en particular puede variar entre 0% y 100%. Dentro de este rango A partir de que grado de certeza podemos o debemos iniciar una accin contra esta enfermedad? Empecemos con un ejemplo:
Una nia de 4 aos fue llevada por su madre a la consulta de un centro de salud de la capital. La nia empez 12 horas antes con un estado febril y taquipnea. Durante el examen fsico el mdico encontr crepitantes en la auscultacin. El resto del examen fsico fue normal.

Ante este cuadro el mdico decidi comunicar el diagnstico de neumona a la madre y prescribi un tratamiento con amoxicilina - acido clavulnico, recomendndole que regrese en caso de no haber mejora. No consider indispensable pedir una radiografa de trax, menos an un cultivo de secreciones. Con los pocos argumentos de su anamnesis y del examen clnico, lleg a un nivel de certeza suficiente para poder actuar (comunicar el diagnstico y prescribir el tratamiento), sin haber necesitado ir ms lejos en su investigacin diagnstica.

13

Figura 2.1 Umbral de decisin

El umbral de decisin puede encontrarse en cualquier lugar dentro del rango de cero a 100 %. Mientras ms alto est, ms seguros debemos estar antes de actuar.

Si traducimos esta conducta al lenguaje de toma de decisiones clnicas podramos decir que el mdico alcanz el umbral necesario para actuar. Por eso comunic el diagnstico de neumona a la madre y prescribi al mismo tiempo el tratamiento necesario. Considerando que no lleg a una certeza absoluta de que en realidad se trataba de una neumona podramos decir que, al no haber pedido ms exmenes, corri el riesgo de iniciar un tratamiento con antibitico para alguien que no tena la enfermedad. Si, por el contrario, hubiera preferido esperar hasta tener un cultivo de secreciones, hubiera corrido el riesgo de dejar sin tratamiento a alguien que lo necesitaba. De eso precisamente se trata el umbral de decisin! Es un juego de equilibrio entre el riesgo de tratar y no tratar. Implica poner en una balanza los pros y los contras, los beneficios y los riesgos, incluyendo los costos de la decisin. Mientras ms arriba situemos al umbral (acercndose a 100%), ms riesgo corremos de considerar equivocadamente a un buen nmero de pacientes como personas sanas mientras que en verdad sufren de una patologa (falsos negativos) y, por consecuencia, los dejamos sin el tratamiento que necesitan. Esta situacin es particularmente nefasta cuando la enfermedad es grave (causa mortalidad o invalidez, por ejemplo, la meningitis bacteriana), cuando es vulnerable por una accin teraputica (por ejemplo, un antibitico) o cuando se corre el riesgo de tener graves consecuencias sobre el medio (por ejemplo, una enfermedad epidmica) (Figura 2.1). En cambio, si situamos el umbral muy abajo (cerca de 0%), ms riesgo tenemos de considerar errneamente a un buen nmero de personas sanas como enfermas afectadas por cierta patologa (falsos positivos), tratndolas innecesariamente. Esto es particularmente peligroso en casos en los cuales el tratamiento lleva consigo un riesgo potencial para la salud como, por ejemplo, cuando pensamos iniciar una terapia con suero antiofdico para la mordedura de una serpiente que no ha sido identificada, dado el riesgo que se corre de tener una reaccin anafilctica o, como cuando se piensa hacer una ciruga que pueda acarrear hemorragias, infecciones o lesiones de rganos. Esto tambin se aplica cuando el tratamiento es caro o largo (por ejemplo, hipertensin 14

Los umbrales

arterial esencial, diabetes) o cuando la enfermedad puede acarrear un rechazo al paciente por la sociedad (por ejemplo, el SIDA o la lepra).

Factores que afectan el umbral de decisin

Varios factores afectan o influyen en el valor de certeza necesario para la decisin. Aqu trataremos de mostrar los principales y de examinar su influencia.
Figura 2.2 Factores que influyen en el umbral

Los factores objetivos: la enfermedad y el tratamiento

En la figura 2.2 se encuentran representados los factores clave que influyen en el umbral de decisin. De hecho, este umbral podra ser definido como el punto de equilibrio entre los efectos nefastos de una enfermedad no tratada (falsos negativos), por un lado, y los efectos secundarios del tratamiento en las personas que no tienen la enfermedad en cuestin (falsos positivos). La mayor parte de los dems factores actan sobre el umbral de decisin por la influencia que ejercen sobre estos dos factores clave.

La enfermedad
La gravedad de la enfermedad: Es importante, por ejemplo, tratar los estados de preeclampsia, puesto que su evolucin puede ser fatal para la paciente y el feto: en caso de una enfermedad grave y tratable, el umbral de decisin a partir del cual se decide iniciar un tratamiento ser bajo con el fin de tener muy pocos falsos negativos, es decir enfermos sin tratar. La gravedad hay que entenderla como lo que podra pasar si dejamos a un enfermo sin su tratamiento. Las consecuencias sobre el ambiente: Ser necesario emprender precozmente medidas profilcticas contra toda enfermedad epidmica grave (clera, peste, fiebre amarilla,...) para evitar la propagacin desastrosa a toda la poblacin circundante1. Su umbral ser bajo (una probabilidad baja puede ser suficiente para emprender una accin en contra). No solo las enfermedades epidmicas tienen repercusiones en el medio.Tambin las
Si con el tiempo estas medidas son intiles, al estar el diagnstico de una de estas enfermedades excluido, se podr detener las medidas que, por otro lado, no habrn hecho correr un riesgo particular al paciente.

15

enfermedades que influyen sobre la capacidad de respuesta de las personas ante ciertas situaciones tienen un efecto negativo en el medio, por ejemplo un chofer del trole que tiene crisis epilpticas. Imaginen las consecuencias desastrosas que pueden ocurrir!

El tratamiento
La eficacia Es obvio que si una enfermedad es tratable bajar el umbral de decisin. Por el contrario, muchas enfermedades no son tratables, o la logstica de un tratamiento es muy complicada en algunos contextos (SIDA, enfermedades tumorales, infecciones multirresistentes, insuficiencia renal crnica, enfermedades muy graves que necesitan una estructura de cuidados intensivos, hipertensin arterial esencial). Esto explica la razn por la cual para algunas enfermedades el umbral de decisin es ms elevado en un pas con escasos recursos que en un pas rico. Sin embargo, esto no justifica el hecho de que en un pas pobre no se busque la forma de solucionar un problema de este tipo, si realmente es diagnosticado, es decir si se ha alcanzado una certeza suficiente: el dejar de hacerlo sera una falta de responsabilidad profesional! La toxicidad del tratamiento: Antes de decidir el inicio del tratamiento con Amfotericina B en un paciente con una sospecha de micosis profunda, ser necesario alcanzar un umbral ms alto. Por el contrario, ante una sospecha de tuberculosis, que tambin puede evolucionar hacia la gravedad, los efectos adversos serios del tratamiento son muy raros, por lo tanto la certeza requerida para iniciar el tratamiento no debe ser alta. El costo del tratamiento: Cmo ver el efecto de este factor? Supongamos que como director de un hospital de distrito un da le ofrecen la posibilidad de comprar unos antibiticos muy baratos. Esto cambiar su umbral de decisin para tratar la fiebre tifoidea. Si los antibiticos que antes tena eran costosos, era conveniente estar bastante seguro antes de iniciar un tratamiento. La certeza exigida era alta con el fin de reservar el tratamiento solo para los casos ms seguros. Una vez que el costo de los antibiticos baja ya no habr problemas de abastecimiento, entonces la certeza necesaria para iniciar el tratamiento desciende, es decir escoge un umbral ms bajo. Otro ejemplo, si bien una osteosntesis es el tratamiento de eleccin para los casos de fractura de fmur, en la mayor parte de hospitales con pocos recursos se preferir a menudo (y lastimosamente) una traccin. De todas maneras, el costo de un tratamiento no tendra que tener una gran influencia sobre el umbral, pues ste debera estar relacionado al costo de una vida. Evidentemente todos pensamos que una vida es invalorable, pero tambin sabemos que existe un lmite de gastos ms all del cul casi ninguna familia o sistema de seguridad social puede llegar. Por eso se hace necesario definir cul es el costo de una vida en un determinado contexto. En los EEUU han llegado al con16

Los umbrales

senso de que a toda persona se le debera garantizar una dilisis, en caso de necesitarla. En este caso podramos inferir que el costo de una vida en ese pas es el equivalente al costo de una dilisis, es decir alrededor de 50 mil dlares.(4) En pases con extrema escasez de recursos, como algunos del frica subsahariana, casi ninguna familia promedio puede permitirse gastar ms de 20 dlares para salvar la vida de un nio y el Estado tiene pocas alternativas de sostn. Una alternativa en ese caso podra ser la de preguntar a un grupo promedio de mdicos cul sera la cantidad mxima de dinero que cada uno de ellos estara dispuesto a pagar para salvar su propia vida. Un estudio realizado en Ruanda revel que el costo promedio de una vida, estimado de esta manera, fue de 5 mil dlares, mientras que el costo total de un tratamiento estndar de 6 meses para tuberculosis fue de apenas 13 dlares.(5)

Otros factores
Existen factores que dependen del contexto en el cual se trabaja y de quin y para quin se toma la decisin. Ciertamente son estos factores y su influencia sobre el umbral los que crean la gran diferencia en la prctica de la medicina entre los pases con pocos recursos y los pases ricos.

El contexto social y econmico:

En los pases en desarrollo no existe una buena estructura de sostn para las personas ms desfavorecidas. Las personas tienen que hacerse cargo de pagar sus gastos en salud, a veces a costa del presupuesto que tendra que estar destinado a sostener los gastos corrientes de la familia. Es casi seguro que una persona pobre con un diagnstico de diabetes, de hipertensin o de cualquier otra enfermedad crnica va a terminar abandonando el tratamiento que debera ser tomado por el resto de la vida, por no poder pagarlo. El mdico que toma una decisin en estos contextos debe esforzarse por considerar estos factores tratando, en la medida de lo posible, en no alterar el equilibrio familiar o social, garantizando las medidas ms eficientes posibles.

Las repercusiones psicolgicas y sociales de la enfermedad:

El ser humano pertenece a un grupo social en general bien definido que se diferencia de los otros grupos por una cultura propia; esto le lleva a tener una nocin relativa del hombre ideal. Si por ejemplo, en una cierta enfermedad, la imagen del hombre se aparta demasiado de la ideal, su sociedad puede rechazarlo ya sea fsicamente (por ejemplo aislando a los psicticos, los hurfanos, los ancianos,...) o socialmente (negndoles el acceso a un empleo, o no acercndoseles, por SIDA, esterilidad, lepra, enfermedades psiquitricas) provocando graves repercusiones psicolgicas. El umbral de decisin necesario para comunicar un diagnstico de este tipo de enfermedades a un paciente deber ser muy alto con el fin de evitar etiquetar con un diagnstico equivocado a una persona que no tiene la enfermedad en cuestin.

La expectativa del paciente:

La forma como los pacientes ven sus problemas de salud puede cambiar mucho de un contexto a otro. Una persona joven da mucho valor a los aos que le que17

dan por vivir mientras que una persona anciana aprecia ms la calidad de vida antes que la cantidad de aos. Del mismo modo una mujer nulpara que consulta por un problema de esterilidad estar dispuesta a consagrar mucho ms esfuerzos en la bsqueda de una etiologa para la cual exista un tratamiento satisfactorio, mientras que una madre de varios hijos que presenta una esterilidad secundaria no dar mayor importancia al problema. Idealmente toda decisin clnica debera tomarse en funcin de las expectativas del paciente. De hecho las decisiones deberan ser compartidas, sin embargo, en los casos en que esto no se pueda o cuando el paciente prefiera dejar todo en las manos del mdico, es importante que siempre se considere el mayor beneficio, o el menor dao, para el paciente y su familia.

El contexto poltico:
En algunos casos de situaciones extremas, por ejemplo en situaciones de catstrofe (erupciones volcnicas, terremotos, desplazamiento masivo de poblaciones, campos de refugiados, epidemias,...) el objetivo principal del personal mdico ser ms bien de salvar el mayor nmero posible de personas, antes que de salvar a todo paciente a cualquier precio. Por ejemplo, el umbral de toda ciruga electiva ser muy elevado.

El temor a cometer errores

El sesgo de omisin (resistencia al riesgo)
Muchas decisiones clnicas estn influenciadas por el miedo a cometer errores que los mdicos pueden tener. En efecto, ningn mdico est libre de cometer errores, aun cuando las decisiones hayan sido tomadas de la forma ms racional posible. Sin embargo cuando las consecuencias de nuestras decisiones han sido desfavorables nos sentimos culpables. Este temor de cometer un error puede hacer que se tomen decisiones irracionales, sobretodo cuando las consecuencias desfavorables podran ser debidas a la accin mdica. El efecto obtenido es que, a veces, preferimos dejar de actuar porque sobreestimamos el dao que podemos hacer. Esto se puede ilustrar con un ejemplo.
La encargada del control de una epidemia de peste en Ecuador tena que recomendar un tratamiento profilctico para algunos nios menores de 1 ao que estuvieron en contacto cercano con un enfermo. La literatura sugiere que para los nios menores de 8 aos se use cotrimoxazol y que, tanto las tetraciclinas como el cloramfenicol, se reserven para los nios mayores de 8 aos.(6) En ese momento solo dispona de cloramfenicol pero le preocupaba el riesgo de que los nios mueran a causa de una depresin medular provocada por el tratamiento. Por otro lado las comunidades estaban muy alejadas de la ciudad y disponer de dosis suficientes de cotrimoxazol iba a tomar algunos das. Finalmente decidi no recomendar el cloramfenicol a pesar de los riesgos.

Fue una decisin correcta? Es cierto que un nio que toma cloramfenicol puede desarrollar una depresin medular, pero este importante efecto adverso solo se presenta en uno de cada 100 mil tratamientos.(7;8) Adems no todos los nios con depresin medular llegan a morir, siendo la probabilidad de muerte a causa del tratamiento 18

Los umbrales

mucho ms baja. Por otro lado El riesgo que estos nios tenan de adquirir la enfermedad era bastante alto: la peste es una enfermedad muy transmisible. En caso de enfermar la probabilidad de morir, en caso de peste pulmonar, es de al menos 50%! La probabilidad de causar dao por el tratamiento es extremadamente baja comparada con los riesgos de la enfermedad y en esta ocasin las personas que tomaron la decisin omitieron el tratamiento por el temor a causar dao. Debe considerarse que, para este ejemplo, se ha considerado un tratamiento profilctico en lugar de un tratamiento curativo. En efecto, las decisiones no solo toman en cuenta la probabilidad de estar enfermo si no tambin la probabilidad de contraer una enfermedad en el futuro. Este fenmeno es conocido en el lenguaje de las decisiones clnicas como el sesgo de omisin: se prefiere omitir un tratamiento o una accin teraputica por el temor a causar dao, lo cual es particularmente nefasto cuando los riesgos de la enfermedad son mayores.(9) Todo mdico que hace una decisin debe tomar en cuenta que no solamente se puede hacer dao al actuar. En ocasiones tambin se hace dao al dejar de actuar y el nivel de responsabilidad no deja de ser menor en este ltimo caso.

El efecto de la persona importante

A ningn mdico le gustara estar en los zapatos del cirujano encargado del tratamiento del Presidente de los EEUU, a menos que est dominado por el deseo de fama y honor! Suponga que usted es el cirujano y el Presidente presenta vmito, febrcula y un dolor en fosa ilaca derecha. En el examen fsico usted encuentra sensibilidad pero no resistencia. El recuento leucocitario es de 11000/l, y en la ecosonografa no se alcanza a ver el apndice. Con esto datos Estara usted dispuesto a operar? Pocos cirujanos se arriesgaran a retirar un apndice sano en el Presidente de los EEUU; seguramente esta conducta sera diferente en el caso de un ciudadano comn. Este fenmeno no solo ocurre con el Presidente de los EEUU o con cualquier otro lder poltico. Aunque esto va contra el principio de igualdad de las personas, el umbral de decisin toma en cuenta las caractersticas sociales de los pacientes. Si nos trasladamos a una escala ms familiar todos estamos de acuerdo en que haremos todo lo que est a nuestro alcance para salvar la vida de un nio mientras que aceptaremos ms fcilmente la muerte de un anciano.

Tratar o seguir investigando

Los argumentos, es decir las pruebas diagnsticas en el sentido ms amplio (argumentos clnicos y paraclnicos), tienen una influencia sobre el umbral? En principio, no. Los argumentos los utilizamos ms bien para avanzar en nuestro grado de certeza (y entonces alcanzar el umbral de decisin), si son positivos, o para retroceder (y alejarnos del umbral) si estn ausentes o son negativos. Mientras no impliquen un costo muy alto, ni un gran riesgo para el paciente, utilizaremos todos los argumentos disponibles para confirmar o rechazar una hiptesis diagnstica. Pero supongamos ahora que al terminar nuestro recorrido diagnstico solo nos queda un examen muy caro o difcilmente disponible o muy agresivo o peligroso, por ejemplo una resonancia magntica, o una puncin lumbar en malas condiciones de esterilidad, y por tanto con riesgo de 19

infeccin provocada. Es en ese momento que nuestro trabajo se complica un poco. La eleccin ya no es solo de tratar o no tratar: aqu debemos decidir si hacemos el examen o no, antes de tomar la decisin final. En este caso el examen tiene el efecto de escindir nuestro umbral de decisin nico (tratar o no hacer nada) en dos nuevos umbrales: el umbral de accin y el umbral de exclusin (Figura 2.3).(2)
Figura 2.3: Los dos umbrales

El umbral de accin divide el campo de decisin en dos opciones: hacer el examen (y tratar al paciente en caso de que sea positivo, o no tratarlo si es negativo); o tratar al paciente sin hacer el examen. El umbral de exclusin, en cambio, divide el campo de decisin en la opcin de hacer el examen (y tratar en caso de que sea positivo, o no tratar si es negativo); o dejar al paciente sin el tratamiento de la enfermedad que sospechamos sin necesidad de hacer ningn examen (pero ms bien buscar otros posibles diagnsticos).

Campos diagnsticos
Los dos umbrales de exclusin y de accin subdividen la escala de probabilidades en tres campos (figura 2.4): El campo de exclusin, correspondiendo a las probabilidades cuyo valor es inferior al umbral de exclusin. Si nos encontramos en este nivel de probabilidades explicaremos al paciente que no tiene la enfermedad que sospechbamos. El campo de accin, correspondiendo a las probabilidades cuyo valor es superior al umbral de accin. Cuando la probabilidad diagnstica est situada en este campo, debe iniciarse una accin (tratamiento, comunicacin del diagnstico y de su pronstico) sin necesidad de hacer el examen ya que, cualquiera que sea el resultado, la opcin teraputica no va a cambiar. El campo del examen, o de la investigacin, que est situado entre los umbrales de accin y de exclusin. Cuando la probabilidad est situada en este campo, ser necesario hacer el examen para decidir: en funcin de su resultado se tomar la decisin (tratar si es positivo, excluir y no tratar si es negativo). 20

Los umbrales

Figure 2.4: Campos decisionales

El siguiente caso clnico nos permitir ilustrar este concepto.

Un nio de tres aos procedente de un pequeo pueblo rural en Colombia es trado por su madre a un centro de salud con tos, fiebre, y disnea inespecfica. La madre cuenta que los sntomas aparecieron en las ltimas seis horas. La auscultacin pulmonar revela crepitantes bilaterales. No hay dolor torcico. El mdico sospecha una neumona lobar y piensa que podra ser til hacer una radiografa. Sin embargo decide finalmente tratar al nio con antibiticos de amplio espectro sin hacer la radiografa.

Primero que nada necesitamos imaginar dnde se encuentra el umbral de decisin para iniciar un tratamiento antibitico ante una sospecha de neumona en un nio. La mortalidad y morbilidad de una neumona no tratada son altas. Por otro lado, el riesgo de tener efectos adversos severos por el tratamiento es bajo y el costo por lo general es asequible. No hay estigma ni ningn otro factor subjetivo. Por eso el umbral de decisin debe de ser bajo (podramos decir que no es mayor a 5%). En segundo lugar necesitamos estimar cul es la probabilidad de neumona lobar en este caso. Para esto, necesitamos estimar un punto de partida de nuestra sospecha, es decir la prevalencia de la enfermedad en cualquier centro de salud rural de Sud Amrica. Digamos que uno de cada 100 nios que llegan a un centro de salud tiene neumona, entonces el punto de partida est en 1%. Como parece razonable decir que la combinacin de fiebre, tos y disnea es un buen predictor de neumona lobar en un nio, podemos estar confiados en decir que el umbral de decisin de 5% ha sido sobrepasado. Incluso podemos presumir que hemos alcanzado una probabilidad cercana al 50%. Si a esto aumentamos los crepitantes en la auscultacin llegamos a una probabilidad cercana a 90%. Ahora, para lograr resolver la incertidumbre de hacer o no la radiografa de trax en busca de consolidaciones necesitamos conocer cul es el poder de este examen. Como ya hemos sobrepasado el umbral de decisin, debemos hacer este examen solo si este puede disminuir la probabilidad por debajo de 5%. Aparte de esto, el costo del examen tambin tiene que ser tomado en cuenta.

21

La amplitud del campo de investigacin depende ante todo de las caractersticas del examen en cuestin, las que se analizarn en los siguientes captulos; qu informacin adicional me traer este examen?, es de buena calidad?, es costoso?, est disponible?, es agresivo?, es peligroso? Si representamos la influencia de los diferentes factores (utilidad del tratamiento, riesgo ligado al tratamiento, riesgo ligado a los exmenes complementarios) sobre el valor de los umbrales de accin y de exclusin, obtendramos el esquema representado en la Figura 2.5:
Figure 2.5: Factores que influyen sobre los dos umbrales

Aqu se puede observar que los factores relacionados con la enfermedad y el tratamiento desplazan a los dos umbrales de forma paralela: un tratamiento peligroso hace subir el umbral de accin y bajar el umbral de exclusin. Por el contrario, los factores ligados al examen tienen un efecto simtricamente opuesto, es decir bajan el umbral de accin cuando suben el umbral de exclusin y viceversa: intuitivamente podemos imaginar que, mientras mejor sea la calidad del examen, su disponibilidad relativamente buena, su riesgo para el paciente no muy alto, ms grande ser el campo de investigacin. Al contrario, si el examen es de mala calidad, y/o su disponibilidad no muy buena, o su costo muy elevado, o si es peligroso para el paciente, el campo de investigacin ser restringido y los dos umbrales se aproximarn. La calidad de un examen se evala por su poder de confirmacin y su poder de exclusin, los mismos que sern tratados a profundidad en los siguientes captulos. Para que la realizacin de un examen sea pertinente, este nos debera permitir cambiar una decisin: un resultado negativo tendra que ser capaz de disminuir la probabilidad de la enfermedad por debajo del umbral de decisin, y un resultado positivo tendra que aumentar la probabilidad por encima del umbral de decisin. Por eso la amplitud entre el umbral de decisin y el umbral de accin est definida por el poder de exclusin, mientras que la amplitud entre el umbral de decisin y el umbral de exclusin est definida por el poder de confirmacin. 22

Los umbrales

Ocasionalmente el poder de un examen se evala mediante su odds ratio. En efecto este ltimo no es otra cosa que el poder discriminativo total del examen, compuesto por la suma del poder de confirmacin y el poder exclusin. Por eso la amplitud total del campo de investigacin est definida por el odds ratio del examen (Figura 2.6). Sin embargo no debemos olvidar que el costo del examen y su riesgo siempre reducirn la amplitud de este campo.
Figure 2.6: Efecto de la calidad del examen en el campo de investigacin

El eje y es una escala logartmica que representa la probabilidad de enfermedad. En este caso hipottico el umbral de decisin (en rosado) est situado en una probabilidad de alrededor de 5%. Cuando se necesita un nuevo examen el umbral de decisin se escinde en dos nuevos umbrales: el umbral de accin (azul) y el umbral de exclusin (amarillo). El campo entre el umbral de accin y el umbral de exclusin es el campo de investigacin. El campo mximo entre el umbral de accin y el umbral de decisin est definido por el impacto de un resultado negativo (poder de exclusin), mientras que el campo entre el umbral de exclusin y el umbral de decisin est definido por el impacto de un resultado positivo (poder de confirmacin). La amplitud del campo de investigacin est definida por el odds ratio.

Cmo estimar el umbral de decisin en el lecho del enfermo?

Hemos visto que el umbral de decisin se expresa en grado de certeza, es decir en probabilidades. El umbral de decisin no es ms que el grado de certeza mnimo que necesitamos antes de iniciar una intervencin teraputica o de comunicar un diagnostico a un paciente.(1) Si decimos que nuestro umbral de decisin est situado en 20% quiere decir que nos exigimos estar en 20% seguros de que el paciente tiene la enfermedad antes de actuar, pero por otro lado tambin quiere decir que aceptamos equivocarnos en 20% de pacientes. Es muy importante darse cuenta que hemos subrayado la palabra aceptamos. En efecto, tener un umbral del 80% no quiere decir que vamos a equivocarnos en 20%, solo quiere decir que aceptamos tener esa proporcin de falsos positivos. Esto lo explicaremos en detalle ms adelante. Tomando en cuenta lo anterior, para estimar el umbral de decisin podramos hacernos la siguiente pregunta: si tuviera diez (o cien) pacientes con caractersticas parecidas al actual; a cuantos yo aceptara tratar, a pesar de que no tienen la enfermedad, 23

para no dejar sin tratamiento a una persona (que no sabemos quien es) que est verdaderamente enferma? Si la respuesta es 9 contra 1 el umbral de decisin est en 10%. Si la respuesta es 4 contra 1 el umbral de decisin est en 20% (4+1=5, entonces 1 es el 20% de 5). Esta pregunta nos da una buena aproximacin a la definicin de Pauker y Kassirer que dice que el umbral de decisin para una enfermedad, en determinado contexto, es el punto de equilibrio en el cual los riesgos y beneficios del tratamiento se igualan a los riesgos y beneficios de dejar de tratar, de manera que ninguna de las dos opciones sea preferida.(1) Tomemos el siguiente ejemplo:
Un militar de 22 aos, se presenta en el servicio de urgencias del hospital con una temperatura axilar de 40C, una rigidez de nuca ligera y una erupcin purprica leve en las muecas y los codos.

El cuadro hace sospechar en una meningitis meningoccica. Se trata de una enfermedad con una evolucin muy rpida, que si no se trata puede llevar en pocas horas a la muerte o dejar secuelas muy serias. Adems hay que considerar que es una enfermedad altamente transmisible. El tratamiento con penicilina parenteral es muy eficaz, muy barato y el riesgo de efectos adversos es muy bajo. Por consecuencia, todos estarn de acuerdo en que, si estamos frente a diez personas con sospecha de meningitis meningoccica, pero no sabemos cual de ellos tiene en verdad la enfermedad, est justificado tratar intilmente hasta nueve que en realidad no la tienen, con tal de no dejar a un verdadero enfermo sin tratamiento. En otras palabras, estamos situando nuestro umbral de decisin en 10%. Esto significa que, ante un paciente con estas caractersticas, aceptamos estar 10% seguros de que tiene meningitis meningoccica para iniciar el tratamiento. En el ejemplo presentado seguramente este nivel de probabilidad ya ha sido alcanzado. Tomemos un ejemplo en el otro extremo:
Una mujer de 54 aos se presenta en un centro de salud con un ndulo palpable en el seno izquierdo y retraccin de la piel; ltimamente, dice haber perdido peso.

El caso hace pensar de inmediato en un cncer mamario. El tratamiento sera una mastectoma, aunque de eficacia dudosa porque la enfermedad en la paciente parece estar en estado avanzado. Por otro lado, este tratamiento tiene serias repercusiones psicolgicas. Seguramente ningn mdico que se encuentre frente a diez mujeres que presentan un ndulo mamario, va a proponer hacer una mastectoma sin antes haber hecho una biopsia para estar completamente seguro del diagnstico. Adems hay que tomar en cuenta que debemos comunicar el diagnstico, explicando de una forma clara cul es el pronstico. No aceptamos equivocarnos con nadie! El umbral de decisin est muy cercano al 100%.

Certeza requerida vs. Certeza alcanzada

Como dijimos antes, cuando estimamos un valor muy bajo para el umbral existe un 24

Los umbrales

malentendido: Muchos mdicos piensan que un nmero demasiado importante de pacientes que no tienen la enfermedad van a ser tratados en vano. Tomemos como ejemplo a la apendicitis. Cuando no es tratada las complicaciones son graves. El tratamiento estndar es la laparotoma abdominal, el cual es un procedimiento eficaz pero - como toda ciruga - no est exenta de riesgos y - por toda la logstica necesaria - tiene un costo relativamente alto. Por todo esto la mayora de los cirujanos aceptan un umbral de decisin de alrededor de 30%, lo que quiere decir que si en un determinado paciente ya se alcanza un 30% de certeza est justificado hacer la ciruga. Sin embargo algunos cirujanos piensan que tener un umbral de decisin de 30% significa que 70% de los casos son operados intilmente. Esto es completamente falso! Un umbral de decisin de 30% significa que aceptamos equivocarnos en el 70% y no que vamos a equivocarnos en este porcentaje. El umbral de decisin, que es la certeza mnima requerida, es completamente diferente a la certeza alcanzada en el paciente individual. Un mdico que recibe a un paciente con sospecha de apendicitis realiza una serie de preguntas de anamnesis, hace un examen fsico y pide examenes complementarios. Con esta informacin el mdico alcanza una cierta probabilidad de la enfermedad. En la mayor parte de los casos la probabilidad es alta, estando el promedio cerca del 90%. Una pequea parte de pacientes presenta un cuadro atpico, alcanzando probabilidades ms bajas. Son nicamente estos pacientes los que podran ser falsos positivos. El umbral es sobretodo til para justificar la decisin de tratamiento en estos casos, en quienes la incertidumbre es mayor. La figura 2.7 ilustra esta reparticin.
Figura 2.7 : Certeza requerida vs. Certeza alcanzada para apendicitis

El eje y representa la probabilidad alcanzada. El eje x representa el nmero de pacientes que alcanza cada probabilidad. Las barras horizontales representan la distribucin del total de pacientes. La lnea horizontal inferior representa la certeza requerida (umbral de decisin), la lnea horizontal superior representa el promedio de probabilidad alcanzado en el total de pacientes.

25

Algunos ejemplos clnicos para comprender mejor

Diabetes
A partir de qu valor de probabilidad podemos comunicar el diagnstico de diabetes? Ejemplo de un campo de investigacin grande con umbral de accin cercano a 100%
En una mujer campesina, divorciada y madre de 6 nios. Durante un chequeo general que realiza el mdico rural de la comunidad se le detecta una glicemia en ayunas de 130 mg/dl.

Discusin:
La diabetes es una enfermedad crnica que tiene consecuencias muy graves cuando no es tratada. El tratamiento no cura la enfermedad, solo la controla. Sin embargo una vez que est bajo control el pronstico es aceptablemente bueno. Por otro lado, el lograr un control eficaz es muy difcil: los hbitos dietticos debern cambiar drsticamente, el tratamiento deber ser tomado de forma ininterrumpida para el resto de la vida, tendr que complementarlo con una serie de medidas de autocuidado. Lo ms importante, en un pas que no cuente con un sistema de seguridad social bien establecido, la paciente deber contar con un presupuesto mensual extra para comprar los medicamentos y realizar los controles sucesivos para el resto de la vida. En casos extremos, como el del ejemplo, la mujer tendr que elegir entre alimentar a sus hijos o comprar su tratamiento. Por todo esto har falta estar prcticamente seguro del diagnstico antes de comunicarlo y decidir iniciar el tratamiento. El umbral de accin est cerca de 100%. Por otro lado, si en realidad tiene diabetes, no podemos dejar de diagnosticarla, debido a las consecuencias graves de la enfermedad. Por eso la amplitud del campo de investigacin es muy grande: har todos los examenes necesarios para llegar a confirmar la enfermedad o para excluirla: ante todo caso dudoso, haremos los examenes!

Fiebre amarilla
Desde qu valor de probabilidad podemos excluir una fiebre amarilla? : ejemplo de campo de investigacin grande con un umbral de exclusin que tiene un valor cercano a 0%
Una campesina de la regin de Cochabamba en Bolivia es llevada en marzo de 1997 al servicio de emergencias del hospital de distrito en estado comatoso febril, con ictericia y cilindruria; siendo la gota gruesa negativa. De esta regin fueron reportados 12 casos de fiebre amarilla en los dos meses anteriores de los cuales 10 murieron, y el ao anterior fueron reportados algunos casos ms.

Discusin :
La fiebre amarilla es una enfermedad grave no solamente para el paciente sino para toda la poblacin de la regin y del pas si algunas medidas de prevencin no son puestas en marcha rpidamente.Tambin es una enfermedad contra la cual solamente existe un tratamiento sintomtico, en la que los exmenes serolgicos que tienen un fuerte poder de confirmacin y de exclusin no hacen correr ningn riesgo al paciente, y donde el costo del test seguramente ser tomado a cargo por la comunidad mundial. 26

Los umbrales

Por otro lado, a pesar de existir una vacuna muy eficaz, organizar una campaa de vacunacin masiva implica un esfuerzo considerable y un costo elevado, tanto por la organizacin, como por la vacuna misma. Para excluir una fiebre amarilla, en un contexto de gran sospecha, ser entonces necesario alcanzar una probabilidad cercana a 0%: un falso negativo puede engendrar consecuencias graves mientras que para los falsos positivos, el mdico establecer medidas profilcticas que podr detener una vez que regresen los resultados de los exmenes serolgicos. Por otra parte las consecuencias de una falsa alerta mundial no pueden ser subestimadas, entre otras razones por las repercusiones que eso podra tener en el turismo internacional.

Conclusin
La meta del trabajo clnico no es necesariamente alcanzar un diagnstico seguro para una cierta enfermedad, si no ms bien de tomar la decisin correcta frente a un paciente y su contexto. En este captulo hemos tratado de estudiar los criterios cualitativos que influyen sobre nuestros umbrales de decisin. Estos umbrales pueden ser calculados formalmente de forma matemtica: la relacin entre el umbral de decisin (umbral nico) y los dos umbrales de accin y de exclusin, que aparecen cuando hay que decidir si se debe o no hacer un ltimo examen, dependen del poder, el costo y el riesgo del examen.

No hay que hacer un diagnstico: hay que llegar a una certeza lo suficientemente alta para actuar. Los factores subjetivos y generales influyen mucho ms sobre nuestras decisiones que los datos objetivos. Si no podemos obtener bastante evidencia para tratar o referir, no podemos olvidar de excluir la enfermedad.

27

Referencias
((1) Pauker SG, Kassirer JP. Therapeutic decision making: a cost-benefit analysis. N Engl J Med 1975 Jul 31;293(5):229-34. (2) Pauker SG, Kassirer JP. The threshold approach to clinical decision making. N Engl J Med 1980 May 15;302(20):1109-17. (3) Hunink M, Glasziou P, Siegel J, Weeks J, Pliskin J, Elstein AS, et al. Decision making in health and medicine. Integrating evidence and values. 1 ed. Cambridge: Cambridge University Press; 2001. (4) King JT, Jr., Tsevat J, Lave JR, Roberts MS. Willingness to pay for a quality-adjusted life year: implications for societal health care resource allocation. Med Decis Making 2005 Nov;25(6):667-77.. (5) Basinga P, Moreira J, Bisoffi Z, Bisig B,Van den Ende J. Why Are Clinicians Reluctant to Treat Smear-Negative Tuberculosis? An Inquiry about Treatment Thresholds in Rwanda. Med Decis Making 2007 Jan;27(1):53-60. (6) Grant L, Campbell D. Plague and Other Yersinia Infections. In: Braunwald E, Fauci A, Kasper D, Hauser S, Longo D, Jameson L, editors. Harrison's principles of Internal Medicine. 15 ed. New York: Mc.Graw Hill; 2001. (7) Young N.S. Aplastic Anemia, Myelodisplasia and Related Bone Marrow Failure Syndromes. In: Braunwald E, Fauci A, Kasper D, Hauser S, Longo D, Jameson L, editors. Harrison's principles of Internal Medicine. 15 ed. New York: Mc.Graw Hill; 2001. (8) Chaplin S. Bone marrow depression due to mianserin, phenylbutazone, oxyphenbutazone, and chloramphenicol--Part II. Adverse Drug React Acute Poisoning Rev 1986;5(3):181-96. (9) Ritov I, I, Baron J. Protected Values and Omission Bias. Organ Behav Hum Decis Process 1999 Aug;79(2):79-94.

28

3 Relaciones entre los argumentos y las hiptesis

Introduccin
Ciertos fenmenos causan o testifican sobre otro fenmeno. Esto quiere decir que la presencia de uno est en relacin con la presencia del otro. En medicina esas relaciones se analizan en el estudio de los riesgos y en la prueba de la presencia de una patologa. Por ejemplo, la presencia de cianosis puede estar relacionada con una neumona. Esto no solo se hace en medicina. En otras ciencias las relaciones entre fenmenos tambin pueden ser analizadas: as, por ejemplo los meteorlogos, a partir del aspecto del cielo, de las medidas baromtricas, de las fotografas tomadas desde satlites, tratan de prever el clima que habr en los das siguientes. De igual manera, en criminologa, es esencial aportar un cierto nmero de pruebas con el fin de confirmar las sospechas de culpabilidad de los diferentes acusados.

Ejemplo de criminologa
Un banco importante en el centro de una gran ciudad de Sudamrica es asaltado por una veintena de ladrones armados; la polica empieza a cercar el barrio donde se encuentra el banco antes de que los ladrones puedan dejarlo. Los policas empiezan una requisa sistemtica de todas las personas del barrio y las reparten en dos grupos: las personas armadas y las personas sin armas. Al final del proceso, cada uno de los dos grupos es subdividido en funcin de la implicacin de las diferentes personas en el asalto al banco. Entonces, la poblacin presente en el barrio en el momento del asalto al banco es repartida arbitrariamente en 4 categoras: 1) los ladrones armados, 2) los ladrones que se deshicieron de su arma el momento de la requisa o que no llevaban arma en el asalto,3) los transentes armados pero que no estn implicados en el asalto al banco y finalmente 4) los transentes sin armas.

Con la ayuda de una tabla de contingencia (tabla de cuatro entradas), podemos describir el efecto discriminativo del argumento (portar un arma) en relacin a la hiptesis (ser un ladrn), usando una representacin grfica donde se visualizan los verdaderos positivos (ladrones armados), los falsos positivos (transentes armados), los verdaderos negativos (transentes no armados) y los falsos negativos (ladrones no armados) ( Tabla 3.1).
Tabla 3.1 Relacin entre hiptesis y argumentos hiptesis + (ladrn) hiptesis (transente) Falsos positivos Verdaderos negativos

argumento + (armado) argumento (no-armado)

verdaderos positivos falsos negativos

29

Figura 3.1

Supongamos que hemos identificado a 20 ladrones que participaron en el asalto al banco y que escogemos a un nmero igual de personas (20) entre la poblacin de transentes que se encontraban en el permetro cercado en el momento del asalto al banco. Si representamos a estos 40 ladrones transeuntes individuos en nuestra tabla de 4 entradas, la sin sin situacin se esquematiza de la siguiente manera arma arma (Figura 3.1). Obviamente el nmero de personas que corresponden a cada una de estas cuatro categoras no siempre es igual y puede variar segn el contexto en el que nos encontremos. Vamos a imaginar tres situaciones posibles. Para las situaciones descritas a continuacin suponemos tcitamente que la mayor parte de ladrones estn armados en el momento de la requisa. ladrones armados transeuntes armados

Primera situacin:
Figura 3.2

ladrones armados

transeuntes sin arma

Pas tranquilo y ninguna persona susceptible de llevar un arma por su funcin (polica, guardia, militar, etc.) est presente en el barrio cercado: la proporcin de personas armadas es muy pequea en el grupo de los transentes y muy grande en el grupo de los ladrones. En esta situacin el hecho de llevar un arma es un muy buen argumento a favor de la culpabilidad de la persona requisada, y el hecho de no estar armado es un muy buen argumento a favor de la inocencia.

Segunda situacin:
Figura 3.3

ladrones armados

transeuntes armados

transeuntes sin arma

Es posible que un gran cuartel militar se encuentre dentro del permetro cercado por la polica, lo que aumentar mucho la importancia del grupo de transentes armados. La proporcin de personas armadas es similar a la de personas no armadas en el grupo de transentes: en esta situacin el hecho de estar armado es un argumento que aumenta moderadamente la sospecha de culpabilidad de la persona requisada, y el hecho de estar desarmado ayuda moderadamente en favor de la inocencia.

30

Argumentos e hiptesis

Tercera situacin:
Figura 3.4

ladrones armados

transeuntes armados

Pas con inestabilidad poltica, la mayor parte de personas llevan un arma para defensa personal. La proporcin de personas armadas es muy grande entre los ladrones y los transentes; igualmente la proporcin de personas no armadas es muy pequea tanto en los ladrones como en los transentes. En esta situacin el argumento sea positivo o negativo no aumenta ni disminuye nuestra certeza de culpabilidad de la persona requisada.

Estas representaciones permiten visualizar fcilmente la relacin que existe entre un argumento y una hiptesis. Cuando la razn entre verdaderos positivos y falsos positivos es muy alta la presencia del argumento confirma ampliamente la hiptesis (primer caso), Cuando la razn entre verdaderos negativos y falsos negativos es muy alta la ausencia del argumento niega ampliamente la hiptesis (primer caso), Cuando el nmero de verdaderos positivos y falsos positivos es similar, el argumento no tiene mayor relacin con la hiptesis estudiada. Al igual si el nmero de falsos negativos y verdaderos negativos es parecido (tercer caso). En la segunda situacin (Figura 3.3), nos encontramos en una situacin intermedia: el argumento no es muy vlido ni para confirmacin, ni para exclusin.

Ejemplo de medicina
Este mismo enfoque puede ser aplicado en medicina. Vamos a considerar el caso de un paciente y trataremos de visualizar, con la ayuda de un esquema similar al anterior, la relacin que liga a diferentes argumentos con la hiptesis diagnstica estudiada:
Un paciente de 25 aos que pas durante un tiempo trabajando en un pozo petrolero en la amazona es hospitalizado en Quito para la investigacin de una fiebre de instalacin reciente. Sigui una quimioprofilaxis regular con cloroquina durante su estada en la amazona y, luego de treinta das despus de su regreso a Quito. Present un episodio de diarrea durante el ao precedente. En el examen fsico se evidencia una temperatura de 39 grados C, un pulso regular de 110/min, una TA de 110/80, el examen abdominal pone en evidencia un hipocondrio derecho doloroso a la palpacin y una hepatomegalia dolorosa. La maniobra de Murphy es positiva. La ecografa de hgado pone en evidencia tres abscesos de ms de cinco cm de dimetro a nivel de lbulo derecho, la serologa para amebiasis es positiva en inmunofluorescencia a una dilucin 1/800. Diagnstico: Mltiples abscesos hepticos amebianos.

Consideremos un grupo de 100 casos de abscesos hepticos amebianos y un segundo de 100 pacientes hospitalizados por otra razn diferente a un absceso heptico. Repartamos los 200 pacientes en cuatro grupos segn tengan o no un absceso heptico amebiano, por una parte, y segn presenten el argumento estudiado o no (Tabla 3.2). 31

Tabla 3.2 Relacin entre argumentos e hiptesis clnicas

Absceso amebiano de hgado Argumento + (Ej.: antecedente de diarrea, hipertermia, hepatomegalia, serologia +) Argumento (Ej.: no antecedente de diarrea, no hipertermia, no hepatomegalia, serologia -) verdaderos positivos falsos negativos

No absceso amebiano de hgado falsos positivos verdaderos negativos

Obtenemos una representacin grfica similar al modelo de criminologa estudiado ms arriba donde la superficie de cada cuadrado es proporcional al nmero de personas que representa:

Argumento 1 : antecedentes de diarrea en el ao precedente

Figura 3.5

Dentro del grupo de pacientes que tienen un absceso amebiano del hgado y aquel que repreabsceso + absceso senta a los 100 pacientes que no tienen esta diarrea + diarrea + enfermedad, la proporcin de personas con antecedentes de diarrea en el ao precedente es ms o menos igual a aquella de las personas que no han tenido diarrea. El antecedente de haber absceso + absceso tenido diarrea en el ltimo ao es igual de frediarrea diarrea cuente en ambos grupos. Por eso la imagen grfica representa cuatro cuadrados con una superficie idntica y podemos decir que no existe ninguna relacin entre este argumento y la hiptesis diagnstica; dicho de otra forma, este argumento no cambia la certeza frente a nuestra hiptesis.

Argumento 2 : fiebre
Figura 3.6

La representacin grfica es ahora asimtrica. Observamos que son muy raros los pacientes absceso + con un absceso amebiano de hgado que no tieabsceso fiebre + T + nen fiebre; sin embargo el argumento fiebre se puede encontrar tambin en algunos pacientes del grupo de referencia: la fiebre es entonces un absceso argumento que si est relacionado con la enferT medad en cuestin pero su descubrimiento no nos hace avanzar mucho en nuestra certeza diagnstica; su ausencia, por el contrario, puede ser til para excluir un diagnstico de absceso amebiano de hgado. 32

Argumentos e hiptesis

Argumento 3 : hgado doloroso

Figura 3.7
absceso + dolor +

absceso + dolor -

absceso diarrea -

Este tercer ejemplo nos da una representacin grfica opuesta a la del ejemplo precedente: entre los pacientes afectados por un absceso amebiano de hgado, la palpacin del hgado ser dolorosa en alrededor de la mitad de los casos; pero por otro lado la presencia de este signo en la poblacin de referencia es raro.

Por esta razn el hallazgo de un hgado doloroso aumenta la sospecha de absceso amebiano de hgado. Su ausencia, por el contrario, ayuda poco para excluir.

Argumento 4 : la serologa de amebiasis positiva (superior 1/200)

Figura 3.8

absceso + sero >1/200 absceso sero <1/200

La relacin entre este argumento y el diagnstico de absceso amebiano de hgado es esta vez muy positiva: casi todos los enfermos tendrn una serologa positiva, mientras que sern muy raros los positivos entre las personas del grupo de referencia. Una serologa positiva para un absceso amebiano de hgado es un argumento fuerte para confirmacin del diagnstico; su ausencia es tambin un argumento fuerte para su exclusin.

Resumiendo, podemos decir que un argumento que raramente se encuentre presente en una poblacin de referencia (ejemplo, imagen ecogrfica sospechosa de absceso heptico amebiano) tiene cuando se lo encuentra un valor fuerte de confirmacin de nuestra hiptesis. Al contrario, un argumento que raramente se encuentre ausente en los enfermos (por ejemplo, serologa positiva para amebiasis), tiene un fuerte poder de exclusin. Por ltimo, un argumento presente en la mitad del grupo de enfermos y de la poblacin de referencia (ejemplo, antecedentes de diarrea), no tiene relacin con la hiptesis estudiada y es intil en el proceso diagnstico.

33

Conclusin
En varias disciplinas se analizan las relaciones entre fenmenos. En clnica, el mdico debe abstenerse de recoger informacin intil. Los esfuerzos tienen que concentrarse en los datos que ms aporten para la confirmacin y/o exclusin de un diagnstico.
Un argumento es fuerte si siempre est presente en los sospechosos y ausente en los no-sospechosos.

Un argumento que casi nunca se encuentre en pacientes con otras enfermedades ser til para confirmar. Un argumento que casi nunca se encuentre ausente en quienes tienen la enfermedad que sospechamos ser til para excuir. Los dems argumentos sern dbiles y aun intiles.

Ejercicios
A continuacin de este ejemplo trate de establecer relaciones entre diferentes argumentos y el absceso heptico amebiano, qu podemos decir de la relacin de datos clnicos conocidos como son el signo de Blumberg y la apendicitis?, un BAAR de esputo negativo y la tuberculosis pulmonar?, cefaleas intensas y migraa?, rigidez de nuca y meningitis bacteriana?, reaccin de Widal y fiebre tifoidea?

34

4 El poder de un argumento
Introduccin
En el segundo captulo analizbamos el nivel de certeza requerido para actuar o para detener cualquier investigacin. El objetivo del captulo precedente, en cambio, era acercar las relaciones existentes entre un argumento y una hiptesis diagnstica, tratando de representar grficamente esta relacin. En esta seccin nos vamos a interesar en cuantificar estas relaciones: qu es lo que nos permite decir que un argumento es dbil, bueno o fuerte en relacin a una patologa en particular?, tienen las fuerzas de exclusin y de confirmacin de un argumento valores simtricos?, cmo podemos explicar que la fuerza de un argumento pueda variar segn el contexto de la poblacin con la que trabajamos? Una vez ms es necesario aclarar que cuando hablamos de argumento, nos referimos a cualquier tipo de hallazgo clnico. Esto incluye los sntomas que un paciente nos cuenta durante la anamnesis, los signos que encontramos en el examen fsico, y los datos que obtenemos del laboratorio o del servicio de imgenes. Para cuantificar la fuerza de un argumento es necesario primero considerar que existen dos grandes tipos. El primero corresponde a aquellos que se expresan de forma categrica y dicotmica (por ejemplo presencia de fiebre, de diarrea o de erupcin cutnea). Cuando estos estn presentes sealan una anormalidad en la salud del paciente examinado; la respuesta que obtenemos cuando los indagamos es SI o NO. El segundo grupo corresponde a los que se expresan de forma cuantitativa. Para stos es necesario determinar valores precisos (por ejemplo, tasa de hemoglobina, peso, tensin arterial,...). Su fuerza depende de la precisin con la cual se determinen los valores normales. Es lo que tambin se conoce como el punto de corte. Adicionalmente hay otro tipo de argumentos que estn entre lo dicotmico (SI o NO) y lo cuantitativo. Son aquellos que nos informan sobre un grado de afectacin de manera ordinal. Por ejemplo el resultado de una radiografa puede clasificarse en diferentes grados: sin ninguna alteracin, alteracin leve, alteracin moderada, alteracin severa. Aunque este tercer tipo de argumento se acerca ms al tipo categrico, para analizar su fuerza es ms prctico considerarlo como si fuera cuantitativo. La ausencia de alteracin puede corresponder al nivel cero, la alteracin leve puede corresponder al nivel uno y as sucesivamente.

Definicin del poder

El poder de confirmacin de un argumento
Observemos lo que ocurre durante una consulta peditrica en Puyo, Ecuador: Caso 1: nio de 6 aos con disnea espiratoria y sibilancias en la auscultacin. Caso 2: lactante de cuatro meses que presenta taquipnea desde el nacimiento.Tiene tos, expectoracin amarillenta, fiebre, tiraje intercostal, cianosis, crepitaciones en pulmones, soplo sisto-diastlico en foco mitral. 35

Caso 3: nia de 10 aos se queja de tenesmo y diarrea con sangre. Caso 4: nio de 7 aos que presenta fiebre y dolor a la deglucin. Caso 5: lactante que presenta varias lesiones seudoforunculosas en la espalda derecha de donde sale una larva al hacer presin lateral. Caso 6: lactante hospitalizado por estado altamente febril.

Argumentos con un fuerte poder de confirmacin

Los primeros cinco casos de esta consulta parecen simples al ser el argumento descrito en cada uno de ellos tan demostrativo de la patologa subyacente: disnea y sibilancias para un asma, soplo sisto-diastlico en foco mitral de un lactante con taquipnea desde el nacimiento para una cardiopata congnita, el tenesmo acompaado de diarrea con sangre para una disentera amebiana, la fiebre y dolor de garganta para una faringitis y la extraccin de una larva para una miasis fornculosa (tupe).
Figura 4.1 otras enfermedades

Representemos, por ejemplo, la relacin existente entre la disnea espiratoria y el asma en una tabla de cuatro entradas similar a aquellas del captulo precedente. La mayora de pacientes enfermos con asma tendrn disnea espiratoria mientras que en los pacientes verdaderos que tienen otras enfermedades este signo ausente negativos est casi siempre ausente. Uno podra decir que debera estar siempre ausente en los que no tienen asma; pero no hay que olvidar que tambin se puede encontrar disnea espiratoria en otras enfermedades como la bronquitis, la bronquiolitis, la difteria, los cuales vendran a ser falsos positivos.
verdaderos presente positivos
DISNEA

asma

Podemos ver que la superficie que representa a los falsos positivos (pacientes que tienen disnea espiratoria pero no asma) es muy pequea en relacin a la que representa a los verdaderos positivos. Si pusiramos en una balanza habra un gran desequilibrio. Con esto podemos afirmar que el poder de confirmacin de este argumento es muy grande. En otros ejemplos la situacin es diferente.Tomemos el caso de la diarrea con sangre y la amebiasis. Sabemos que no encontramos siempre diarrea con sangre en las personas con amebiasis. Por otra parte encontrar este signo en otras enfermedades es raro, aunque siempre hay unos falsos positivos.

36

Poder de un argumento

Figura 4.2 amebiasis verd.

Vemos que el desequilibrio entre verdaderos positivos y falsos positivos es menos importanpresente te que en el ejemplo anterior, por eso el poder positivos de confirmacin es menos fuerte. Tambin se observa que los verdaderos negativos y falsos negativos estn equilibrados; pero eso no nos falsos verdaderos interesa por ahora (por eso la hemos dejado en ausente negativos negativos gris), ya que en este caso el nio si tiene el argumento. El poder de confirmacin de un argumento se evala por el equilibrio en trminos matemticos la razn que existe entre verdaderos positivos y falsos positivos. Mientras menos falsos positivos haya, ms fuerte ser el poder.

otras enfermedades

Argumento con un poder de confirmacin dbil

El caso 6 es aquel del nio trado al hospital con un cuadro altamente febril. Este argumento no permite por s solo tener la certeza de un diagnstico en particular, paludismo por ejemplo. Existen numerosas patologas que pueden acompaarse de un estado altamente febril en un nio pequeo.
Figura 4.3 paludismo presente
FIEBRE ALTA

CON SANGRE

DIARREA

otras enfermedades

verdaderos positivos

falsos
positivos

ausente

verdaderos negativos

Este argumento se encuentra presente en casi 100% de casos de paludismo, pero tambin es frecuente en otras enfermedades. De esta forma el equilibrio entre el nmero de verdaderos positivos (nios en los que la fiebre alta es causada por el paludismo) y el nmero de falsos positivos (nios sin paludismo pero con fiebre alta) es mucho ms pequea que en los casos precedentes. Por eso el argumento fiebre tiene un poder dbil para confirmar paludismo.

Luego de comparar los tres ejemplos deducimos que el poder de confirmacin est determinado sobretodo por los falsos positivos. En otras palabras, un argumento es fuerte si se encuentra nicamente en los enfermos, y no en los no-enfermos (o los pacientes que tienen otra enfermedad).

El poder de exclusin de un argumento

Pasemos ahora a una consulta de ginecologa y obstetricia en Santa Cruz de la Sierra, Bolivia: Caso 7: test de embarazo negativo en una paciente de 22 aos que presenta un dolor plvico agudo. Caso 8: Pap test de rutina negativo en una trabajadora sexual. Caso 9: ausencia de defensa abdominal en una paciente con sospecha de embarazo extrauterino.

Argumentos con un gran poder de exclusin

Nuestra experiencia clnica ya nos permite decir que el diagnstico de embarazo extrauterino puede ser excluido en el caso 7, al igual que el de cncer de cuello de tero en el caso 8. 37

Dibujemos la relacin entre un test de embarazo y el embarazo extrauterino:

Figura 4.4 EEU positivo
EMBARAZO

embarazada puede tener un test de embarazo negativo (falsos negativos). Por otro lado tambin es improbable que este argumento se presente en una mujer no embarazada. Al haber tenido un resultado negativo en el test, ahora es la parte verdaderos inferior de la tabla de cuatro entradas la que nos negativo negativos interesa y en particular el equilibrio entre las superficies que representan a los verdaderos negativos y los falsos negativos. De acuerdo a la figura podemos decir que el test de embarazo tiene un poder de exclusin muy fuerte para embarazo extrauterino.
verdaderos positivos TEST

otras Existen muy pocos casos en los que una mujer enfermedades

Argumento con un dbil poder de exclusin

Figura 4.5 EEU presente
ABDOMINAL DEFENSA

verdaderos positivos falsos negativos

otras enfermedades mento con un dbil poder de exclusin frente a

El caso 9 de esta consulta nos presenta un arguun embarazo extrauterino: en efecto, bastantes pacientes con una hemorragia intraperitoneal secundaria a una ruptura de un embarazo extrauterino no presentarn defensa abdominal, por lo menos en el comienzo de la enfermedad. Evidentemente, la mayor parte de pacientes del grupo sin embarazo extrauterino tampoco presentarn este argumento.

ausente

verdaderos negativos

El equilibrio entre los verdaderos negativos y los falsos negativos es, en este caso, muy diferente a aquel de los dos casos precedentes. Mantenemos la idea de que nicamente los bloques inferiores son los que interesan para la exclusin: la comparacin de los dos ejemplos permite concluir que sobretodo son los falsos negativos quienes determinarn el poder de exclusin. Por tanto, un argumento tiene un fuerte poder de exclusin si est siempre presente en una enfermedad. Combinando los dos poderes, podemos decir que un argumento es perfecto en las dos direcciones (para confirmacin y para exclusin) cuando est siempre y nicamente presente en una enfermedad.

Estimar el poder de un argumento positivo

Una vez que tenemos clara la nocin del poder de un argumento, podemos estimarlo fcilmente. Comencemos por el caso de un argumento positivo, donde buscamos el poder de confirmacin. En los prrafos anteriores nos referimos al equilibrio entre 38

Poder de un argumento

verdaderos y falsos positivos. Matemticamente este equilibrio no es ms que una razn, es decir la divisin de los verdaderos positivos para los falsos positivos. El poder de confirmacin es la razn entre la probabilidad de tener un argumento positivo entre los enfermos y la probabilidad de tener un argumento positivo entre los que no tienen la enfermedad en cuestin. Para la disnea espiratoria y el asma, es claro que hay muchos ms verdaderos positivos que falsos positivos: podramos decir que hay 100 verdaderos positivos por 2 falsos positivos. Entonces el poder es de 50 (100 dividido para 2 = 50), y podemos decir que es un argumento con un poder de confirmacin fuerte. En el caso de la diarrea con sangre y la amebiasis, hay 40 verdaderos positivos por 1 falso positivo: la razn es 40.Tambin decimos que el poder es fuerte. En el caso de la fiebre y el paludismo, hay 100 verdaderos positivos por cada 30 falsos positivos. El resultado es 3, por lo tanto la fuerza es dbil.

Estimar el poder de un argumento negativo

Siguiendo el mismo razonamiento, el poder de un argumento negativo es la razn entre los verdaderos negativos y los falsos negativos. En otras palabras, la probabilidad de encontrar un argumento negativo en los que no tienen la enfermedad contra la probabilidad de encontrar un argumento negativo en los enfermos. De nuevo aqu, considerando los tres ejemplos que vimos ms arriba, observamos una gran diferencia en los valores de los poderes para cada uno de ellos: En el caso de la paciente de 22 aos que presenta un dolor plvico agudo, es evidente que casi todos los casos de embarazo extrauterino tienen un test positivo, lo que quiere decir que casi no hay falsos negativos. Hay muchos ms verdaderos negativos que falsos negativos. Sin temor a equivocarnos podemos decir que hay 100 verdaderos negativos contra solo un falso negativo, lo que da como resultado 100. Por lo tanto el poder de exclusin es muy fuerte. En el caso de la trabajadora sexual, es posible que a veces un Pap test resulta negativo a pesar de haber una displasia o un cncer. Sin embargo hay algunos casos en los que el Pap test resulta positivo en personas que en realidad no tienen ni cncer ni displasia, es decir que el nmero de verdaderos negativos se reduce. Por esto podemos decir que la razn de verdaderos negativos contra falsos negativos es de 10 contra 1, es decir 10; por lo tanto el poder de exclusin es bueno. En el caso de la ausencia de defensa abdominal, sabemos que la sangre no irrita mucho el peritoneo, por lo menos no como una peritonitis o la presencia de material fecal. Una defensa se observa en menos de la mitad de casos de embarazo extra uterino. Por otro lado una defensa puede encontrarse en una apendicitis o en una colecistitis, por lo tanto se puede decir que hay 30 falsos positivos, por consecuencia hay 70 verdaderos negativos. Considerando que puede haber al menos 50 falsos negativos el resultado es 70 contra 50, prcticamente 1: el poder de exclusin es intil.

39

Veamos aqu una representacin grfica de los poderes:

Figura 4.6

Verdaderos positivos

Falsos positivos

Verdaderos negativos

Falsos negativos

PODER DE CONFIRMACION

PODER DE EXCLUSION

Estimar los verdaderos y falsos positivos y negativos

De esta manera se puede ver que el procedimiento para estimar el poder de un argumento es muy sencillo. Sin embargo muchos dirn que lo difcil es estimar el nmero de personas que entran en cada casillero de la tabla de cuatro entradas. En realidad no es tn difcil. Para hacerlo correctamente, hay que empezar considerando un grupo de personas con la enfermedad para la cual queremos analizar el poder de un argumento y otro grupo de personas que no tienen esa enfermedad, pero que pueden tener cualquier otra, e incluso pueden tener el argumento sin estar enfermos. Para calcular fcilmente, es preferible considerar grupos de 100 pacientes. Podramos imaginar un estudio en un grupo de 100 pacientes con neumona, escogidos al azar. Haciendo una estimacin intuitiva podemos decir que, en este grupo, el dolor torcico puede estar presente en 20% de los casos. Entonces deducimos que hay 20% de verdaderos positivos, por lo tanto 80% de falsos negativos. A la tasa de verdaderos positivos se le conoce tambin como la sensibilidad. Es muy frecuente encontrar datos de sensibilidad como resultado de investigaciones sobre valor diagnstico de un argumento, y muchos clnicos piensan errneamente que esto es suficiente para conocer el poder de un argumento. Sin embargo, la sensibilidad no ayuda mucho en la prctica clnica si no se la combina con la tasa de falsos positivos. De esta manera obtenemos el poder de confirmacin.(1)
Figura 4.7 neumona presente
TORACICO DOLOR

otras enfermedades

Verdaderos positivos

Falsos positivos

ausente

Falsos negativos

Verdaderos negativos

Otra forma de estimar intuitivamente la sensibilidad es basndonos en nuestra experiencia. Basta pensar en la proporcin de casos de neumona, en los cuales hemos encontrado el dolor torcico. Si decimos uno en 10 significa que es el 10% de casos; si decimos dos en 10 ser el 20%. Como veremos ms adelante no hace falta ser exactos.

Lo que s resulta un poco ms difcil es la estimacin de los falsos positivos. Este dato est prcticamente ausente en la literatura mdica. Para poder hacerlo intuitivamente tenemos que considerar los dos bloques en gris de la figura 4.7. Si fuera una investigacin, podramos imaginar que 100 pacientes sin neumona, pero con cualquier otra enfermedad, son tomados al azar. A estos les preguntamos si tienen dolor torcico. En 40

Poder de un argumento

este grupo puede haber pacientes con trauma, con zona, con espasmo del esfago, con infarto que s tienen dolor torcico pero que no tienen neumona. Sin embargo stos no son tan frecuentes en un contexto de medicina general. La mayor parte son pacientes con otras enfermedades que no tienen dolor torcico. Por esa razn podemos intuir que aproximadamente 5% de pacientes de este grupo de referencia son falsos positivos: es decir que tienen dolor torcico, pero no tienen neumona. Por consecuencia podemos decir tambin que hay 95% de verdaderos negativos, puesto que 100 menos 5 hacen 95. A esta tasa de verdaderos negativos la llamamos tambin la especificidad. La especificidad es una nocin difcil de comprender y manipular. Por eso preferimos estimar intuitivamente y trabajar con la tasa de falsos positivos que como hemos visto no es ms que el complemento de los verdaderos negativos. En este punto el lector podra estar decepcionado: cmo es posible que se intente calcular el poder de un argumento con datos estimados intuitivamente? En realidad la idea no es tan descabellada. Por un lado resulta necesario hacerlo porque los datos de la literatura sobre sensibilidad y especificidad de un argumento son escasos. Pero lo ms importante es que la tasa de falsos positivos puede cambiar considerablemente de un sitio a otro. Esto se debe a que este valor depende fuertemente de la distribucin de enfermedades en el contexto de nuestro trabajo. Si comparamos la distribucin de enfermedades en la consulta de un cardilogo con la que se encuentra en la consulta de un mdico general se pueden ver grandes diferencias. En el caso del primero la mayor parte de sus pacientes tendrn hipertensin, insuficiencia cardiaca, angina, arritmias; mientras que donde el mdico general, si bien estas enfermedades tambin pueden estar, se pierden en una lista ms grande de otras patologas. Eso implica que la tasa de falsos positivos de, por ejemplo, un tercer ruido para una insuficiencia cardiaca ser ms grande en el consultorio del cardilogo que en el del mdico general. Por consecuencia el poder de confirmacin ser ms dbil en el primero. Finalmente hay que considerar que el cambio en los poderes de los argumentos es casi imperceptible si nos equivocamos entre 20 y 30%. (1;2) Todo esto nos lleva a decir que la mejor manera de estimar los falsos negativos es pensar en la distribucin de personas que llegan a nuestra consulta. Simplemente preguntndonos: de 100 personas que han llegado a la consulta durante la ltima semana, cuntos han presentado el argumento que estoy analizando, sin que tengan la enfermedad que sospecho?. Esto nos va a dar un nmero muy acertado de falsos positivos que me permitir calcular los diferentes poderes. Esta reflexin corresponde a la segunda columna de nuestra tabla de cuatro entradas representadas en la Figura 4.8
Figura 4.8

Verdaderos positivos

Falsos positivos

Falsos negativos

Verdaderos negativos

Concluyendo podramos decir que mientras ms alta sea la sensibilidad de un argumento (cerca de 100%), ms tiende a disminuir el nmero de falsos negativos, por lo tanto cambia el poder de exclusin. Mientras ms alta sea la especificidad de un argumento (cerca de 100%), ms tiende a disminuir el nmero de falsos positivos y sobre todo cambia el poder de confirmacin. 41

Podemos poner todos los valores tambin en una tabla de contingencia. Es decir que la llenamos con las tasas de verdaderos y falsos positivos y negativos. Usemos el ejemplo de la neumona y el dolor torcico.
Tabla 4.1 Dolor torcico en neumona Neumona Dolor torcico Sin dolor torcico Total 20 80 100 Pacientes sin neumona 5 95 100

Ahora que hemos estimado la tasa de los verdaderos y falsos positivos y negativos, podramos calcular los poderes:
Figura 4.9

Verdaderos positivos

Falsos positivos

Verdaderos negativos

Falsos negativos

PODER DE CONFIRMACION

PODER DE EXCLUSION

Verdaderos positivos Falsos negativos Verdaderos negativos Falsos positivos Poder de confirmacin: Poder de exclusin:

20% 80% 95% 5% 20/5= 4 95/80= 1.2

Ambos valores son bajos, sobretodo el poder de exclusin. Si uno no tiene dolor torcico, no excluye una neumona. Si lo tiene, ayuda un poco al diagnstico. Por qu decimos que ambos valores son bajos?, qu quiere decir un poder de confirmacin dbil o uno fuerte?. Hay que empezar considerando que el poder de un argumento es una razn, es decir una operacin matemtica en la que se comparan dos conjuntos separados. Si ambos conjuntos son de igual tamao el resultado de la divisin es 1. Mientras ms grande sea el tamao del primer conjunto, comparado con el segundo, mayor ser el resultado de la divisin. Esto quiere decir que el poder de un argumento puede ir desde 1 hasta el infinito. Si para el poder de confirmacin obtenemos un resultado igual a 1 quiere decir que el nmero de verdaderos positivos es igual al nmero de falsos positivos, por tanto el poder de confirmacin es intil. En cambio si el nmero de falsos positivos es cero no es posible hacer una divisin, quiere decir que en ese caso, cualquiera que sea el nmero de verdaderos positivos el poder de confirmacin es infinito. 42

Poder de un argumento

En realidad el resultado del poder de confirmacin es exponencial, y como tal debe ser representado en una escala logartmica, lo cual nos da categoras de poderes. Si en una hoja de clculo de excel calculamos el logaritmo de base 10 (usando la funcin Log10) de todos los valores de poder de confirmacin desde el 1 hasta el 100 podemos identificar 5 categoras de poder ms o menos bien definidas: intil, dbil, bueno, fuerte y muy fuerte (Tabla 4.2, apndice 1).
Tabla 4.2 Clasificacin categrica de los poderes de un argumento Poder calculado Razn verdaderos / falsos 1 3 (2 - 5) 10 (6 - 17) 30 (18 - 56) 100 (57 - ) Poder transformado en Logaritmo de base 10 0 0,5 1 1,5 2

Categora de poder Intil Dbil Bueno Fuerte Muy fuerte

Esta tabla es vlida tanto para los poderes de confirmacin (verdaderos positivos / falsos positivos), como para los poderes de exclusin (verdaderos negativos / falsos negativos). Para fines prcticos se puede decir que, para confirmar, un argumento es intil si el nmero de verdaderos positivos es igual al de falsos positivos; en cambio es dbil si la razn entre verdaderos positivos y falsos positivos est alrededor de 3; as mismo es bueno si est alrededor de 10; fuerte si est alrededor de 30 y muy fuerte alrededor de 100. (Tabla 4.1) Tericamente esta progresin puede continuar hasta el infinito. Si el resultado de la divisin est alrededor de 300 el argumento ser muy muy fuerte y si est alrededor de 1000 ser muy muy muy fuerte. Estas dos ltimas categoras son extremadamente raras. Casi no existen argumentos con un poder superior a 100. El mismo razonamiento es aplicable al poder de exclusin. La aplicacin de estas fuerzas en una escala fcil de comprender y aplicar en la prctica ser explicada en el siguiente captulo.

Simetra entre poderes de confirmacin y de exclusin

El poder de exclusin de un argumento no depende del poder de confirmacin. Esto quiere decir que si un argumento tiene un poder de confirmacin fuerte para un diagnstico particular, no necesariamente su poder de exclusin va a ser fuerte tambin. Por ejemplo si encontramos defensa abdominal sospechamos fuertemente en una apendicitis, pero si la defensa abdominal est ausente no podemos excluir este diagnstico. As mismo una muestra de esputo negativa tiene un dbil poder de exclusin frente a una tuberculosis pulmonar, mientras que si es positiva tiene un fuerte poder de confirmacin. Este es un error muy frecuente que cometen los clnicos con poca experiencia que trae como consecuencia, tanto el uso excesivo de exmenes diagns43

ticos, como el hecho de que muchos pacientes que ameritan un tratamiento se queden sin el mismo. Del mismo modo, si la ausencia de un argumento excluye un diagnstico, su presencia no necesariamente lo confirma: la fiebre no ayuda mucho para confirmar un diagnstico de paludismo, mientras que en un paciente afebril prcticamente excluimos la posibilidad de esta enfermedad. Examinemos el caso de una paciente hospitalizada en Esmeraldas, Ecuador, por una embolia pulmonar.
Una mujer de 38 aos, que habita en una comunidad del ro Santiago en Esmeraldas llega al hospital con polipnea de inicio sbito y dolor torcico, entre los antecedentes refiere edema de miembro inferior derecho desde hace dos das. Al examen fsico se encuentra afebril, con frecuencia cardiaca de 120/min. Se realiza una radiografa de trax en la que se observa una condensacin. La hiptesis diagnstica es embolia pulmonar.

Cada uno de los diferentes argumentos expuestos en este caso tiene un cierto poder de confirmacin y de exclusin. Podemos decir que la probabilidad de encontrar taquicardia en un grupo de pacientes con embolia pulmonar es muy alta. Por otra parte, la probabilidad de tener taquicardia en personas sin enfermedad no es baja: basta pensar en todos los pacientes con fiebre, por ejemplo. El signo est casi siempre presente, pero no es nico para embolia, entonces es un argumento bueno para excluir y dbil para confirmar. Para el argumento edema de miembros inferiores el poder de confirmacin de la hiptesis diagnstica embolia pulmonar es fuerte mientras que su poder de exclusin es ms bien dbil: el argumento es raro en pacientes sin embolia, pero en embolia no es tan frecuente. El sntoma no est siempre presente, pero es ms nico. Por otra parte vemos que un paciente con embolia pulmonar tiene poca probabilidad de tener una condensacin en la radiografa de trax, pero tambin hay algunos pacientes en el hospital con condensacin. El signo est raramente presente, y no es nico. Entonces, los poderes de confirmacin y de exclusin de este argumento son dbiles: se trata de un argumento simtrico.
Tabla 4.3: Poder de los argumentos para embolia pulmonar Argumentos Polipnea Inicio sbito Dolor torcico Taquicardia Edema de pierna Condensacin en Rx de trax PC muy fuerte bueno bueno dbil fuerte dbil PE bueno dbil dbil bueno dbil dbil

44

Poder de un argumento

Patognomnico
Durante la formacin clnica los profesores de semiologa ensean varios signos patognomnicos. En nuestra terminologa qu significa que un argumento es "patognomnico"? Patognomnico quiere decir que el poder de confirmacin es infinitamente alto. Es decir que hacemos el diagnstico sobre la base de un solo argumento. Como vimos antes, para que el poder de confirmacin sea infinitamente alto es necesario que no existan falsos positivos. Un ejemplo es el aspecto de un herpes zonal tpico: no hay ninguna otra enfermedad que simule a esta presentacin. Solo observando el aspecto hacemos el diagnstico. Existe su equivalente en negativo? S: el hecho de ser un hombre excluye un embarazo extrauterino, el hecho de vivir en los Andes excluye la enfermedad del sueo. Solo que nunca utilizamos el trmino patognomnico en negativo. Podramos llamarlo un argumento obligatorio. De todas maneras, un argumento patognomnico debe ser interpretado con precaucin.

Los determinantes de la fuerza

Varios factores influyen sobre la validez de un argumento y, por consecuencia, sobre su fuerza. Aqu analizamos los factores ms importantes.

La recoleccin de los datos clnicos

Ya en el principio de cualquier contacto clnico, varios factores influirn sobre la fuerza de los argumentos: El mdico comprendi bien a su paciente? Problemas de idioma, de dialecto. (Trate, por ejemplo, de hacer un examen de sensibilidad cutnea en una vieja mujer shuar no habiendo ningn mdico ni auxiliar de enfermera que pueda hacer de traductor). Dispone en verdad el paciente de la terminologa adecuada para expresar lo que siente? Si el paciente tiene ya en mente una causa probable, dar una informacin objetiva? Teniendo ya el mdico en su mente una hiptesis probable, ser selectivo en la interpretacin de la historia y de los argumentos? Son innumerables los sesgos de observacin de parte del paciente y del mdico. No hay que confundir estos sesgos con la utilizacin inteligente de los resultados: por ejemplo, un argumento con un dbil poder de confirmacin ser tomado con cautela cuando es positivo. Lo mismo haremos para un argumento con un dbil poder de exclusin cuando es negativo.

45

Paraclnica: la transmisin de los datos

Todos tenemos un respeto exagerado por los argumentos paraclnicos: sobreestimamos los resultados de laboratorio o los resultados de imagenologa mdica. En principio, estos argumentos podran ser ms fiables. No podemos olvidar, por el contrario, que estos argumentos nos llegan a travs de una cadena de transmisin, en la cual los "errores" pueden ser frecuentes: error de etiqueta, intercambio de sueros, contaminacin con otro suero, error de clasificacin. An en los laboratorios con ms alta reputacin es normal encontrar del 1 a 2% de errores en la transmisin de datos. Al contrario, en el aspecto de una pitiriasis rosea de Gilbert, no hay ninguna transmisin de datos, es el clnico el que observa. Por otro lado muchos exmenes de laboratorio tienen reacciones cruzadas y los exmenes de imgenes dependen tambin de la interpretacin del observador.

El valor de positividad
En el prrafo "caractersticas de base" hemos visto que existen argumentos cualitativos y cuantitativos. Para los argumentos cuantitativos hay que determinar a partir de que valor consideramos el resultado como positivo. Este lmite de positividad influir sobre los poderes de confirmacin y de exclusin del argumento. Una apendicitis puede acompaarse de una leucocitosis alta. Pero qu es una leucocitosis alta?, diez mil, catorce mil?, diecisis mil? El efecto se puede observar en la Figura 4.10 A la izquierda est representado por puntos un grupo de pacientes con apendicitis; a la derecha un grupo de pacientes con otras enfermedades. El tamao de los crculos se corresponde con la cantidad de pacientes existente en cada grupo. Existen tres lneas horizontales que corresponden a diferentes puntos de corte. La lnea roja est colocada en 16 mil leucocitos, es decir consideramos positivo si los leucocitos son ms de 16 mil; la lnea amarilla est colocada en 14 mil leucocitos; finalmente la lnea verde est colocada en 10 mil leucocitos. Si colocamos nuestro punto de corte en 16 mil, habr pocos pacientes con otras enfermedades que alcancen este valor, por lo tanto el argumento ser fuerte si est presente. Por el contrario, ms de la mitad de las apendicitis no alcanzan este valor, su poder de exclusin ser dbil, por consecuencia, la ausencia de este argumento no nos permite excluir una apendicitis. Si en cambio colocamos nuestro punto de corte en 14 mil, el argumento tendr un buen poder de confirmacin si est presente: hay algunos pacientes con otras enfermedades diferentes a la apendicitis que tendrn una leucocitosis de 14 mil. Tampoco ayudara mucho a excluir, puesto que hay pacientes con apendicitis que no alcanzaran este valor. Finalmente si el punto de corte est en 10 mil el argumento se vuelve fuerte para excluir, son muy pocos los pacientes con apendicitis que tienen menos de 10 mil leucocitos; sin embargo es dbil para confirmar, por cuanto hay bastantes pacientes sin apendicitis que tienen valores superiores a 10 mil. En nuestra interpretacin, combinamos todo lo precedente: si la leucocitosis es alta, lo utilizamos para confirmar, si es baja para excluir. 46

Poder de un argumento

Figura 4.10 Efecto del punto de corte sobre el poder de un argumento cuantitativo: recuento de leucocitos en apendicitis

Este grfico debe ser interpretado con cautela, pues se origina en datos ficticios y tiene como fin solamente demostrar el efecto de tomar diferentes puntos de corte. Un metanlisis publicado en el 2004 dice que en realidad el poder de confirmacin del recuento leucocitario a diferentes puntos de corte siempre es dbil. A un punto de corte de 15 mil, el poder de confirmacin no sobrepasa de 7 y a un punto de corte de 10 mil el poder de exclusin tampoco sobrepasara de 6.(3)

El factor tiempo
El mdico, durante su anamnesis, se interesa de 1. Cada argumento tiene un poder de confirmacin y un poder de exclusin forma par ticular en la 2. Estos respectivos poderes raramente son simtricos relacin que existe entre un argumento y su expre- 3. Los argumentos que son pruebas absolutas de una enfermedad son raros. sin en el tiempo, ms particularmente, su duracin, su agravamiento, su carcter intermitente, o su desaparicin. Una diarrea, por ejemplo, es un argumento que habla en favor de muchas etiologas. El espectro diagnstico est fuertemente restringido, segn que hablemos de una diarrea de inicio brusco, que desencadena en una deshidratacin grave por la cual muere el paciente en pocas horas; de una diarrea crnica; de un episodio diarreico de tres das al inicio de unas vacaciones en un medio tropical; o de una diarrea sbita luego de una cena en la cual los alimentos eran de una calidad higinica dudosa. El poder de confirmacin y de exclusin de este argumento est entonces amplificado o reducido en funcin de su expresin en el tiempo.

47

Referencias
(1) Van den Ende J, Bisoffi Z,Van Puymbroek H,Van der Stuyft P,Van Gompel A, Derese A, et al. Bridging the gap between clinical practice and diagnostic clinical epidemiology: pilot experiences with a didactic model based on a logarithmic scale. J Eval Clin Pract 2007 Jun;13(3):374-80. Van den Ende J, Moreira J, Basinga P, Bisoffi Z.The trouble with likelihood ratios. Lancet 2005 Aug 13;366(9485):548. Andersson RE. Meta-analysis of the clinical and laboratory diagnosis of appendicitis. Br J Surg 2004 Jan;91(1):28-37.

(2) (3)

48

5 Fuerza de un argumento aplicada a un contexto clnico

Cuando el grupo dirigido por David Sackett public, en los aos ochenta, su famoso libro Epidemiologa clnica: ciencia bsica para la medicina clnica, muchas cosas cambiaron en la manera de comprender y ensear la medicina.(1) Sackett empez a poner en duda el valor de muchas cosas que se daban por sentadas en el anlisis diagnstico y en las implicaciones para la toma de decisiones clnicas. Con esto puso las bases para lo que ms tarde conoceramos como el movimiento de Medicina Basada en la Evidencia.(2) Aunque parezca increble, el anlisis diagnstico propuesto por Sackett est basado en una teora muy antigua desarrollada en el siglo XVIII por el matemtico Thomas Bayes y luego refinada por Alan Turing, otro matemtico del siglo XX, que se hizo famoso al decodificar los mensajes encriptados del ejrcito alemn durante la II guerra mundial, facilitando as la victoria de las tropas aliadas.(3;4) Actualmente el teorema de Bayes y las redes bayesianas se utilizan en casi todos los dominios de la ciencia,(5) pero ya en 1959 Ledley y Lusted , en un famoso artculo publicado en la revista Science, propusieron su uso en medicina como una forma de desarrollar un sistema computado de razonamiento clnico.(6) Efectivamente este famoso teorema, que no es ms que el clculo de las probabilidades condicionales, constituye el mtodo ms apropiado para conocer la probabilidad de que un enfermo que se encuentra en un determinado contexto, tenga una cierta enfermedad, en funcin de los datos clnicos encontrados. Aunque parece tan sencillo su uso no se ha divulgado en medicina por un lado porque, hasta ahora, ha sido abordado casi exclusivamente por los epidemilogos y, por otro lado, porque se le ha dado un excesivo nfasis a las frmulas matemticas sin tratar de explicar y comprender el principio lgico que est por detrs, con un lenguaje accesible para la mayora.(7) De qu manera un argumento cambia la probabilidad de una enfermedad? Esta es justamente la pregunta que se trata de resolver con el teorema de Bayes y que, en este captulo, intentaremos explicar. Para comprender mejor vamos a partir de un ejemplo prctico.
Un joven estudiante de 17 aos acude a la consulta de un mdico general de su confianza. Est extremadamente ansioso: hace unas horas acaba de retirar el resultado de la prueba para VIH del laboratorio de la Cruz Roja. En el papel se lee en letras maysculas la etiqueta REACTIVO. l no tiene ningn sntoma. Se hizo el examen porque se lo pedan como requisito para ingreso a la Universidad. Aunque es soltero, no se considera alguien que se involucre en prcticas sexuales de riesgo. Desde hace unos meses tiene una enamorada, siempre ha tenido relaciones sexuales con preservativo y nunca ha pagado a nadie por tener sexo. Ahora quiere saber cul es su futuro. Le pregunta al mdico: Cul es la probabilidad de estar realmente infectado con VIH? En la Cruz Roja le dijeron que este resultado no necesariamente significa que tiene el virus y, que para saberlo, haca falta repetir el examen con otro mtodo, pero Cmo se explica eso?, No deberan ser siempre confiables los exmenes de laboratorio?

49

El mdico no sabe bien como responder a las preguntas. Hace unas semanas asisti a un curso sobre el uso de pruebas diagnsticas para VIH y aprendi que las pruebas rpidas que actualmente se usan, tienen una sensibilidad siempre mayor a 97% y una especificidad de al menos 98%.(8) Como adems ha aprendido a calcular el poder de confirmacin de un test, coloca inmediatamente estos valores en una tabla de cuatro entradas y obtiene lo siguiente (Tabla 5.1):
Tabla 5.1 Relacin entre resultado test VIH e infeccin.

Efectivamente una prueba rpida para diagnstico de VIH tiene un poder de confirmacin FUERTE. En el caso de una prueba con el principio ELISA el poder de confirmacin va a ser MUY FUERTE, pues tanto la sensibilidad como la especificidad estn sobre 99%.(8) Entonces, Cmo explicar al joven la necesidad de hacer una segunda prueba? Tomemos un segundo ejemplo, para ver lo que pasara en otra situacin.
El programa nacional de VIH-SIDA decide hacer una investigacin para conocer la prevalencia de infeccin VIH en las trabajadoras sexuales que deambulan por las calles del centro de Guayaquil. Durante una semana logran hacer un test rpido a 100 mujeres. Luego de procesar las muestras encuentran un resultado REACTIVO en tres de ellas. Asumimos que el test usado fue exactamente el mismo que en el ejemplo anterior. Cul es la probabilidad de que cada una de estas tres mujeres se encuentre realmente infectada por el VIH?

Intuitivamente todos dirn que la probabilidad es alta; pero, Cmo es posible que, en el caso de las trabajadoras sexuales, estemos tan seguros de que realmente estn infectadas, mientras que en el caso del joven del ejemplo anterior mantengamos an una duda? La explicacin se encuentra en el anlisis del contexto al que pertenece cada una de estas personas. En el caso de las trabajadoras sexuales sabemos que estn permanentemente expuestas a la infeccin, ms aun si no se protegen con preservativos durante las relaciones. Sin temor a equivocarnos podemos decir intuitivamente que al menos 1 de cada 100 trabajadoras sexuales que deambulan por las calles de Guayaquil tienen la infeccin. El caso del joven es diferente: aun cuando sabemos que muchos adolescentes tienen relaciones sexuales de riesgo, el nivel de exposicin al que llegan no se acerca a aquel de las trabajadoras sexuales. Si juntramos a un grupo de 5000 adolescentes tpicos de 50

Fuerza de un argumento

Quito, que ms o menos corresponde a la poblacin de estudiantes de cualquier colegio pblico, quizs solo 1 o 2 de ellos estn infectados por el VIH, es decir 0,04%. Aqu se encuentra la gran diferencia! Cualquier trabajadora sexual ya tiene una sospecha mnima de 1% de estar infectada, antes de hacer una prueba, mientras que en un adolescente tpico esta sospecha inicial ser solo de 0,04%. La prueba a la cual se sometieron, tanto el joven como las trabajadoras sexuales, es la misma. Su poder de confirmacin no cambia, pues es intrnseco de la prueba y, como vimos antes, este poder es de 48, lo que significa que es FUERTE (Tabla 5.1). Sin embargo, el efecto provocado por esta fuerza de la prueba debe ser interpretado en funcin del contexto en que se encuentra cada persona en la cual ha sido aplicada. Este contexto no es otra cosa que la sospecha inicial: en el caso del joven al que le pidieron la prueba para entrar a la universidad vimos que sta es muy baja; en el caso de las trabajadoras sexuales la situacin es diferente. Si partimos de una sospecha inicial baja, la probabilidad despus de la prueba ser ms alta, pero no tanto como cuando partimos de la sospecha inicial que tendra una trabajadora sexual. Este efecto vamos a verlo en la Figura 5.1
Figura 5.1 Efecto del mismo test en dos personas diferentes.

En el eje y se encuentran las probabilidades en porcentajes, pero representadas en una escala logartmica. Cada lnea representa a un sujeto. En el extremo izquierdo de cada lnea se encuentra la probabilidad antes de hacer la prueba, en el extremo derecho la probabilidad obtenida despus de la prueba.

Esta figura les parecer un poco extraa. En primer lugar la probabilidad despus de la prueba a la que llegamos con el joven es de apenas 2%, mientras que en el caso de la trabajadora sexual es ms alta, pero an as no llega a ser superior a 32%. En efecto, si aplicramos la formula de Bayes a los datos que tenemos, estos seran los resultados que se obtendran. Esto se debe a que, en el clculo de probabilidades, el poder de una prueba es aplicado a la probabilidad que haba antes de hacer dicha prueba1. El segundo aspecto que llamar la atencin es la escala que est representada en el eje y. A continuacin explicamos por qu hemos optado por usar esta escala.
1

Para los que estn interesados en conocer en detalle la frmula de Bayes sugerimos leer el apndice, aunque esto no es indispensable para continuar la lectura del texto.

51

La escala de probabilidades
En realidad se trata de una escala logartmica1. El uso de esta escala tiene muchas ventajas de interpretacin, tanto para el clculo como para la visualizacin; por eso la usaremos siempre para estimar la probabilidad obtenida despus de hacer una prueba en un determinado paciente. La primera ventaja consiste en que en una escala semejante los extremos estn estirados de manera que podemos visualizar lo que ocurre en probabilidades muy bajas o muy altas. Esto no sera posible en una escala linear, pues los valores comprendidos entre 0,01 y 1 o aquellos comprendidos entre 99 y 99,99 estaran escondidos. En la Figura 5.2 se puede observar cmo una escala logartmica se corresponde con una escala linear.
Figura 5.2 Probabilidades en Log10 de los odds y en porcentajes

A la izquierda se encuentra la escala en logaritmos de base 10 del odds de las probabilidades.A la derecha se encuentran las correspondientes probabilidades en porcentaje. La escala logartmica tiene un eje de simetra cero que corresponde a una probabilidad de 50%. Es una escala infinita tanto hacia abajo como hacia arriba.

En este tipo de escala tenemos un eje de simetra cero que corresponde a una probabilidad de 50%. Esta nocin es muy compatible con nuestra intuicin: un paciente que tiene una probabilidad de 50% de estar afectado por una enfermedad se encuentra situado en una posicin neutra, en la que tiene tanto riesgo de presentar la enfermedad como de no presentarla. A partir de esta posicin neutra la escala sube con valores positivos o baja con valores negativos, los cuales se miran como en espejo, el uno en relacin al otro. La imagen en espejo de 10% ser 90%, la de 1% ser 99%, la de 0,1% ser 99,9% y as sucesivamente. Otra caracterstica interesante es que la escala es infinita, tanto para arriba como para abajo, lo cual tambin tiene su racionalidad: en una gran parte de pacientes nunca llegamos a estar absolutamente seguros de que tenga una enfermedad, as como tampoco de que no la tenga.
1

Para los interesados en conocer en detalle la escala logartmica sugerimos leer el apndice, tampoco esto es indispensable para continuar con la lectura del texto.

52

Fuerza de un argumento

La segunda gran ventaja de usar esta escala, que es justamente la misma razn por la que Napier invent hace 400 aos los logaritmos,(9) est en el hecho de que , en lugar de hacer las complicadas operaciones aritmticas que nos exige la frmula de Bayes, podemos simplemente adicionar uno tras otro los poderes de cada prueba. Es decir con la ayuda de este dibujo ya no necesitamos hacer los clculos, simplemente dibujamos las flechas que representan a cada argumento, desde su punto de partida. El tamao de cada flecha se determinar por la fuerza que tenga el argumento en cuestin, tanto para confirmar como para excluir, como ya lo explicamos en el captulo precedente.

Representacin grfica
Esto todaba sigue siendo demasiado complicado. Finalmente la forma ms sencilla de aplicar todo esto, y la que aconsejamos que se utilice en la prctica, es la de un grfico. Para empezar hay que pensar en la escala logartmica como si fueran los pasos de una escalera. Un argumento intil no nos ayuda ni a avanzar ni a retroceder. Un argumento dbil nos hace mover medio paso (hacia arriba si el argumento est presente, hacia abajo si est ausente). Un argumento bueno har mover 1 paso; uno fuerte 1 paso y medio y uno muy fuerte permitir un movimiento de 2 pasos. (Figura 5.3)
Figura 5.3: Representacin de los poderes en la escala

El uso de varios argumentos en serie

Cuando nos aproximamos al problema clnico de un paciente en particular hacemos varias preguntas en serie. Empezamos con una anamnesis, continuamos con un examen fsico, luego pedimos exmenes de laboratorio y de imgenes. Cada pregunta tiene el objetivo de hacer variar nuestra sospecha inicial. Si la respuesta es afirmativa la probabilidad de tener la enfermedad que sospechamos sube, si es negativa en cambio 53

baja. Aunque no nos damos cuenta todas estas preguntas son hechas de una manera ms o menos serial, es decir una detrs de la otra. Esto es ms evidente cuando pedimos exmenes complementarios: por ejemplo, frente a la sospecha de una pielonefritis empezamos con un examen elemental de orina, si encontramos signos de infeccin pedimos un cultivo o una ecografa renal. De hecho, este proceso es necesario en los pacientes de los ejemplos anteriores.Tanto para el joven estudiante como para las trabajadoras sexuales que tuvieron una prueba rpida reactiva para VIH es absolutamente necesario continuar la investigacin con una segunda prueba. El objetivo de la investigacin, sin embargo, es diferente en cada caso: es de suponer que en el joven lo ms probable es que estemos ante un falso positivo, por lo tanto nos interesa hacer una segunda prueba para excluir la infeccin y tranquilizarlo; en el caso de las trabajadoras sexuales, en cambio, nos interesa confirmar para poder dar las recomendaciones necesarias. Supongamos que en estas dos personas hacemos un segundo test del tipo ELISA, el cual tiene un poder de confirmacin de 99 - es decir MUY FUERTE - y en ambos casos obtenemos un resultado reactivo. Cmo deberamos interpretar este nuevo resultado? Con el uso de nuestra escala esto es facilsimo: simplemente dibujamos una flecha que avanza dos pasos (porque se trata de un test MUY FUERTE) partiendo desde la probabilidad obtenida despus de la primera prueba. De esta manera obtenemos lo siguiente (Figura 5.4):
Figura 5.4 Efecto de dos tests en serie en dos personas diferentes.

En el eje y se encuentran las probabilidades en porcentajes, pero representadas en una escala logartmica. Cada lnea representa a un sujeto. En el extremo izquierdo de cada lnea se encuentra la probabilidad antes de hacer la prueba, en la mitad la probabilidad obtenida despus de la primera prueba y en el extremo derecho la probabilidad obtenida despus de la segunda prueba.

Vemos que la probabilidad final alcanzada en el caso de la trabajadora sexual ya es muy alta, cercana al 99%, mientras que en el caso del joven apenas alcanzamos una probabilidad que est alrededor de 50%. Es la misma explicacin que cuando veamos el efecto de una sola prueba: mientras ms arriba se encuentre el punto de partida ms alta va a ser la probabilidad alcanzada, aunque la prueba sigue teniendo el mismo poder intrnseco. El mensaje que daremos a cada paciente ser distinto: al joven le recomendaremos confirmar con una tercera prueba, con la trabajadora sexual ya estamos en un nivel en el que casi le podemos asegurar que est infectada. 54

Fuerza de un argumento

Sin embargo la intuicin nos dice que en el caso del joven es ms probable que una segunda prueba no sea reactiva. Como dijimos antes, el objetivo principal en este caso es excluir la infeccin. Cul sera el efecto de un resultado no reactivo en la segunda prueba? En este caso ya no debemos tomar en cuenta el poder de confirmacin de la prueba, si no su poder de exclusin. Poniendo los datos en una tabla de contingencia obtenemos lo siguiente (Tabla 5.2):
Tabla 5.2. Relacin entre resultado test ELISA para VIH e infeccin.

Una prueba con un poder de exclusin MUY FUERTE nos hace mover dos pasos, pero el movimiento ya no ser hacia arriba, como cuando el resultado era positivo, si no hacia abajo. Eso s, partiendo de la probabilidad alcanzada despus de la primera prueba. El efecto lo podemos ver en la Figura 5.5, donde comprobamos que la probabilidad alcanzada por el joven despus de haber tenido un resultado no reactivo en el test ELISA es incluso ms baja que la que tena antes de empezar toda la investigacin. Lo mismo ocurre con la trabajadora sexual en caso de que en ella tambin el test ELISA resulte negativo.
Figura 5.5: Efecto de dos tests en serie en dos personas diferentes.

En el eje y se encuentran las probabilidades en porcentajes, pero representadas en una escala logartmica. Cada lnea representa a un sujeto. En el extremo izquierdo de cada lnea se encuentra la probabilidad antes de hacer la prueba, en la mitad la probabilidad obtenida despus de la primera prueba y en el extremo derecho la probabilidad obtenida despus de la segunda prueba

55

De esta forma vemos como toda la interpretacin clnica que hacemos, cuando estamos analizando una hiptesis diagnstica en un determinado paciente, puede ser representada grficamente. Esto con el fin de estimar la probabilidad final alcanzada sin necesidad de frmulas matemticas. En la figura 5.6 se puede observar cual sera el resultado obtenido si pusiramos en forma grfica una serie de preguntas en una sospecha de infeccin por VIH.
Figura 5.6: Evolucin de la probabilidad con varios argumentos en serie

Otro ejemplo
Consideremos el siguiente caso clnico:
Una mujer shuar de 30 aos de edad llega al consultorio del Hospital de Mndez, en la amazona ecuatoriana. Se queja de tos de ms de dos meses de evolucin, disnea inespecfica y hemoptisis. Usted pide un BAAR de esputo pero este resulta negativo, por lo que decide hacer una Rx de trax en la que se observa infiltrado apical.

Lo primero que sospechamos es en una tuberculosis pulmonar, por eso resulta necesario estimar la sospecha inicial, es decir, el punto de partida desde el cual vamos a interpretar todos los argumentos que esta paciente presenta. Una manera podra ser la de considerar que la sospecha inicial es la prevalencia de la tuberculosis pulmonar en la poblacin ecuatoriana la cual, segn las informaciones estadsticas, es de 5 en 10 mil. Sin embargo hay que tomar en cuenta el hecho de que las prevalencias obtenidas de las estadsticas oficiales estn relacionadas con la poblacin general del pas, en la cual se encuentran ms personas sanas que enfermas. Un servicio de salud, como el hospital de este ejemplo, corresponde a un contexto diferente al de la poblacin general: las personas que acuden a un hospital lo hacen, por lo general, porque tienen algn problema de salud, por tanto ya no es una poblacin constituida por personas sanas y, por eso, la prevalencia de todas las enfermedades, includa la tuberculosis, es ms alta. Si no disponemos de datos sobre la distribucin de enfermedades en el servicio de salud en el que trabajamos, no nos queda otra alternativa que basarnos en nuestra 56

Fuerza de un argumento

experiencia. Para esto es necesario hacer un pequeo ejercicio intuitivo con la siguiente pregunta: De los ltimos 100 pacientes que he visto en este servicio de salud, Cuntos han tenido tuberculosis? Si la respuesta es 1, entonces ya sabemos que la sospecha inicial es de 1%; si la respuesta hubiera sido 5, entonces la sospecha inicial sera de 5%. En enfermedades menos frecuentes tendremos que hacer la misma pregunta sobre 1000 pacientes. Este ejercicio intuitivo necesita un cierto control mental de nuestra parte. Como seres humanos tenemos una tendencia a sobreestimar la frecuencia de algunos eventos que nos han llamado la atencin, que nos han provocado una reaccin emocional.(10) En los mdicos este fenmeno ocurre a menudo. Por ejemplo, despus de haber descubierto una colagenopata en algn paciente, la cual ha requerido un ejercicio intelectual y reflexivo intenso, no dejamos de pensar en esa enfermedad en todos los siguientes pacientes que vemos con algn sntoma parecido; incluso hacemos de inmediato juicios tales como: es sorprendente como ha aumentado la frecuencia de esta enfermedad en los ltimos tiempos! y transmitimos estas ideas a nuestros pacientes. Por eso, cundo estimamos intuitivamente la frecuencia de una enfermedad debemos ser muy cautos controlando nuestro pensamiento. Siempre hay que tomar en cuenta un principio: las enfermedades raras son raras y su frecuencia cambia en grandes perodos, cada 10, 20 o 30 aos, por ejemplo en los aos 60 la obesidad era rara, ahora es ms frecuente, pero esa situacin no cambi de un momento al otro, ha sido el producto de varios cambios sociales ocurridos en los ltimos 40 aos. Es diferente el caso de las enfermedades altamente transmisibles que pueden originar una epidemia, por ejemplo la gripe, el dengue, la malaria, la diarrea, en las cuales la frecuencia puede cambiar de un mes a otro. La tuberculosis pulmonar es una enfermedad transmisible pero su velocidad de transmisin no es tan alta como la de una diarrea causada por contaminacin del agua. La tuberculosis no tiene brotes epidmicos! Regresando a nuestro ejemplo de la mujer shuar, podemos decir con confianza que la sospecha inicial de tener tuberculosis pulmonar, si estamos en el Hospital de Mndez, es de 1%. A esta probabilidad inicial tambin se la conoce como la probabilidad pretest. Hemos visto que un argumento modificar, por su poder de confirmacin o de exclusin, esta probabilidad pre-test en una probabilidad post-test. Al finalizar toda la bsqueda de argumentos llegaremos a una probabilidad post-test final, o mejor dicho a una certeza. Veamos cmo evoluciona el valor de esa probabilidad. El primer argumento que la paciente de nuestro ejemplo presenta es la tos crnica. Necesitamos conocer cul es el poder de confirmacin de este argumento. Como vimos en el captulo anterior, requerimos conocer la proporcin de verdaderos positivos y falsos positivos. Intuitivamente podemos decir que 9 de cada 10 pacientes con tuberculosis presentan tos crnica, es decir que la proporcin de verdaderos positivos, tambin conocida como sensibilidad, es de 90%. Estimar la proporcin de falsos positivos es un poco ms difcil. Para eso necesitamos imaginar un grupo de personas que NO tienen tuberculosis pulmonar, pero que acuden a la consulta con cualquier otra enfermedad, y preguntarnos en cuntos de ellos se encuentra tambin tos crnica. Supongamos 100 pacientes en un consultorio de medicina general como el del ejemplo, Cuntos pacientes de stos tienen tos crnica? Entre stos estarn quienes tienen una bronquitis crnica, un asma, una alergia, una fibrosis pulmonar, habr algunos fumadores, etc. A partir de aqu podemos ensayar algunas estimaciones: Sern la mitad? 57

Probablemente no, a menos que nos encontremos atendiendo en un servicio de neumologa; Ser 1 de cada 100? Tampoco, la tos crnica, incluso en la poblacin general es ms frecuente; Sern 4 de cada 10? Todava parece un poco exagerado; Uno de cada 10?, Tres de cada 10?, all parece que hemos encontrado una suerte de punto de equilibrio: la frecuencia de tos crnica en un grupo de personas que NO tienen tuberculosis pulmonar se encuentra entre 1 de cada 10 y 3 de cada 10, es decir en 2 de cada 10, por consecuencia la tasa de falsos positivos es de 20%. Con esto ya es posible hacer el clculo del poder de confirmacin, para lo cual ponemos los valores en una tabla (Tabla 5.3)
Tabla 5.3: Poder de confirmacin para la tos en tuberculosis

Este argumento ya lo podemos representar en nuestra escala de certeza: dibujaremos una flecha que haga subir medio escaln desde la probabilidad pre-test que, como vimos antes, es de 1%, con esto llegamos a una probabilidad post-test que est alrededor de 5% (Figura 5.6).
Figura 5.7: Evolucin de un argumento desde la probabilidad inicial

Los siguientes argumentos tendrn que ser representados a partir de la probabilidad alcanzada con la tos crnica. En caso de estar presentes la probabilidad subir, si en cambio estn ausentes la probabilidad disminuir. Para resumir presentamos en la Tabla 5.4 los datos necesarios para calcular los poderes de confirmacin de los argumentos 58

Fuerza de un argumento

presentes y el poder de exclusin del BAAR de esputo, que es el nico argumento ausente en la paciente del ejemplo.
Tabla 5.4: Argumentos para tuberculosis

De esta manera se puede representar toda la evolucin de la probabilidad en un solo grfico, como sigue (Figura 5.7)
Figura 5.7: Evolucin de varios argumentos en serie desde la probabilidad inicial

Resumiendo, la probabilidad de base que tena esta paciente era de 1%. Como se ve en el grfico, a este momento lo llamamos sala de espera, pues es la probabilidad que tendra cualquier paciente de tener cualquier enfermedad antes de que el mdico lo atienda, es decir cuando efectivamente est en la sala de espera. Luego de haber recogido, durante la consulta, varios argumentos (positivos y negativos) en esta misma persona, la probabilidad post-test de que ahora se encuentre afectada por esta enfermedad es de 99%: los argumentos positivos (tos, disnea inespecfica, hemoptisis y una radiografa de trax que presenta infiltrado apical) han aumentado el valor de esta probabilidad y el argumento negativo (ausencia de BAAR en esputo) lo ha descendido. 59

La leccin ms importante, luego de revisar este caso, es que la paciente tiene una probabilidad bastante alta de estar enferma con tuberculosis pulmonar,A PESAR de un examen de esputo negativo para BAAR. Las implicaciones de este resultado son de una importancia enorme. Si el mdico en este momento piensa que la certeza alcanzada no es suficiente para iniciar el tratamiento, la paciente podra quedarse sin recibir la atencin adecuada a pesar de tener la enfermedad. Por otro lado la certeza no es del 100%, de manera que an existe una, aunque muy pequea, probabilidad de que tenga cualquier otra enfermedad y no tuberculosis. Cul es el nivel de certeza requerido? La respuesta solo se obtendr despus de una estimacin adecuada del umbral que, como vimos en el segundo captulo, toma en cuenta los riesgos de dejar sin tratamiento a alguien que tiene la enfermedad vs. los riesgos de tratar a alguien que no tiene la enfermedad. Para el caso de la tuberculosis podemos decir que el umbral, es decir la certeza requerida, es bastante bajo. Un estudio realizado en Ruanda mostr que es de mximo 11%,(11) por lo tanto en esta paciente el umbral ha sido superado de lejos y se puede tratar con toda seguridad, an si su examen de esputo es negativo.

Notas adicionales
Nuevas herramientas
En los ltimos 30 aos han sido propuestas algunas herramientas que facilitan el uso del teorema de Bayes en la prctica clnica. El ms conocido de todos es el nomograma de Fagan en el cual, mediante un trazo que parte de la probabilidad pre-test pasando por el poder del test, se llega a la probabilidad post-test.(12) Aunque es una herramienta muy interesante tiene algunas desventajas para su uso cotidiano en la prctica clnica. La primera desventaja es que solo se puede calcular el efecto de un test a la vez, necesitando poner varios nomogramas, uno al lado del otro, para poder observar la evolucin de la probabilidad.(13) La segunda desventaja, que es quizs la ms importante, es que la herramienta est basada en likelihood ratios, que pueden traducirse al castellano como cocientes de probabilidad. En realidad estos no son otra cosa que el poder de un argumento pero calculados de una forma diferente y ms complicada,1 por eso requieren que el usuario tenga nociones ms avanzadas de epidemiologa clnica, lo que no es el caso de la mayor parte de los mdicos.(7) Tambin en los ltimos aos, con la expansin en el uso de computadoras de mano (ms conocidas como Handheld, PDAs o Palm) se ha puesto a disposicin de los mdicos calculadoras bayesianas en las cuales es suficiente introducir la probabilidad pre-test, luego el cociente de probabilidad del test cuyo efecto se quiere conocer y se obtiene la probabilidad post-test. Estas calculadoras no han superado conceptualmente al nomograma de Fagan, por lo que siguen teniendo sus mismas desventajas. El mtodo que hemos propuesto aqu supera estos obstculos y, ms que una herramienta fsica, intenta convertirse en una destreza, a la que pueda recurrirse cuando sea necesario analizar el efecto de una prueba aplicada a un paciente que se encuentra en un determinado contexto.(14)

El valor predictivo
Dentro del contenido de todo curso de epidemiologa siempre se insiste en la nocin del Valor Predictivo Positivo y Negativo como una forma para evaluar el beneficio de
1

Para los interesados, en anexo se explica en detalle la diferencia entre likelihood ratios y poder de confirmacin. No es indispensable para continuar la lectura del texto.

60

Fuerza de un argumento

una prueba. De hecho, esto no es otra cosa que la aplicacin del teorema de Bayes sin embargo, en la prctica clnica, esto ha dado origen a mucha confusin. Por un lado, el valor predictivo, al ser una nocin ms utilizada en la epidemiologa permite conocer el valor de un argumento en una poblacin dada. Esto se aleja de las necesidades a las cules un mdico se confronta durante la prctica clnica. Cuando ste analiza el valor de un test est ms interesado en conocer el valor del mismo en un paciente en particular, no en una poblacin. Hay que recordar que la prevalencia de una enfermedad en una poblacin es diferente de la sospecha inicial que un paciente tiene - de padecerla - cuando se encuentra en la sala de espera. Cada paciente tiene su propia historia y por consecuencia su propia sospecha, la que incluso cambia segn el tipo de sala de espera que tengamos: por ejemplo, la sospecha de insuficiencia cardiaca en la sala de espera de un mdico general es bastante ms baja que la que se encuentra en la sala de espera de un servicio de cardiologa. Por otro lado el uso extensivo del valor predictivo en la literatura mdica, para analizar el beneficio de las pruebas diagnsticas, ha dado lugar a interpretaciones errneas que a la larga pueden perjudicar el manejo de los pacientes. En la mayor parte de estudios en los que se analiza el valor predictivo la sospecha inicial de la enfermedad ya se encuentra muy elevada, por consecuencia la probabilidad post-test siempre terminar siendo alta. Un ejemplo real de esto podemos encontrar en la interpretacin de los argumentos frente a una sospecha de apendicitis. Uno de los puntajes ms populares para el diagnstico de esta enfermedad es el score de Alvarado. Segn el artculo original de este estudio el valor predictivo positivo de todos los argumentos incluidos en el score es superior al 90%.(15) Un metanlisis ms reciente, que en lugar de analizar el valor predictivo positivo usa los cocientes de probabilidad, revela que en realidad todos estos argumentos son dbiles.(16) El error de interpretacin se da porque en la poblacin de origen del estudio de Alvarado la sospecha inicial de apendicitis ya era bastante alta.

La exactitud de los datos

A menudo nuestro mtodo es criticado porque basamos la estimacin de probabilidades en muchos datos intuitivos. Se dice que: si se calcula con basura se obtiene basura. Sin embargo esto no es tan cierto. Se podra decir que la situacin ideal sera que la estimacin de sensibilidad y especificidad de todos los datos clnicos estuviera basada en estudios realizados con una metodologa apropiada. Lamentablemente ese no es el caso, pero tampoco es algo imprescindible. Por un lado existe una ausencia casi absoluta de estudios que evalen la sensibilidad y la especificidad de los sntomas y signos de las diferentes enfermedades. Esto debido a que hay poco inters en hacerlo pero tambin a que la organizacin de este tipo de investigaciones no es tan fcil. Por otro lado el trabajo de un mdico clnico se desarrolla en una diversidad de contextos epidemiolgicos, cada uno con una frecuencia diferente de enfermedades, lo que trae como consecuencia que las tasas de falsos positivos cambian de un sitio a otro. Esto implica que la estimacin de la fuerza de un test y de la frecuencia de enfermedades tiene que, necesariamente, ser un anlisis intuitivo que cada mdico realiza para el contexto en el cual ejerce sus actividades. Por ltimo hay que sealar que, al usar un mtodo de representacin en categoras de poder, las pequeas variaciones que se pueden encontrar en los porcentajes de sensibilidad y especificidad afectan muy poco el resultado final, tanto para la estimacin de la fuerza de un test como para el clculo de probabilidades. 61

Conclusin
Ni la sensibilidad y ni la especificidad, por s solas, nos permiten conocer la fuerza de un argumento. Es mediante la combinacin de ambas, midiendo el equilibrio (o desequilibrio) entre verdaderos y falsos que podemos estimar el aporte que un argumento puede tener en nuestra sospecha diagnstica. Usando el teorema de Bayes, esta fuerza puede ser aplicada directamente en la prevalencia o la sospecha inicial. Las fuerzas de una serie de argumentos nos ayudan, de esta forma, a llegar a una probabilidad final. Desafortunadamente las frmulas que se encuentran por detrs del teorema de Bayes son excesivamente complejas, lo que dificulta su aplicacin en la prctica clnica de todos los das. La representacin grfica de las fuerzas de un argumento, en una escala de certeza logartmica, facilita la aplicacin del teorema de Bayes y permite visualizar el efecto que se obtiene luego de varios argumentos en serie. El valor predictivo es una nocin utilizada en epidemiologa: de hecho no da el valor de un argumento, sino el valor de un argumento en una poblacin dada, lo que no se aplica en clnica, donde cada paciente tiene su propia historia, y por consecuencia, su propia sospecha. El uso de estimaciones intuitivas, cuando stas son hechas de una manera objetiva, es muy fiable y apropiado para la situacin de trabajo de un clnico.

62

Fuerza de un argumento

Referencias
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14) Sackett D, Haynes R, Guyatt GH, Tugwell P. Clinical Epidemiology: a basic science for clinical medicine. 2 ed. Boston: Little, Brown and Company; 1991. Sackett DL, Rosenberg WM. On the need for evidence-based medicine. J Public Health Med 1995 Sep;17(3):330-4. Bayes T. An Essay Toward Solving a Problem in the Doctrine of Chances. Philosophical Transactions of the Royal Society of London 1764;53:370-418. Good I.J. Studies in the history of probability and statistics XXXVIII. AM Turing's statistical work in world war II. Biometrika 1979;66:393-6. Wiggins C.What is Bayes' theorem, and how it can be used to assign probabilities to questions such as the existence of God? What scientific value does it have? Scientific American . 4-12-2006. Ledley RS, Lusted LB. Reasoning foundations of medical diagnosis; symbolic logic, probability, and value theory aid our understanding of how physicians reason. Science 1959 Jul 3;130(3366):9-21. Van den Ende J, Moreira J, Basinga P, Bisoffi Z.The trouble with likelihood ratios. Lancet 2005 Aug 13;366(9485):548. Ferreira Junior OC, Ferreira C, Riedel M,Widolin MR, Barbosa-Junior A. Evaluation of rapid tests for anti-HIV detection in Brazil. AIDS 2005 Oct;19 Suppl 4:S70-S75. Stoll C. When slide rules ruled. Scientific American 294[5], 69-75. 2006. Eddy DM. Probabilistic reasoning in clinical medicine: Problems and opportunities. In: Kahneman D, Slovic P, Tversky A, editors. Judgement under uncertainty: Heuristics and Biases.Cambridge: Cambridge University Press; 1982. Basinga P, Moreira J, Bisoffi Z, Bisig B,Van den Ende J. Why Are Clinicians Reluctant to Treat Smear-Negative Tuberculosis? An Inquiry about Treatment Thresholds in Rwanda. Med Decis Making 2007 Jan;27(1):53-60. Fagan TJ. Letter: Nomogram for Bayes theorem. N Engl J Med 1975 Jul 31;293(5):257. Grimes DA, Schulz KF. Refining clinical diagnosis with likelihood ratios. Lancet 2005 Apr 23;365(9469):1500-5. Van den Ende J, Bisoffi Z,Van Puymbroek H,Van der Stuyft P,Van Gompel A, Derese A, et al. Bridging the gap between clinical practice and diagnostic clinical epidemiology: pilot experiences with a didactic model based on a logarithmic scale. J Eval Clin Pract 2007 Jun;13(3):374-80. Alvarado A. A practical score for the early diagnosis of acute appendicitis. Ann Emerg Med 1986 May;15(5):557-64. Andersson RE. Meta-analysis of the clinical and laboratory diagnosis of appendicitis. Br J Surg 2004 Jan;91(1):28-37.

(15) (16)

63

6 El Panorama: Anlisis del Razonamiento Clnico Complejo

1.1 Introduccin
En contraste con la abundancia de literatura que se escribe sobre teraputica y sobre el desarrollo de mtodos para el diagnstico, muy poco se ha escrito sobre las bases que guan el razonamiento clnico. Recin a finales de los setenta Kassirer empez, en su serie clinical problem solving que hasta ahora se publica peridicamente en el New England Journal of Medicine, a realizar algunos ensayos en ese sentido.(1) Contemporneamente un grupo importante de psiclogos cognitivos tambin comenz a desarrollar algunos experimentos en ese campo, coincidiendo con el advenimiento del computador personal, el cual nos incit a analizar la lgica humana con el fin de imitarla electrnicamente.(2-4) A pesar de eso, hasta la fecha, no existen resultados concretos que permitan generalizar recomendaciones que puedan ser integradas en la prctica clnica de todos los das y en la enseanza mdica. Podramos preguntarnos porqu esto ha sido as. La principal razn, y mas bien un pretexto, parece ser una mezcla de respeto por el secreto mdico y de veneracin de la intuicin. Todos experimentamos una resistencia considerable cuando hay que violar la intimidad de una consulta, la intimidad de parte del paciente, que quiere proteger sus datos, y la intimidad por parte del mdico que mira a sus contactos y sus anlisis como sagrados. Todos somos reticentes a hacer analizar nuestra intuicin. Es por eso que las reservas mencionadas debilitan substancialmente a los ejercicios clnicos. Involucrarse en la vida privada de un paciente, y esto delante del pblico es a menudo visto como un problema tico. El lazo entre estas dos reservas no es tan fcil de comprender. No hay ningn obstculo tico para que nuestra intuicin sea disecada, formalizada y mejorada. Lamentablemente los mtodos para hacerlo todava estn poco desarrollados y quizs, seguir insistiendo en eso, no sea tan importante. La competencia del mdico est basada en su conocimiento y en un saber-hacer. Est comprobado que existe poca diferencia entre los conocimientos que moviliza por una parte un clnico y por otra parte un estudiante. La diferencia se encuentra en la utilizacin de la informacin : un clnico experimentado utiliza la informacin con una lgica ms elaborada, ms fina.(2, 3) La lgica probabilstica, con el uso del anlisis bayesiano que explicamos en el captulo anterior, aborda solo una pequea parte del razonamiento clnico, que es la relacin entre una enfermedad y un argumento, y luego entre una enfermedad y varios argumentos. El problema es que en la vida real debemos encontrar relaciones entre una multitud de enfermedades y argumentos, por lo cual el desafo es mucho mayor. Cmo podemos abrirnos un camino en este tipo de situaciones? En los ltimos 30 aos la OMS y la OPS han invertido muchos recursos en la construccin de algoritmos, los que han estado principalmente dirigidos para el primer nivel 65

de atencin. El ejemplo ms conocido es el de los algoritmos para la Atencin Integrada de las Enfermedades Prevalentes de la Infancia (AIEPI).(4) La idea era de poder ayudar a los agentes de salud comunitarios (promotores de salud y auxiliares de enfermera) que trabajan en zonas con poca accesibilidad a tener una lgica fija que les permita solucionar problemas mdicos urgentes, principalmente relacionados con la referencia oportuna de casos graves a un nivel de atencin mayor. Ms tarde esta lgica algortmica se traslad a varios textos de medicina y a varias lneas guas relacionadas con el manejo de problemas complejos. Lo sorprendente es que son muy raros los clnicos con experiencia que actan siguiendo algoritmos establecidos y esto puede tener varias explicaciones. La primera podra ser que, contrariamente a la estructura de un algoritmo que es esencialmente serial, el razonamiento humano utiliza sobre todo pasos paralelos, cuya lgica compleja es difcil de entender. Este razonamiento paralelo permite hacer el "reconocimiento de un patrn", actividad para la cual el cerebro humano es muy bueno.(5, 6) La segunda podra estar relacionada con la ponderacin de los estmulos. Contrariamente a los transistores de una computadora, las neuronas reaccionan de manera ponderada y analgica1; un transistor toma una decisin digital, dicotmica. Un transistor puede captar y emitir una sola palabra, o mensaje: si o no, + o -. En cambio, las neuronas pueden captar mensajes intermedios, como un poco, mucho etc., y enviar una respuesta tambin ponderada, como estamos mas o menos convencidos que. En lenguaje de computadora la ltima frase sera redondeada en un sencillo si, que es totalmente diferente y mucho menos rico. Finalmente la tercera explicacin tiene que ver con el sentido comn que tiene un mdico, el cual est basado en el conocimiento y la experiencia. Un clnico experimentado puede darse cuenta en unos pocos minutos que las restricciones que impone un razonamiento algortmico pueden tener consecuencias importantes en el manejo de un paciente, por lo tanto prefiere no seguirlo. En el enfoque algortmico el razonamiento intuitivo, paralelo y analgico, es traducido en un enfoque serial y dicotmico, de complejidad variable (Fig. 6.1 y 6.2). Este enfoque es perfecto para una computadora, para delegar tareas simples a personal menos calificado, y para la solucin de problemas bien delimitados.

Por analgico nos referimos a que a cada estmulo se le da el valor real de la magnitud que se quiere transmitir.

66

El panorama

Figura 6.1 Algoritmo en escalera

La debilidad de los algoritmos es fcil de mostrar: de acuerdo a la figura 6.1, en un paciente con una neumona, que no presenta fiebre, el diagnostico no ser hecho! El algoritmo presentado en la figura 6.2 es un poco ms complejo; sin embargo eso no lo hace ms eficaz.
Figura 6.2 Algoritmo complejo

67

Tambin en este algoritmo el razonamiento es demasiado ingenuo: el paciente no puede tener una febricula, tampoco puede tener bocio y fiebre al mismo tiempo, etc. Estas representaciones algortmicas no representan la lgica intuitiva del mdico, y por consecuencia es obvio que en un cierto momento van a ser rechazadas. Quizs algunos algoritmos que indican el camino para la realizacin de tareas o intervenciones especficas puedan ser ms tiles como recordatorios. De hecho, muchos mdicos dicen que no siguen los algoritmos de forma rgida pero que, sin embargo, los usan como una plantilla de control para verificar que todo lo que est previsto ha sido hecho. Por estas razones en este libro proponemos otra forma de representar nuestra lgica diagnstica. Al igual que los algoritmos, esta lgica est basada en el anlisis de un argumento clave como se hace en el diagnstico diferencial clsico. Sin embargo, en lugar de emplear las ramas que tiene un algoritmo la representamos como un panorama. A partir del argumento clave se puede hacer un recorrido visual de todas las enfermedades prioritarias siguiendo un razonamiento paralelo y analgico(Figura 6.3). (7)
Figura 6.3 Panorama

El volcn que est en el centro representa el sntoma clave. Las colinas alrededor del volcn representan las enfermedades prioritarias que estamos obligados a confirmar y/o excluir, mientras que las que se encuentran ms alejadas son las enfermedades menos prioritarias.

Las leyes
Las leyes para construir un panorama son muy pocas, pero hay que tomarlas siempre en cuenta. Estas pueden ser deducidas a partir de una serie de errores o sesgos en el razonamiento diagnstico. El espectro de enfermedades: En los libros de medicina interna el espectro de enfermedades consideradas en el diagnstico diferencial de ciertos sntomas clave suele ser exhaustivo y, por eso, se hace difcil de manejar. La mayora de mdicos no nos acordamos, por ejemplo, de todas las enfermedades que estn dentro del diagnstico dife68

El panorama

rencial de fiebre. Por eso, al hacer nuestro espectro mental nos contentamos con incluir solo las enfermedades ms frecuentes. Aunque sta parecera ser una estrategia muy eficiente tiene una trampa: Hay ciertas enfermedades que son poco frecuentes pero que pueden traer consecuencias fatales para el enfermo. Si adems estas son susceptibles de ser controladas por una intervencin mdica, por ejemplo con un antibitico o una ciruga, el error de haberlas pasado por alto es imperdonable. Un ejemplo es la meningitis. Esta no es una enfermedad frecuente sin embargo, si no se trata a tiempo, puede ser fatal y, adems, es fcilmente tratable. No es raro escuchar historias de nios que han muerto o han quedado severamente discapacitados porque, a raz de un episodio de fiebre, el mdico no sospech y no trat a tiempo una posible meningitis. Por otro lado hay enfermedades que, aunque son muy frecuentes, no amenazan la vida de la persona y-o no tienen un tratamiento especfico. El ejemplo ms tpico de estas ltimas es la gripe: es la enfermedad ms comn y aunque puede ser muy molestoso para un paciente tener goteo nasal, fiebre, dolor muscular, cefalea, estos sntomas desaparecen en algunos das sin necesidad de tratamiento especfico y, en la mayora de los casos, sin amenazar la vida del enfermo o dejar secuelas graves. Por esta razn al construir el espectro de enfermedades en un panorama, si bien hay que ser eficiente, no hay que caer en la trampa de considerar nicamente lo ms frecuente: Hay que acordarse de todo lo que puede afectar gravemente al paciente y que adems sea susceptible de tratamiento. Evitar la imagen congelada: Hay que cuidarse del efecto tpicamente humano de "imagen congelada", que consiste en una perdida relativa del nimo para seguir buscando otras alternativas una vez que una solucin plausible ha sido identificada. Un clnico ideal debera probar consecutivamente una serie de patologas que podran corresponder al caso que tiene frente a l: la realidad nos ensea que esto no siempre sucede as. Existe la tendencia a detenerse ante la primera patologa plausible, congruente, olvidndose de las otras hiptesis en juego. Este fenmeno es compatible con el trmino "imagen congelada" que se utiliza en ecografa, cuando el imagenlogo inmoviliza la imagen actual para estudiarla mejor o para fotografiarla, dejando a un lado el resto. Cada uno de nosotros sabe que este error es ms que cierto y tambin podra llamrselo razonamiento en tnel o sesgo de confirmacin.(8) El sesgo de confirmacin consiste en la tendencia a buscar informacin que confirme el diagnstico que ya ha sido escogido, interpretando todos los datos en ese sentido, sin buscar otras hiptesis plausibles. La ley que se infiere de este error es que, ante un espectro de enfermedades incluidas en el panorama, el clnico no solo debe tratar de confirmar una de ellas, si no que tiene que excluir todas las que pueden afectar gravemente al enfermo y son susceptibles de tratamiento. Solo cuando todas estas enfermedades prioritarias hayan sido excluidas puede pensar en otras menos graves y-o sin tratamiento. Ms de una enfermedad: Siempre es posible que un paciente est afectado por ms de una sola enfermedad. Muchos clnicos piensan que un argumento favorable para una enfermedad disminuye la probabilidad de otras enfermedades. Aunque esto puede ser correcto desde el punto de vista probabilstico nicamente sera vlido cuando tenemos la seguridad de que el paciente est afectado por una sola enfermedad a la vez, es decir cuando las enfermedades son mutuamente exclusivas, lo que nunca es cierto.

69

Evitar el fenmeno del basurero: siguiendo la misma lgica de creer que al excluir varias hiptesis (echndolas al basurero) aumentamos la probabilidad de una enfermedad caemos otra trampa. La enfermedad que queda podra necesitar ms evidencia antes de iniciar una accin mdica, lo que en otras palabras quiere decir que tiene un umbral de decisin ms alto, el cual no ha sido an alcanzado. En clnica no podemos contentarnos solamente con excluir. Tambin hay que probar, teniendo en mente el principio del umbral de decisin.

El inventario de datos
Cmo utilizar estas leyes en la prctica? Hay que buscar siempre todas las enfermedades posibles? Hay que continuar eternamente despus de haber encontrado una causa muy probable? Un anlisis complejo no es una empresa que se debe poner en marcha ante cualquier situacin clnica: muchos pacientes se presentan con un problema simple, o evidente, o se presentan para un seguimiento. Un anlisis complejo se impone solamente si estamos ante un signo o un sntoma que sugiere al menos una patologa grave, que podra estar escondida detrs de una patologa comn y banal. Parte de la competencia de un mdico consiste exactamente en distinguir entre situaciones peligrosas y tranquilas: a menudo, una consulta empieza con definir el sntoma de entrada, y con pesar este sntoma. Una hemoptisis pasajera en un paciente que tiene todos los sntomas de una gripe no necesita un anlisis complejo; una hemoptisis en un paciente que se queja de tos desde hace dos meses es otra cosa. Describimos un anlisis complejo en 5 pasos. Los 3 primeros siguen ms o menos el mismo mtodo que la generacin de hiptesis clsica. El paso de "los puntos nodales" ha sido aumentado para fundir mejor los diagnsticos, evitando conclusiones demasiado simplistas, y para poner en marcha la discusin de los argumentos "confusores". El paso "prioridades" ha sido insertado a causa del efecto "imagen congelada".

La lista de los diagnsticos diferenciales.

Ante un sntoma dado, una serie de causas probables aparecen espontneamente en nuestra mente. Esta serie no es exhaustiva, pero debera incluir las enfermedades en las cuales una intervencin mdica es necesaria: enfermedades graves y tratables. Adems incluiremos las causas ms frecuentes. No hay ninguna lgica detrs de esta lista: est basada en asociaciones espontaneas que hace nuestra mente. El razonamiento humano con frecuencia echa mano de ciertas estrategias que le permiten estimar la frecuencia de un evento en situaciones de incertidumbre. Estas estrategias han sido descritas por los psiclogos cognitivos como la heurstica de representatividad y la heurstica de disponibilidad.(8) La heurstica es una capacidad tpica del ser humano para buscar la solucin de un problema mediante mtodos no rigurosos. Podra definirse como el arte y la ciencia del descubrimiento y de la invencin, resolviendo problemas mediante la creatividad y el pensamiento lateral. La heurstica de representatividad consiste en hacer la asociacin de lo que observamos con un estereotipo que ya tenemos preconcebido; por ejemplo: ante una tos crnica con hemoptisis y disminucin de peso asociamos de inmediato una tuberculosis pulmonar. La heu70

El panorama

rstica de disponibilidad, en cambio, consiste en asociar lo que se observa con una situacin que se nos viene a la mente con facilidad al habernos causado, en el pasado, emotividad; por ejemplo: uno de los autores cuenta que, cada vez que ve un nio con fiebre, se le viene a la mente aquel nio que examin hace muchos aos, en quien no sospech una leucemia, probndose ms tarde que tena la enfermedad. Si bien estas estrategias pueden servir como pistas que ayudan en la construccin del espectro de enfermedades, a menudo pueden engendrar un sesgo peligroso al no tomar en cuenta la frecuencia de las enfermedades y la contribucin real de los argumentos.(9) Es necesario tener mucho cuidado con estas estrategias propias del razonamiento humano y considerar siempre algunas leyes bsicas de probabilidades.

Fisiopatologa del sntoma o del signo.

Otra forma de llegar a la lista de causas podra ser un enfoque del tipo causa - efecto, en el que se analicen la naturaleza del sntoma o del signo y las formas como estos podran producirse. En realidad, el paso 1 y 2 son complementarios: el momento en el cual las asociaciones espontneas han sido agotadas, el paso 2 permite re-encontrar familias o captulos enteros (en caso de ictericia, todas las ictericias hemolticas; en caso de vmitos, las patologas cerebrales). El primer enfoque se parece ms a la forma realista de llegar al diagnstico, el segundo enfoque a la forma acadmica. Como ya lo hemos dicho, en la prctica los dos son complementarios. Es importante subrayar que el enfoque fisiopatolgico solo lo utilizamos aqu para completar la lista de causas.

El inventario y el anlisis del peso de los argumentos

Para cada diagnstico posible, se investigarn los sntomas y signos clave (los argumentos). De nuevo, no tiene sentido una enumeracin exhaustiva. Lo que nos interesa son los argumentos con un fuerte poder de confirmacin y/o de exclusin. Las petequias son raras en caso de meningitis, pero si estn presentes, tienen un fuerte poder de confirmacin, por lo tanto es muy importante investigar este signo. Al contrario, el poder de confirmacin y de exclusin que tiene el estreimiento para una hepatitis es bajo, por tanto no ser necesario incluirlo dentro de nuestra lista de argumentos a investigar ante tal sospecha.1 Tambin es importante buscar los argumentos con un fuerte poder de exclusin: estos permitirn descartar muy rpido una serie de hiptesis. Muchos de estos argumentos son simples preguntas de anamnesis y examen fsico que hacemos rutinariamente. Por ejemplo, estamos en Quito (2800 m. de altitud, no hay transmisin de malaria) y atendemos a un paciente con fiebre. Le preguntamos si ha viajado a la costa o a la amazona en los ltimos seis meses. Si el paciente dice que no ha viajado a la costa hemos excluido inmediatamente una malaria y no necesitamos seguir investigando ms en esa direccin. Esta estrategia no funciona si estamos atendiendo al mismo paciente en una ciudad de la costa o de la amazona (hay transmisin de malaria): all no hace falta preguntar si ha viajado a una zona endmica, pues ya est all, por eso estamos obligados
1

... pero en asociacin con fiebre e ictericia, puede significar el inicio de una hepatitis, y en combinacin con fiebre y leucopenia, sugiere una fiebre tifoidea. Estos argumentos dbiles podrn ser usados ms tarde en la corroboracin de nuestra sospecha diagnstica.

71

a pedir un examen de Plasmodium en gota gruesa de sangre, si esta es negativa habremos excluido el diagnstico, pues el poder de exclusin es fuerte.

Los puntos nodales

En la lista de los signos y de los sntomas, se busca los argumentos comunes a varias enfermedades. Estos elementos constituirn los puntos nodales del camino lgico. Desde el punto de vista terico, estos pasos son extremadamente importantes para la construccin de un marco de trabajo virtual, crucial en el reconocimiento de un patrn. Los puntos nodales sirven igualmente de pivote para la discusin de los elementos confusores en el diagnstico, es decir de los signos y sntomas comunes que son considerados como trampas en el diagnstico diferencial clsico.

Definicin de las prioridades

Muy a menudo, el clnico piensa primero en las enfermedades ms comunes. Esto en cierto modo tiene sentido, sin embargo tambin puede inducir a cometer errores. Por ejemplo, algunas normas de manejo de la fiebre, en reas donde existe transmisin de malaria dicen: "ante toda fiebre, piense primero en malaria". El problema es que el mdico sin experiencia, para quien esta estrategia habra sido concebida, puede olvidarse de que existen otros problemas menos frecuentes, pero tan o ms graves que la malaria, como la meningitis. Esto es ms peligroso an si se considera que, para esta ltima, el pronstico depende del inicio temprano de un tratamiento antibitico. Como lo sealamos ms arriba, a este efecto lo llamamos imagen congelada e induce a un sesgo de confirmacin.Toda estrategia diagnostica debe incluir reglas que eviten esta imagen congelada" sobre una enfermedad plausible que esconde otra enfermedad ms grave. Es por eso que algunas prioridades deben ser determinadas antes de iniciar la construccin de cualquier representacin grfica. Pensar en la gravedad, la urgencia y la vulnerabilidad (del problema) es la clave para evitar este error. En la prctica, estos tres parmetros pueden ser reducidos a dos, combinando la gravedad y la urgencia. La patologa urgente siempre es grave, y en los panoramas, el factor tiempo no juega ningn rol. Los diferentes diagnsticos deben ser evaluados de acuerdo a su gravedad y su vulnerabilidad (en el terreno de trabajo) y, en caso de empate, la frecuencia (prevalencia) puede constituir el criterio dirimente.

La construccin del panorama

Cmo representar el trabajo hecho hasta ahora en un esquema utilizable? La construccin de una representacin grfica, de un marco de trabajo sigue leyes muy precisas. Subrayemos antes que todo, que nuestro ejercicio tiene una lgica exclusivamente diagnstica, aunque en la prctica, algunas medidas teraputicas ms o menos urgentes ya son incorporadas en el manejo del paciente. Esto se hace especialmente para 72

El panorama

las medidas de soporte vital: en un paciente con diarrea siempre iniciaremos una hidratacin sin importar cual es la causa de la diarrea. De ser necesario esta se investigar ms tarde. Ha sido probado que la mayora de los clnicos nunca separa estos dos aspectos, y que consideran las elecciones teraputicas de forma temprana en su encuentro con el paciente. El anlisis presentado aqu solo concierne a los pasos lgicos en la investigacin de un diagnstico. Lo que proponemos es una representacin grfica paralela y ponderada, que hemos llamado el panorama diagnstico, considerando que tiene la forma del cuadro de un panorama, donde podemos ver un volcn en el centro que representan el sntoma clave, algunas colinas que rodean a este volcn, que representan a las enfermedades prioritarias, y otras colinas ms alejadas que representan las enfermedades menos prioritarias. Las colinas pueden estar rodeadas de arboles que representan los argumentos.(Figura 6.3) La construccin del panorama equivale a poner en una suerte de mapa las enfermedades que van a ser objeto de anlisis y los argumentos que van a servir para discernir entre las diferentes enfermedades, en otras palabras se necesita ubicar en este mapa a las colinas y los rboles que estarn rodeando al argumento clave.

El argumento clave
El panorama diagnostico debe partir de un sntoma o signo clave, sin embargo el panorama depende del contexto para el cul va a ser diseado. No es muy til hacer un panorama diagnostico sobre un problema genrico, por ejemplo fiebre. La lista de enfermedades en este panorama va a ser demasiado extensa y difcil de manejar. Es mejor hacer algunas especificaciones sobre el grupo poblacional y el escenario de trabajo en el cual el panorama debe ser aplicado, por ejemplo fiebre en el nio en un hospital provincial de la costa ecuatoriana. De esta forma el panorama tendr una aplicacin prctica inmediata.Tambin se puede hacer un panorama para una situacin clnica particular, por ejemplo cefalea en el paciente VIH positivo. Es importante que el argumento o problema clave genere una serie de hiptesis entre las cuales se encuentren algunas enfermedades graves y tratables, pues es justamente para este tipo de situaciones en donde este ejercicio de razonamiento se vuelve ms til.

Las colinas
Las colinas del panorama van a corresponder a las enfermedades que hemos considerado importantes para analizar ante la presencia del argumento o problema clave. Regresando al paso 5 de nuestro inventario de datos, es decir a la definicin de prioridades, durante la cual clasificamos a las enfermedades en dos grupos, las graves y tratables y las menos graves o no tratables, hacemos dos crculos concntricos de colinas. El crculo interno representa las patologas graves y tratables: un buen clnico siempre har una bsqueda de todas estas patologas an si, desde el comienzo, una sola patologa le parece la ms probable. En el crculo externo estarn las otras enfermedades menos graves o no tratables. Esto 73

no quiere decir que estas enfermedades son de menor importancia para el paciente. Simplemente son enfermedades cuyo tratamiento puede esperar o para las cuales da lo mismo esperar un poco, pues no hay mucho que ofrecer, aparte de medidas paliativas. En el crculo externo a veces se encuentran algunas enfermedades frecuentes. Por ejemplo en un panorama para la fiebre en el nio se encontrar la gripe. En casi cualquier contexto lo ms probable es que un nio con fiebre tenga solamente una gripe, sin embargo para la gripe no tenemos ninguna intervencin eficaz. Lo nico que podemos hacer es reducir las molestias y evitar que la temperatura suba excesivamente provocando convulsiones. Por esa razn la gripe, como causa de fiebre en un nio, no necesitar mayor investigacin, por lo tanto se la ubica en el segundo crculo. Esto significa que solamente se la tomar en cuenta cuando todas las enfermedades del crculo interno hayan sido excluidas. Tambin en el crculo externo se encontrarn enfermedades graves, muchas veces mortales, pero para las cuales no hay ningn tratamiento. Por ejemplo en el panorama para tos crnica en un adulto se encontrar el cncer de pulmn. El diagnstico de cncer de pulmn es muy importante para el paciente, por las consecuencias fatales que va a tener. Es nuestro deber asegurar de que, en caso de que ese sea el diagnstico, se hagan todas las investigaciones necesarias para confirmar el mismo de manera que el paciente y la familia sean adecuadamente informados, sin embargo esta investigacin solo se har cuando las enfermedades del primer crculo hayan sido excluidas. En cambio en el crculo interno a veces nos vamos a encontrar con enfermedades poco frecuentes, pero para las cuales es importante actuar rpidamente. En el panorama para ictericia en un adulto una de las hiptesis ser una leptospirosis. Esta es una enfermedad infecciosa poco frecuente en la poblacin general, aunque puede haber situaciones sanitarias especiales en las cuales muchas personas pueden contagiarse. El hecho de que la leptospirosis sea una enfermedad con consecuencias graves si no se trata y que, adems, sea fcilmente tratable hace que tenga que estar en el primer circulo. Una hepatitis viral es siempre ms probable, pero para esta no hay mucho que hacer, por lo tanto se la pondr en el circulo externo. Este enfoque constituye un cambio de paradigma en la forma de analizar un problema clnico. La gravedad y la vulnerabilidad de las enfermedades son el criterio de priorizacin ms importante, mientras que la frecuencia ser tomada en cuenta luego, cuando lo urgente y tratable haya sido excluido para definir cual es finalmente la enfermedad ms probable. Este enfoque es compatible con la teora del umbral de decisin, que abordamos en el segundo captulo. De hecho, las enfermedades del crculo interno son justamente las que tienen un umbral bajo. Resumiendo, en el panorama las enfermedades graves y tratables irn en el crculo interno de colinas, mientras que las menos graves o poco tratables irn en el crculo externo, sin tomar en consideracin la frecuencia.

Los rboles
Para poder diferenciar entre una y otra patologa nos servimos de los sntomas, signos, exmenes de laboratorio e imgenes, es decir de los argumentos. Estos son los pun74

El panorama

tos nodales de nuestro camino lgico y la eficacia y eficiencia que tengamos como clnicos depende de una adecuada seleccin de los mismos: el buen clnico es el que sabe exactamente cules son las preguntas que se deben hacer! En el panorama estos puntos nodales - argumentos estn representados por los rboles que adornan las colinas. El grupo de rboles (argumentos) ms importante es el que se encuentra al interior del crculo interno de patologas. Estos argumentos son cruciales porque nos deben permitir confirmar y-o excluir todas y cada una de las patologas que se encuentran en el crculo interno, es decir las que hemos considerado prioritarias. Constituyen los argumentos que obligatoriamente debemos preguntar-pedir a todo paciente que se presente con el sntoma clave. Esto tiene implicaciones muy importantes para el paciente, para los servicios de salud y para la docencia. Por lo general este grupo de argumentos est compuesto por preguntas de anamnesis y examen fsico que hacemos rutinariamente. En trminos de costos podramos decir que estas preguntas no tienen ninguna consecuencia, pues hacer una palpacin o una auscultacin no cuesta nada, pero podra darse el caso que tengamos que hacer una maniobra que cause molestia al paciente, por ejemplo un tacto vaginal o un tacto rectal. La implicacin de incluir una de estas maniobras de examen fsico en el grupo de argumentos que se encuentran al interior del crculo interno es que: en todo paciente que se presente con el sntoma clave en cuestin tendramos la obligacin de hacerla. En el caso de los exmenes de laboratorio o de imgenes hay otras consecuencias. Por un lado est el costo del examen y por otro est el posible riesgo del mismo. Si, por ejemplo, decidimos que en un determinado panorama debemos incluir al interior del crculo interno una tomografa axial contrastada, la implicacin es que: todo paciente que se presente con este sntoma clave deber asumir el costo y los riesgos de la tomografa axial contrastada. Incluso, si el paciente est afiliado a un sistema de seguros, debera ser la aseguradora la que tendra -por razones ticas - que asumir el costo del examen. Por esa razn la seleccin de los argumentos - puntos nodales que se encuentran al interior del crculo interno debe ser hecha con mucha precisin. Los criterios que debemos tomar en cuenta para escoger estos argumentos son el poder de confirmacin y el poder de exclusin. Se dar preferencia a aquellos que tengan el ms alto poder de confirmacin y-o de exclusin y que ayuden a discriminar bien entre una y otra patologa. Si se da el caso de que uno de estos argumentos es un examen que tiene costo y-o que tiene riesgo o causa molestias al paciente debemos reflexionar muy bien si vale la pena incluirlo al interior del crculo o, si ms bien, lo dejamos fuera del crculo para tomarlo en cuenta ms tarde cuando todas las dems patologas del crculo interno hayan sido excluidas. Hay que comprender muy bien que no est prohibido poner un examen de laboratorio o de imgenes al interior del crculo interno, pero si lo hacemos tenemos que justificar la razn: el costo o el riesgo de dicho examen debe tener menos peso que el dao que podramos provocar al dejar de hacerlo. Sobretodo hay que considerar que la implicacin ser que, si el examen se encuentra al interior del crculo interno, va a tener que ser realizado a todo paciente que se presente con el argumento clave.

75

Un segundo grupo importante de rboles son aquellos que se encuentran al exterior del crculo interno. Estos son los argumentos que vamos a emplear en un segundo momento del anlisis diagnstico cuando todas, excepto una de las patologas del crculo interno hayan sido excluidas. Estos argumentos nos servirn para confirmar aquella que no ha sido excluida. Finalmente quedan los rboles ms perifricos, aquellos que servirn para confirmar yo excluir las patologas del crculo externo. A manera de ejemplo, retomamos aqu los pasos a seguir ante un problema difcil de resolver: la ascitis en el adulto.

Ejemplo de panorama: ascitis en un adulto.

Las patologas
Si estamos ante un caso de ascitis (en un adulto), pensamos inmediatamente en una serie ms o menos larga de patologas: Descompensacin cardaca Beriberi Cirrosis Estadio terminal de una fibrosis Una ascitis falsa: sangre en el peritoneo: ruptura del bazo, embarazo extra-uterino. Tuberculosis peritoneal

Luego de un anlisis ms profundo, algunas enfermedades ms raras se aaden: Metastasis o carcinomatosis peritoneales Sindrome nefrtico Pericarditis Enfermedad veno-oclusiva1

La fisiopatologa
En forma paralela a la investigacin de las causas, nos acordamos de la fisiopatologa del sntoma o del signo, lo que nos ayuda an ms a encontrar otras causas, o a poner en orden las que ya tenemos. En este caso, la fisiopatologa es esencialmente la del equilibrio de Starling que gobierna toda formacin de edema. La presin en aumento de los capilares no juega ningn papel, conociendo que los esfnteres de las arteriolas siempre son competentes. La permeabilidad de las paredes de los capilares puede estar afectada, lo que juega un rol en las infecciones, como la tuberculosis, y en las carcinomatosis.
Se debe a un dao txico de los sinusoides hepticos. Puede sobrevenir por el uso de altas dosis de quimioterapia o de azatioprina en pacientes receptores de transplantes.Tambin se ha documentado la intoxicacin por alcaloides pirrolizidinicos presentes en heliotropos u otras plantas. En 1992 se present una epidemia en Tadjikistan debido a trigo contaminado con heliotropos causando cerca de 4000 casos. En Per se ha documentado casos en personas que han consumido tisanas preparadas con Senecio tephrosioides, conocido como huamanrripa, como agente antitusgeno.

76

El panorama

La fuerza aspiratriz de las protenas (presin onctica) puede jugar un rol en las hipoproteinemias, aunque en el adulto la ascitis raramente es debida a esta eventualidad, salvo en el cuadro de la cirrosis o de un sndrome nefrtico. La presin en descenso juega un rol extremadamente importante en las descompensaciones, en la cirrosis y en la enfermedad veno-oclusiva. Ntese, sin embargo, que una cirrosis (y por consecuencia una fibrosis) no causa ascitis en ausencia de hipoproteinemia. Lo mismo se aplica para las trombosis idiopticas de la vena porta.

Una ascitis puede estar simulada por la presencia de sangre en el peritoneo, en caso de ruptura esplnica o de embarazo extra-uterino. Una "ascitis aguda" debe siempre hacer pensar en estas eventualidades. La presentacin de estas dos patologas puede ser extremadamente traicionera, no podramos dejar de considerarlas ante una "ascitis" que est acompaada de hipotensin o de vrtigos.

Las prioridades
Las patologas graves y vulnerables, deben ser investigadas antes que nada: algunas descompensaciones, beriberi, pericarditis, tuberculosis, sndrome nefrtico ( y evidentemente las "falsas ascitis")

El inventario de los argumentos; los puntos nodales.

Despus de haber encontrado los argumentos con poderes de confirmacin o de exclusin buena o fuerte, buscamos los sntomas o signos comunes, y ponemos todo en una matriz que nos permita analizar los puntos nodales (Tabla 6.1). Escogeremos aquellos que tengan un fuerte poder de confirmacin y o de exclusin y que, por lo tanto, sirvan para discriminar entre las diferentes patologas:

77

Tabla 6.1 Matriz para analizar puntos nodales. Ejemplo ascitis.

78

El panorama

Construccin del panorama

En primer lugar, dibujamos las patologas prioritarias para que formen el crculo interno. Luego colocamos, al interior del crculo interno los grandes argumentos, es decir aquellos argumentos que disponen de un poder de confirmacin o de exclusin importante y que van a ser pedidos - preguntados obligatoriamente a todas las personas con el sntoma clave. Estos argumentos son los puntos nodales que hemos escogido de la matriz de anlisis de los puntos nodales. Alrededor de las patologas, colocamos los otros argumentos fuertes que preguntaremos cuando las dems enfermedades del crculo interno hayan sido excluidas y nos ayudan a llevar el diagnstico en una o varias direcciones ms restringidas (Figura 6.4).
Figura 6.4 Panorama simple para ascitis.

Ya en este momento, podemos mostrar como utilizar el panorama. Si el paciente se presenta con ascitis, fiebre y dolor, ya es claro que nos dirigimos hasta una tuberculosis peritoneal; la ley de la imagen congelada nos obliga a agotar todos los argumentos en el crculo interior. Podra ser que se trata de un paciente con pericarditis, que tiene dolor abdominal solo por casualidad! De esta manera una buena investigacin de todos los argumentos centrales permite una combinacin inteligente, y previene que nos equivoquemos. Luego, aadimos en un crculo ms lejano al centro, "en el horizonte", las enfermedades no prioritarias, igualmente con sus "grandes argumentos". Por ltimo, ligamos los argumentos a sus respectivas patologas (Figura 6.5).

79

Figura 6.5 Panorama completo para ascitis.

Evidentemente, se trata aqu de un panorama completo, que casi nunca es necesario. Sin embargo, como ejercicio en la universidad o en una capacitacin continua, puede ser til.

Otro ejemplo: dolor plvico en la mujer

El siguiente panorama (Figura 6.6) presenta otro anlisis complejo con su algoritmo elaborado para un problema muy frecuente: el dolor plvico en la mujer.

80

El panorama

Figura 6.6 Panorama para dolor plvico en la mujer

81

Conclusin
Reemplazamos el algoritmo dicotmico serial por una representacin paralela y anloga (ponderada) de nuestra lgica diagnstica. Quiere esto decir que nosotros seguimos siempre panoramas similares junto al lecho de nuestros enfermos? Evidentemente no, lo que presentamos es una representacin grfica que permite realizar ejercicios de razonamiento. Adems, en la mayora de nuestros enfermos el sntoma predominante no es ni alarmante, ni difcil de interpretar. Una lgica netamente ms simple puede ser seguida. Sin embargo las grandes reglas siempre deben ser respetadas: reflexionamos siempre, preguntndonos si no hay una patologa peligrosa y tratable que se esconde detrs de un cuadro aparentemente inocente. La mejor forma de interrogarse es utilizando los argumentos en el crculo interior, que deber ser totalmente agotado antes de ir ms lejos, an si a primera vista el cuadro es simple y habla por si mismo.

Referencias
(1) (2) (3) (4) (5) (6) (7) (8) (9) Kassirer JP. Teaching problem-solving--how are we doing? N Engl J Med 1995 Jun 1;332(22):1507-9. Norman G. Building on experience--the development of clinical reasoning. N Engl J Med 2006 Nov 23;355(21):2251-2. Norman G. Research in clinical reasoning: past history and current trends. Med Educ 2005 Apr;39(4):418-27. Integrated management of childhood illness. Rev Panam Salud Publica 1997 Aug;2(2):13841. Elstein AS, Schwarz A. Clinical problem solving and diagnostic decision making: selective review of the cognitive literature. BMJ 2002 Mar 23;324(7339):729-32. King-Sun F. Recent developments in pattern recognition. IEEE Transactions on computers 1980;29(10):845-54. Van Puymbroeck H, Remmen R, Denekens J, Scherpbier A, Bisoffi Z, Van den Ende J. Teaching problem solving and decision making in undergraduate medical education: an instructional strategy. Med Teach 2003 Sep 1;25(5):547-50. Tversky A, Kahneman D. Judgement under uncertainty: heuristics and biases. Science 1974;185:1124-31. Eva KW, Norman GR. Heuristics and biases--a biased perspective on clinical reasoning. Med Educ 2005 Sep;39(9):870-2.

82

Apndices

Apndice 1 Las escalas de probabilidad

Introduccin
La epidemiologa clnica fue desarrollada por epidemilogos y matemticos. Su lgica es fundamentalmente diferente a la de los clnicos: los primeros basan su pensamiento sobre una poblacin y sobre datos matemtiEpidemilogo: poblacin cos mientras que los ltimos lo basan sobre un matemtica enfoque intuitivo y sobre un paciente en particular. Para la mayor parte del personal mdico, es Clnico: paciente difcil aplicar estas nociones de epidemiologa en intuicin su actividad cotidiana. (1) Para superar esta brecha, varios instrumentos han sido construidos y propuestos en la literatura mdica. El ms conocido de todos es el nomograma de Fagan. (2) Este instrumento visual permite, con el trazo de una lnea que pasa a travs del poder de confirmacin, observar el cambio desde una probabilidad pre - test a una probabilidad post - test.(figura A 1.1)
Figura A 1.1: Nomograma de Fagan

En el lado izquierdo se encuentra la probabilidad pre test. En el lado derecho la probabilidad post test. En el centro se encuentra el likelihood ratio.Trazando una lnea que parta de la probabilidad pre test pasando por el likelihood ratio se obtiene la probabilidad post test.

85

Aunque ha sido una de las contribuciones ms interesantes para hacer del uso del Teorema de Bayes algo fcil de utilizar tiene todava algunas limitaciones. La primera limitacin es que solo se puede observar el cambio producido por un argumento a la vez. Si quisiramos ver el cambio producido por varios argumentos en serie tendramos que poner varios nomogramas, uno al lado del otro.(3) La segunda y quizs ms importante limitacin es que, quien usa el nomograma debe saber cmo calcular el likelihood ratio, tanto negativo como positivo. Sabemos que likelihood ratio es sinnimo del poder de un argumento, por tanto eso no debera ser un problema para quienes ya han ledo los captulos anteriores de este libro. Sin embargo para la forma negativa de ste parmetro, es decir para el poder de exclusin, el resultado es un nmero decimal inferior a 1. Esto constituye un importante problema de interpretacin. Es ms fcil visualizar la diferencia que existe entre un poder de exclusin de 2 y de 20, que hacerlo para la diferencia entre un likelihood ratio negativo de 0,5 y 0,05. Aunque en realidad viene a dar lo mismo: 0,5 es la inversa de 2 y 0,05 es la inversa de 20. Aparte del nomograma de Fagan otros mtodos han sido propuestos con menos xito, (4) sin embargo, y a pesar de las limitaciones que mencionamos antes, ste sigue siendo propuesto en la mayor parte de literatura mdica relacionada con el tema y se elaboran programas especiales para computadoras de mano y sitios web interactivos basados en el mismo.(5;6) Lo que resulta todava increble es que haya habido tan poco inters en la literatura mdica por desarrollar modelos que superen las limitaciones de los mtodos hasta ahora propuestos. En este libro hemos descrito un modelo que trata de hacerlo, permitiendo al personal mdico integrar fcilmente todas las nociones de toma de decisiones en su prctica cotidiana, respetando el fundamento matemtico intrnseco.(7) Lo que es importante es que cualquier modelo que se proponga respete cuatro mensajes principales de la toma de decisiones en medicina, los cuales ya los hemos analizado en los captulos principales de este libro. Estos son: que el clnico siempre debe basarse en una probabilidad pre-test. que cada argumento tiene un poder relativo intrnseco. que el poder discriminativo de un argumento es a menudo asimtrico. que el clnico deber alcanzar un cierto umbral de certeza antes de poder iniciar cualquier accin mdica.

Lmites de una escala nominal

De acuerdo a su experiencia personal y su intuicin, un mdico sabe que una enfermedad en particular es frecuente mientras que otra le parece extremadamente rara; siente que un argumento es ms o menos fuerte en la confirmacin o en la exclu1

Para el poder de exclusin hacemos la divisin de verdaderos negativos para falsos negativos. En cambio para el likelihood ratio negativo tenemos que dividir falsos negativos para verdaderos negativos. Como casi siempre los falsos negativos son menos que los verdaderos negativos su resultado es un decimal inferior a 1.

86

Apndice 1

sin de una hiptesis diagnstica;percibe tambin que luego de haber reunido varios argumento anamnsicos, clnicos y paraclnicos, la probabilidad post-test de su paciente ha alcanzado el umbral de confirmacin necesario para iniciar un tratamiento. Nuestro razonamiento no funciona con cifras si no con conceptos que ms o menos respetan una escala nominal, una escala basada en palabras que representan categoras. Lo mismo les sucede a los pacientes : si una mujer de 60 aos le pregunta a usted cual es su probabilidad de que ella se enferme de SIDA (no presentando ningn sntoma de la enfermedad), le comprender mejor si usted le dice que esa posibilidad es inverosmil que si usted le dice que en su caso la probabilidad pre-test es de 0,01%. Los mdicos no cuantifican el valor de una tasa de prevalencia, sino que dicen que una cierta hiptesis es muy rara, rara, habitual, frecuente o muy frecuente. As mismo califican la fuerza de un argumento como dbil, buena o fuerte, y las probabilidades pre y post-test como inverosmil, poco verosmil, poco probable, eventual, posible, probable, muy probable, seguro, etctera. El mayor problema de una escala nominal est ligado a su subjetividad: si pedimos a varios mdicos que califiquen con adjetivos las probabilidades expresadas en porcentajes las respuestas sern muy diferentes! Por esa razn no se puede fijar una cifra definitiva a las categoras mencionadas. En la Figura A 1.2 las damos solo como un ejemplo para su interpretacin.
Figura A 1.2: Categoras intuitivas representadas en una escala de probabilidad

87

De acuerdo a lo de arriba, anunciar, por ejemplo, a un paciente que es posible que sufra de una cierta enfermedad correspondera a una probabilidad de 50%. Aparte de la subjetividad, una escala nominal no nos permite aplicar el teorema de Bayes, es decir aplicar un argumento a un paciente particular. Habra que encontrar una transformacin matemtica que junte la escala nominal del clnico con la escala numrica del epidemilogo.

Lmites de una escala numrica lineal

Hemos visto, en los captulos del libro, que cada hiptesis tiene una cierta probabilidad pre-test de corresponder con el diagnstico del paciente, y que los argumentos recogidos nos llevan a una cierta probabilidad post-test cuyo valor depender de la fuerza de sus argumentos : imaginemos un caso en el cual la probabilidad pre-test es de 1% y que los dos argumentos encontrados nos dan una probabilidad post-test de 10% con el primer argumento y de 19% con el segundo : podemos representar todos estos datos sobre una escala de certeza que va desde 0 hasta 50%, y el esquema que se obtiene es el de la figura A 1.3:
Figura A 1.3: Efecto de la linearidad con dos tests

A menudo esto no puede ser representado grficamente porque el mdico trabaja por lo general en el campo situado muy cerca de 0% o de 100%,: la probabilidad pretest es casi siempre muy baja (0,1%, 0,01%, ...) y los umbrales de accin de tratamiento de los enfermos hospitalizados muy elevados (99,9%, 99,99%, ...). Las probabilidades situadas entre los valores de 10 y 90% son casi siempre menos decisivas que aquellas cuyo valor se acerca a 0 o a 100% y no se pueden ver en una escala linear. Por este motivo sera necesario estirar los extremos y la nica manera de lograrlo es con una escala logartmica.

88

Apndice 1

Lmites de la expresin numrica de la razn de verosimilitud

Un problema similar existe tambin con los poderes de un argumento cuyos valores son intrnsecamente exponenciales y deberan estar representados sobre una escala logartmica ms que en una escala numrica lineal. Explicaremos esto en detalle : Por una parte un argumento con un poder de confirmacin (PC) de 100 no es 10 veces ms fuerte que un argumento con un PC de 10. Consideremos, por ejemplo, una enfermedad con una probabilidad pre-test de 1% y dos argumentos cuyos PC son de 10 y de 100 respectivamente: el valor post-test con el primer ejemplo ser de 9%, mientras que con el segundo ser de 50%. Este segundo valor no es 10 veces mayor que el primero, en realidad es bastante inferior de lo que podamos esperar Por otro lado, la ganancia en certeza lograda con un argumento vara con el valor de la probabilidad pre-test.
Para realizar una ganancia en certeza desde 90 % hasta la proximidad de la certeza absoluta, hace falta un argumento tan fuerte como que el que se requiere para ir desde 10 hasta 90%: esto se explica por el hecho de que nuestra apreciacin sigue una escala logartmica.

Consideremos por ejemplo, un argumento cuyo PC es de 100. La ganancia en certeza lograda por este argumento depende de la probabilidad pre-test de la enfermedad considerada: si sta es de 10%, la probabilidad posttest ser de 90% y la ganancia en certeza de 80%; si sta es de 90% la probabilidad post-test ser de 99,9% y la ganancia en certeza solo de 9,9%. El mismo argumento parece entonces dar una gran ganancia en certeza cuando la probabilidad pre-test es baja y una pequea ganancia si esta es alta. Este fenmeno se puede ver en la Figura A 1.4.
Figura A 1.4: Efecto de el mismo test partiendo de diferente probabilidad pre - test

89

Ventajas de un modelo logartmico en relacin a las probabilidades pre-test y post-test Estamos acostumbrados a estimar las probabilidades como proporciones aritmticas, lo ms a menudo en porcentaje, sin embargo la intuicin se adapta mucho mejor a una escala logartmica. Esto no tiene nada de sorprendente. Cuando hace 400 aos Napier desarroll el principio de los logaritmos lo hizo justamente para facilitar el clculo intuitivo.(8) En ese entonces no existan las calculadoras y a la gente se le haca extremadamente difcil realizar multiplicaciones y divisiones con ms dos cifras. Lo ms adecuado era tener una escala categrica que permita hacer sumas en lugar de multiplicaciones y restas en lugar de divisiones. Un poco ms tarde Oughtred desarroll la primera regla de clculo que nuestros padres usaron hasta los aos sesenta del siglo pasado y que sirvi para hacer trabajos tan complejos como el clculo estructural del Empire State Building.(9) La genialidad de la regla de clculo es que estaba basada en operaciones logartmicas.Vendra a ser algo as como el nomograma de Fagan pero que gracias a operaciones con logartmicos permita hacer clculos matemticos muy complejos. Esto tambin se observa en otros dominios de la vida. La famosa escala de Richter que nos permite predecir la intensidad de un terremoto tambin es logartmica, as como la escala de notas en un teclado de piano. Entonces por qu no existe en medicina una escala de este tipo que se pueda adaptar fcilmente a nuestra intuicin? Esto permitira visualizar los extremos y adems sumar y restar argumentos sin necesidad de hacer multiplicaciones ni transformaciones complejas. No es necesario caer en estado de pnico ahora que vamos a explicar la escala logartmica para la prctica clnica. Para comprenderla es necesario regresar un momento a la nocin de odds. Por ejemplo, decir que un paciente tiene una probabilidad pretest de 0,001% equivale a decir que tiene 1 chance sobre 100.000 si lo expresamos en probabilidades. Pero si lo expresamos en odds debemos decir que tiene 1 chance contra 99999. As mismo decir que un paciente tiene una probabilidad post-test de 99,999% equivale a decir que tiene 99.999 chances sobre 100.000 si lo expresamos en probabilidades, o 99.999 chances contra 1 si lo expresamos en odds. Notarn que al expresar en odds hemos utilizado la palabra contra en lugar de la palabra sobre, lo que quiere decir que en odds estamos hablando de dos grupos diferentes: los enfermos y los no enfermos; por lo tanto es una razn. Por el contrario cuando hablamos en probabilidades el grupo de enfermos est incluido dentro del total de pacientes; es decir es una proporcin. Al ser el primero una razn podemos dividir el grupo de enfermos para el grupo de no enfermos y obtenemos lo que en realidad sera el odds. De esta manera, si la probabilidad de estar enfermo es de 1 sobre 10000, entonces la razn enfermos contra no enfermos es 1 contra 99999, lo que equivale a decir que el odds es de 0,00001. Del mismo modo una probabilidad de 99,999% equivale a un odds de 99999. Una vez que la nocin de odds est clara, no queda nada ms que calcular el logaritmo de base 10 de nuestro resultado en odds (log10 odds). Una vez ms, no hace falta caer en pnico, esto se hace muy fcilmente con una funcin de excel. El equivalente en log10 odds de estas dos ltimas probabilidades es entonces respectivamente de -5 y de +5. En la siguiente tabla se puede ver representados los valores de las diferentes probabilidades expresadas en porcentaje, en odds y en log10 odds. 90

Apndice 1

Tabla A 1.1 Equivalencia de probabilidades expresadas en porcentaje, en odds, y en log10 odds

Probabilidades expresadas en % 0,0009 0,009 0,09 0,9 9 50 91 99 99,9 99,99 99,999

En odds 0,00001 0,0001 0,001 0,01 0,1 1 10 100 1000 10000 100000

En log10 odds -5 -4 -3 -2 -1 0 1 2 3 4 5

Al representar tanto los porcentajes como los log10 odds en una escala se puede ver como los extremos, que en una escala linear seran invisibles, ahora se pueden ver porque han sido estirados.
Figura A 1.5: Probabilidades en Log10 odds y en porcentajes

91

Esta nueva escala logartmica presenta varias ventajas: Est construida alrededor de un eje de simetra que corresponde a una probabilidad de 50% : el valor log10 odds de 50% es 0. Esta nocin es muy compatible con nuestra intuicin: un paciente que tiene una probabilidad de 50% de estar afectado por una enfermedad se encuentra como situado en una posicin neutra en la que tiene tanto riesgo de presentar la enfermedad como de no presentarla. Permite un trabajo mucho ms ligero con las probabilidades extremas, cercanas a 0 o a 100%: las probabilidades de 99,9% et 99,99% que parecen muy cercanas, se expresan en la nueva escala por valores bien distintos de 3 y 4. Est globalmente ms adaptada a la escala nominal utilizada intuitivamente por la mayora de los clnicos.

Ventajas en relacin a los poderes de un argumento

Como ya dijimos antes los valores de los poderes de un argumento no son lineares si no exponenciales. Tambin se derivan de una razn: los verdaderos contra los falsos. Para el poder de confirmacin los verdaderos positivos contra los falsos positivos, mientras que para el poder de exclusin los verdaderos negativos contra los falsos negativos. Por esa razn los poderes de los argumentos tambin podran ser representados en logaritmos. Esto permite clasificar a los poderes de los argumentos en categoras: los argumentos con un poder de 100, 10 y 1 tendrn en la escala log10, los valores respectivos de 2, 1, y 0, de esta manera ya se puede poner un nombre cualitativo a cada categora. Esto se detalla en la siguiente tabla.
Tabla A 1.2: Poderes de los argumentos calculados y en categoras Poder del argumento calculado y rango 100 (>56) 30 (18-56) 10 (6-17) 3 (2-5) 1 Poderes en log10 Para confirmar 2 1.5 1 0.5 0 Para excluir -2 -1.5 -1 -0.5 0 Clasificacin categrica de la fuerza del argumento Muy fuerte Fuerte Bueno Dbil Intil

92

Apndice 1

Aplicacin del teorema de Bayes en una escala logartmica

Todo lo anterior ya permite utilizar el Teorema de Bayes sin utilizar clculos complicados. Para hacerlo vamos a usar la escala de probabilidades en log10 odds que vimos en los prrafos precedentes y aplicaremos las categoras de fuerza del argumento. Para esto vamos a sumar el poder del argumento en log10 a la probabilidad pre - test en log10 odds cuando el argumento est presente, o restarlo si el argumento est ausente, siguiendo la siguiente frmula:
log10 de la probabilidad pre-test + log10 del Poder = log10 de la probabilidad post-test

As, por ejemplo, si recibimos a un paciente en quien sospechamos una enfermedad rara (entonces asumimos que el valor de probabilidad pre-test es 0,001, por lo tanto su log10 ser de - 3) en quien ponemos en evidencia un argumento que tiene un poder de confirmacin muy fuerte (cuyo poder de confirmacin es de 100, por lo tanto su log10 de +2). Con esto llegamos a una certeza (en log10 odds) de -1, ya que -3+2=-1. Por lo tanto podemos decir que es poco probable que este paciente pueda estar afectado, an si el test es positivo. Una certeza de -1 en log10 odds significa una probabilidad de 10%. El detalle de este clculo con los tres mtodos, el clsico Bayes, el categrico y el intuitivo se puede ver en la Tabla A 1.3
Tabla A 1.3: Clculo de probabilidades con tres mtodos Escala Linear (%) Linear (odds) Logartmica Clnica (intuitiva) Probabilidad pre-test 0.1% 0,001 -3 una enfermedad rara sospechada en un paciente calculo imposible x + PC de los argumentos 100 100 2 = = Probabilidad post-test 10% 0.1 -1 probable

un argumento que con un poder es presenta de confirmacin muy fuerte

93

Conclusin
Los clnicos que han tenido la ocasin de familiarizarse con esta escala logartmica pueden utilizar fcilmente los datos epidemiolgicos como las probabilidades pre y posttest y el poder de los argumentos en su trabajo cotidiano. La frmula matemtica del teorema de Bayes se convierte as en algo mucho ms manejable. En este apndice hemos presentado un modelo para la representacin de las bases de la epidemiologa diagnostica clnica que ofrece tres ventajas principales : 1. 2. 3. Permite hacer ejercicios prcticos mucho ms ligeros porque ya no requieren clculos complicados; Se facilita la comprensin de la evolucin del valor de la probabilidad post-test luego de cada argumento encontrado en el paciente, nocin necesaria para poder analizar problemas clnicos complejos; Ofrece una estructura lgica que permite a los clnicos efectuar su trabajo cotidiano de una manera ms cientfica.

Referencias
(1) (2) (3) (4) (5) (6) (7) Moreira J,Van den Ende J.Toma de decisiones en medicina: una disciplina huerfana. Rev.Fac Cien Med (Quito) 2007 May; 32: 3-5 Fagan TJ. Letter: Nomogram for Bayes theorem. N Engl J Med 1975 Jul 31;293(5):257. Grimes DA, Schulz KF. Refining clinical diagnosis with likelihood ratios. Lancet 2005 Apr 23;365(9469):1500-5. McGee S. Simplifying likelihood ratios. J Gen Intern Med 2002 Aug;17(8):646-9. Glasziou P. Which methods for bedside Bayes? ACP J Club 2001 Nov;135(3):A11-A12. Interactive Nomogram Centre for Evidence Based Medicine. http://www.cebm.net/index.aspx?o=1161 . Fecha de acceso 15/06/2007. Van den Ende J, Bisoffi Z,Van Puymbroek H,Van der Stuyft P,Van Gompel A, Derese A, et al. Bridging the gap between clinical practice and diagnostic clinical epidemiology: pilot experiences with a didactic model based on a logarithmic scale. J Eval Clin Pract 2007 Jun;13(3):374-80. Stoll C. When slide rules ruled. Scientific American 2006; 294: 69-75. 2006.

(8)

94

Apndice 2 El teorema de BAYES

Con frecuencia escuchamos hablar sobre el Teorema de Bayes. Este teorema fue desarrollado en 1764 por el matemtico y religioso Thomas Bayes con el propsito de calcular las probabilidades condicionales, es decir la probabilidad de que un evento ocurra (o no ocurra) a condicin de que otro evento previo haya ocurrido.(1) El Teorema de Bayes no ha perdido actualidad y, por el contrario, cada vez se lo propone ms como un mtodo de anlisis en muchas reas del conocimiento cientfico.(2) En medicina clnica se recomienda su uso, entre otras cosas, para averiguar la probabilidad de un diagnstico a condicin de que un signo o sntoma est presente.(3;4) Para comprender mejor vamos a retomar el ejemplo de criminologa del segundo captulo, en el cual estudibamos la relacin existente entre el hecho de llevar un arma y aquel de pertenecer a un grupo de ladrones de banco: es posible que, an en situacin de paz, la polica descubra una persona que, a pesar de estar armada, no pertenece a la banda de ladrones. La sospecha frente a esta persona ser muy diferente segn el tamao del permetro cercado alrededor del banco, por ejemplo, si el nmero de ladrones es de 20 entre 100 personas requisadas, el hecho de encontrar un arma en alguna de estas personas llevar a una certeza ms alta que la que se obtendra si los ladrones fueran 20 entre 1000 personas requisadas. Con esta misma lgica, la relacin existente entre la presencia de edema en el dorso del pie y el kwashiorkor es muy diferente si la estudiamos en la poblacin general, entre los que consultan un centro de salud, o entre los que estn en un centro de recuperacin nutricional. La prevalencia de kwashiorkor es muy elevada en este ltimo grupo, y de esta forma la presencia de edema en el dorso del pie en uno de los nios de este centro llevar ms fcilmente a pensar en esta patologa. Por el contrario, el mismo argumento entre quienes consultan en un centro de salud no hace pensar inmediatamente en este diagnstico. Esto no quiere decir que hay un cambio en el poder de confirmacin de edema en el dorso del pie con el kwashiorkor. El poder de este argumento siempre es bueno, ya sea que se trate de un nio en un centro de salud o de otro en un centro de recuperacin nutricional. Lo que sucede es que en la primera situacin el kwashiorkor es menos frecuente que en la segunda. En un centro de salud no solo llegan nios desnutridos, ms bien la mayor parte son nios con estado nutricional normal, entonces el mismo signo puede estar causado por otras patologas como insuficiencia cardaca, flebitis o sndrome nefrtico. En el centro de recuperacin nutricional, en cambio, al menos la cuarta parte de los nios que llegan tendrn kwashiorkor, si encontramos el signo es casi seguro que se debe a esta enfermedad.1 Ponindolo en el lenguaje de Bayes, la probabilidad de kwashiorkor, cuando se tiene la condicin de edema del pie, es ms alta cuando un nio est en un centro de recuperacin nutricional, que cuando est en un centro de salud; porque en el primer caso la
1

Para los lectores ms avanzados: la especificidad tambin vara con la situacin, en la medida en que la mezcla de enfermos en las otras personas, que no presentan la enfermedad en cuestin, vara tambin. Pero esta diferencia en especificidad juega un rol menos importante que la diferencia en prevalencia.

95

probabilidad de inicio (antes de conocer la condicin de tener edema del pie) es ms alta que en el segundo caso. Cuando no se aplica el Teorema de Bayes, se comparan dos muestras de personas, las unas que padecen de la patologa y las otras no; pero sin que estas muestras sean representativas de la poblacin general, tomando en cuenta solamente a la sensibilidad y la especificidad del test pero no a la prevalencia de la enfermedad en la poblacin. En cambio, cuando se toma en cuenta a la prevalencia nos acercamos mucho a la situacin real en la que est situado el mdico el momento en que realiza su trabajo de bsqueda del diagnstico de su paciente. La poblacin de enfermos y no enfermos, con la cual el mdico trabaja, es realmente una muestra representativa de la poblacin, permitiendo interpretar los resultados de un test aplicado a un paciente individual. El problema clnico que un mdico tiene en su trabajo de todos los das es que no sabe si el paciente tiene la enfermedad o no; solo tiene, como elemento de anlisis, el resultado de los diferentes test anamnsicos, clnicos o paraclnicos, y lo que le interesa es interpretar el significado de estos resultados. Con el siguiente ejemplo trataremos de comprender la lgica que explica este fenmeno:
Realizamos un estudio de seroprevalencia para VIH en una poblacin determinada de 1.000.000 habitantes. El test que utilizamos tiene una sensibilidad de 95% y una especificidad de 99%. Consideremos ahora dos casos, el primero el caso del Ecuador donde se estima una tasa de prevalencia de infecciones VIH de 0.01%, y el segundo el caso de un pas africano donde esta tasa es aproximadamente de 10%.

Hemos representado enseguida tres tablas de cuatro entradas (Tabla A 2.1 - A 2.3). En la primera no hemos puesto valores, mientras que en la segunda y tercera estn escritos los valores de sensibilidad y de especificidad del test (en el centro de la tabla) y la representacin cifrada de los cuatro sub-grupos de la poblacin segn que sus habitantes sean realmente seropositivos o no y que sean reconocidos como tales por un test de tamizaje : los verdaderos positivos, los falsos positivos, los verdaderos negativos y los falsos-negativos:
Tabla A 2.1:Tabla de contingencia sin datos

96

Apndice 2

Tabla A 2.2:Tabla de contingencia con los datos de prevalencia de VIH en Ecuador = 0.01%

Cuando la prevalencia es baja, como en Ecuador, vemos que menos de una de cada 100 personas que tuvieron un test positivo son verdaderos positivos, es decir si 10 personas tienen un test positivo, 9 de ellos podrn estar tranquilos, pues no sern verdaderos positivos.
Tabla A 2.3:Tabla de contingencia con los datos de prevalencia en Africa=10%

Al contrario, cuando la prevalencia es elevada, como en el caso del frica, nueve de cada 10 personas que tienen un test VIH positivo sern verdaderos positivos. Mostremos estos dos ejemplos con nuestros diagramas de cuadrados (Figuras A 2. 1, 2 y 3):

97

Figura A 2.1: situacin de investigacin: igual nmero de infectados que de no infectados, prevalencia 50%:

Verdaderos positivos

Falsos negativos

Falsos negativos

Verdaderos negativos

Figura A 2.2: endemia importante: 10% de personas infectadas

Verdaderos negativos

Figura A 2.: endemia mnima: 0,01% de personas infectadas

Verdaderos negativos

Se observa que entre todos los que tuvieron un resultado positivo al test, la proporcin de verdaderos positivos va disminuyendo progresivamente a medida que disminuye la prevalencia. Ntese que la sensibilidad y la especificidad, es decir las relaciones verticales, no han cambiado (En la ltima figura, el nmero de falsos negativos es tan pequeo que la impresora no logra imprimirlo) Estas consideraciones nos llevan a hablar de la nocin que en epidemiologa se conoce como el Valor predictivo de un argumento, o de un test en una poblacin dada: 98

Apndice 2

El valor predictivo despus de un argumento positivo es la probabilidad que tiene un individuo de tener la enfermedad cuando tiene un test positivo. Tambin nos permite conocer el valor predictivo despus de un argumento negativo (VP -), el cual es la probabilidad que tiene un individuo de tener la enfermedad cuando tiene un test negativo. Ntese que lo ltimo no es igual al Valor predictivo negativo. El valor predictivo despus de un test negativo toma en cuenta el cambio en la probabilidad de estar enfermo cuando el resultado del test fue negativo, mientras que el valor predictivo negativo clsico, que se aprende en epidemiologa, toma en cuenta la probabilidad de NO estar enfermo, lo cual es muy poco til y confuso para la prctica clnica, por lo tanto no lo estudiaremos aqu. A partir de esto ya podemos deducir la primera conclusin importante, es decir que tanto el valor predictivo positivo como el valor predictivo despus de un test negativo varan con la prevalencia de la enfermedad en un determinado contexto. El teorema de Bayes nos permite calcular estos dos valores. Conociendo la sensibilidad y la especificidad del argumento estudiado y la prevalencia de la enfermedad en la poblacin en la que trabajamos podemos aplicar la siguiente frmula :
VP+ = Se * Pr ( Se * Pr) + (1 Sp)(1 Pr)

En la que Se significa sensibilidad, Sp significa especificidad y Pr significa probabilidad de tener la enfermedad. Entonces, si la sensibilidad de un test para el diagnstico de VIH es 95%, la especificidad es 99% y la probabilidad de tener VIH para una persona perteneciente a la poblacin del Ecuador es de 0.01%, entonces podemos reemplazar los smbolos en la frmula de la siguiente manera:
VP + = 0.95 * 0.0001 0.000095 = = 0.0095 *100 = 0.94% [(0.95 * 0.0001)+ (1 0.99)* (1 0.0001)] 0.01009

Esto quiere decir que, tomando en cuenta la prevalencia de VIH en Ecuador, un individuo perteneciente a la poblacin general y que no presenta ningn sntoma, pero que tuvo un resultado positivo a un examen con una sensibilidad de 95% y una especificidad de 99%, tiene una probabilidad de estar realmente infectado por el VIH de apenas 0.94%. Ntese que para realizar el clculo tuvimos que transformar los porcentajes en probabilidades, es decir que los dividimos para 100, de lo contrario hubiramos tenido que cambiar la frmula. De igual manera, se puede calcular el valor predictivo despus de un resultado negativo al test con la siguiente frmula:
VP = (1 Se) * Pr [(1 Se) * Pr] + [ Sp * (1 Pr)]

99

Es til haber visto e interpretado estas frmulas calculndolas uno mismo por lo menos una vez, para que se pueda comprender el concepto. De all en adelante ser mucho ms fcil y til representarlas en una tabla de cuatro entradas; sin embargo es muy raro que un mdico clnico tenga el tiempo y las ganas de hacerlo. Son muy raras las personas que se acuerdan de estas frmulas! 1

Fuerza de un argumento aplicado a un paciente en particular

Hasta aqu hemos visto el teorema de Bayes segn la prevalencia de la enfermedad en la poblacin. Ahora veamos este mismo teorema aplicado a un paciente en particular. Que pensamos nosotros de un test VIH positivo en una prostituta y de un test igualmente positivo en el obispo de la regin donde trabajamos? De hecho estas personas pertenecen a dos sub-poblaciones diferentes: la sub-poblacin de prostitutas y la de religiosos de cualquier pas no tienen para nada la misma prevalencia de infeccin por VIH. De esta forma como para el caso de los dos pases con prevalencias que difieren en un factor de 1000, el nmero de falsos positivos ser muy diferente segn se considere la sub-poblacin de prostitutas (prevalencia de personas VIH+ muy elevada) o la subpoblacin de religiosos (prevalencia extremadamente baja). La probabilidad de que una prostituta sea realmente positiva para VIH cuando tiene un resultado positivo para el test es muy alta, mientras que esta probabilidad es baja para nuestro obispo a quien podremos seguramente tranquilizarlo.

La fuerza de un argumento segn el contexto de trabajo

La tasa de prevalencia en una poblacin nos informa sobre la proporcin de personas afectadas por esta enfermedad en la poblacin general. Esta tasa es entonces utilizada durante los estudios epidemiolgicos de una poblacin. Cuando recibimos a un paciente en la consulta, la tasa de prevalencia ya no nos interesa, si no la probabilidad de que nuestro paciente pueda estar realmente afectado por una determinada patologa. Por esta razn debemos acostumbrarnos a pensar en la frecuencia de enfermedades en nuestro contexto de trabajo. Cuando un paciente llega a la consulta del mdico y se sienta en la sala de espera tiene casi con seguridad algn problema de salud. Si un da cualquiera nos detenemos a observar a todos los pacientes sentados en la sala de espera, incluso antes de escucharlos y examinarlos podemos, con bastante certeza, predecir la prevalencia de una enfermedad en nuestro contexto. Es suficiente hacer la siguiente reflexin: en los ltimos 100 pacientes que he visto qu enfermedades he encontrado? Supongamos el caso de un cardilogo que por un momento analiza la prevalencia de enfermedades de los pacientes que se encuentran en su sala de espera. Podr decir que la cuarta parte son hipertensos, otra cuarta parte corresponde a los que tienen insuficiencia cardiaca, una octava parte tienen arritmias. En cambio un bloqueo atrioventricular por el sndrome de Adams Stokes se presenta muy rara vez en la carrera profesional de cualquier cardilogo, por tanto su frecuencia ser, al menos
1

Para poder hacer algunos ejercicios sobre este tpico recomendamos el uso de un programa casero que hemos realizado en Excel y que se encuentra disponible en el sitio web del Instituto de Medicina Tropical de Amberes www.itg.be. Una vez que han ingresado al sitio dirigirse a scientific departments, luego clinical sciences, y luego training. All podrn descargar de forma gratuita el programa Advanced course in Clinical Epidemiology. Este programa est en diferentes idiomas incluido el espaol. Existen tambin varios artculos y publicaciones que explican esto en profundidad pero quizs las ms importantes son las de Sackett .(5;6)

100

Apndice 2

de 1 en 5 mil. Del mismo modo un mdico general que trabaja en un centro de salud puede estimar que la cuarta parte de sus pacientes vienen con un sndrome respiratorio agudo, una octava parte tienen infeccin de vas urinarias, otra octava parte tendrn diabetes o hipertensin; en cambio una insuficiencia cardiaca - que en el consultorio de un cardilogo ocupa la cuarta parte - se presentar en 1 de cada 500 pacientes que acuden a la consulta del mdico general. Estas reflexiones, que parecen demasiado intuitivas ya nos ayudan mucho a establecer cual es la prevalencia de las enfermedades en nuestro contexto de trabajo. En clnica, decimos que tenemos una cierta sospecha de una enfermedad: esta sospecha para nuestro paciente corresponde a la prevalencia. Si ya hemos estimado esta prevalencia de enfermedades en nuestro contexto, ya tenemos el punto de partida. La precisin que logramos con esta estimacin ya es suficiente como para empezar el razonamiento diagnstico. El descubrimiento o la ausencia de un argumento investigado harn variar esta sospecha inicial (tambin conocida como probabilidad pre - test) segn la fuerza del argumento en cuestin. Si el argumento es positivo, su poder de confirmar el diagnstico sospechado va a aadirse al valor de la probabilidad pre-test; si es negativo su poder de exclusin se sustraer del valor de la probabilidad pre-test. Resumiendo, podramos retomar las prevalencias de infeccin VIH en los dos pases como sospecha para nuestros dos casos clnicos, el obispo y la prostituta. Para la prostituta, podramos asumir como si el test VIH ha sido efectuado en una poblacin de 10.000 prostitutas de las cuales 1040 resultaron positivas (950 verdaderas-positivas y 90 falsas-positivas). Siendo la tasa de prevalencia de la seropositividad para VIH de 10%; la tasa de prevalencia o de verdadera-positividad en la poblacin de prostitutas con un test VIH positivo es de 91% (950/1040). Por el contrario, cuando recibimos a un obispo, podramos estimar su probabilidad pretest en 0.1%. Si el test rpido para VIH - que tiene la misma sensibilidad y especificidad del que se aplic a la prostituta - resulta ser positivo, llegara entonces a una probabilidad post-test de solamente 9% de ser efectivamente seropositivo. Estos resultados no dejan de sorprender a cualquiera que los vea por primera vez. Cmo es posible que un test tan fuerte, en el obispo ayude a llegar solamente hasta 9% de certeza? Esto se debe a que es necesario distinguir dos elementos claves en la estimacin de probabilidades. Uno es el poder o fuerza intrnseca del test, que depende de su sensibilidad y especificidad. Otro muy diferente es el contexto o sospecha inicial del individuo a quien se aplique el test. Si la sospecha inicial que tiene un paciente es muy baja, an si aplicamos un test muy fuerte, el resultado positivo incrementar la probabilidad hasta un nivel todava bajo. Por el contrario en un individuo en el cual la sospecha inicial ya es muy alta, la aplicacin de un test dbil puede llevar a alcanzar una certeza considerablemente alta. Por increble que parezca, este es el origen de muchos errores de interpretacin de exmenes en la prctica clnica, as como tambin de mala interpretacin de resultados de estudios clnicos que han sido publicados en famosas revistas internacionales.(7) La probabilidad post-test se traduce en lenguaje clnico como certeza: el grado de certeza es la probabilidad alcanzada con nuestro argumento.

101

Podemos representar estos datos en la Figura A 2.4. Eso fue lo que se explic en el captulo 5.
Figura A 2.4: Diferencia entre el significado de un test VIH (elisa) positivo en un obispo comparado con una prostituta.

Los poderes de un argumento en lenguaje Bayesiano

En el captulo 4 aprendimos como estimar el poder de un argumento. En lenguaje Bayesiano a los poderes de un argumento se les conoce como likelihood ratio, cuya traduccin al castellano sera razn de probabilidad. El poder de confirmacin sera el likelihood ratio positivo, mientras que el poder de exclusin sera el likelihood ratio
negativo

La frmula para calcular para calcular el likelihood ratio positivo es bsicamente la misma que vimos en el captulo 4 para la estimacin del poder de confirmacin, pero aqu la
LHR + = PT | E PT | E

vamos a escribir en lenguaje matemtico. En donde LHR+ significa likelihood ratio positivo, PT significa probabilidad de tener un resultado positivo, E significa estar enfermo, E significa no estar enfermo, y el signo | significa a condicin. Notaran que esta formula equivale a decir verdaderos positivos / falsos positivos. En cambio la formula para calcular el likelihood ratio negativo difiere un poco de la forLHR = PT | E PT | E

mula para calcular el poder de exclusin que aprendimos en el captulo 4. En este caso LHR- significa likelihood ratio negativo, PT significa probabilidad de tener un test negativo, el resto de smbolos son los mismos que se utilizaron en la frmula de arriba.

102

Apndice 2

As mismo podrn notar que esta frmula equivale a decir falsos negativos / verdaderos negativos. Por eso decimos que difiere un poco de la que se mostr en el captulo 4 para el poder de exclusin, pues dicha formula era verdaderos negativos / falsos negativos. Como se podr observar esta ltima frmula no es ms que el inverso de la primera. Esta es una astucia matemtica realizada con el fin de obtener resultados superiores a 1, que facilitan el clculo con el mtodo explicado en el captulo 4. Debido a que el likelihood ratio se deriva de la sensibilidad y de la especificidad es lgico que lo podemos utilizar para calcular el valor predictivo positivo y el valor predictivo despus de un resultado negativo de un test. Sin embargo esto requiere de otra transformacin matemtica. Debido a que los likelihood ratio son exponenciales, no pueden ser multiplicados directamente por la probabilidad de una enfermedad. Para eso necesitamos transformar la probabilidad pre test en odds. El resultado final que se obtiene es entonces una probabilidad final en odds, que una vez ms requerir una transformacin en probabilidades. Esto est explicado en el apndice relacionado con la escala logartmica.

Redes Bayesianas y Bayes ingenuo

El teorema de Bayes tiene dos limitaciones. La primera es que supone que las enfermedades son mutualmente exclusivas, es decir que uno no puede tener ms de un diagnstico a la vez. La otra limitacin es que supone que los argumentos son condicionalmente independientes, por ejemplo que la deshidratacin es independiente de la diarrea. Es por eso que ahora al Teorema de Bayes se lo llama Bayes ingenuo. Para superar estas limitaciones se ha desarrollado el mtodo de las redes Bayesianas que permiten diagnsticos mltiples y utilizan relaciones de dependencia mucho ms ricas que el mtodo clsico. Explicar en detalle las redes Bayesianas est fuera del propsito de este texto, sin embargo tienen un gran potencial para el desarrollo de sistemas expertos en medicina. Para quien tenga curiosidad en conocer ms sobre este mtodo recomendamos visitar el sitio web del Proyecto ELVIRA desarrollado por la Universidad Nacional de Educacin a Distancia en Espaa.

103

Conclusin
A manera de conclusin de este anexo, podemos decir que: El teorema de Bayes es el mtodo con el cual se calculan las probabilidades de que una persona tenga un determinado diagnstico a condicin de que tenga un determinado argumento. Con el Teorema de Bayes podemos calcular el Valor Predictivo de un examen El Valor Predictivo de un examen vara con la prevalencia de la enfermedad en la poblacin. Se puede calcular el Valor Predictivo usando los poderes de un argumento, que en lenguaje clsico se conocen como likelihood ratio, pero eso requiere de una transformacin compleja. Las redes Bayesianas son mtodos avanzados que superan algunas limitaciones del Teorema de Bayes y pueden ser usadas para el desarrollo de sistemas expertos.

Referencias
(1) (2) (3) (4) (5) (6) (7) Bayes T. An Essay Toward Solving a Problem in the Doctrine of Chances. Philosophical Transactions of the Royal Society of London 1764;53:370-418. Wiggins C.What is Bayes' theorem, and how it can be used to assign probabilities to questions such as the existence of God? What scientific value does it have? Scientific American . 4-12-2006. Fagan TJ. Letter: Nomogram for Bayes theorem. N Engl J Med 1975 Jul 31;293(5):257. Grimes DA, Schulz KF. Refining clinical diagnosis with likelihood ratios. Lancet 2005 Apr 23;365(9469):1500-5. Sackett D, Haynes R, Guyatt GH, Tugwell P. Clinical Epidemiology: a basic science for clinical medicine. 2 ed. Boston: Little, Brown and Company; 1991. Jaeschke R, Guyatt G, Sackett DL. Users' guides to the medical literature. III. How to use an article about a diagnostic test. A. Are the results of the study valid? Evidence-Based Medicine Working Group. JAMA 1994 Feb 2;271(5):389-91. Ioannidis JP.Why most published research findings are false. PLoS Med 2005 Aug;2(8):e124.

104

Apndice 3 Qu son los logaritmos?

En varios captulos del libro hemos mencionado a los logaritmos. Casi siempre este tema causa alguna resistencia entre los mdicos. En este anexo trataremos de explicar de que se trata. Si ax=m, entonces se puede decir que x, que es el exponente, es el logaritmo de m de base a. Aunque a puede ser cualquier nmero vamos a enfocarnos en los logaritmos simples en los cuales a=10, o sea los logaritmos de base 10. El logaritmo simple de 1000 es 3 porque al elevar 10 a la 3ra potencia (103) obtenemos 1000 (103=1000). A la inversa, el antilog de 3 es 1000 Esto se puede hacer fcilmente con una hoja de Excel.(Figura A 3.1) Hacemos una primera columna en la que ponemos nmeros del 0.001 hasta el 1000 y en una segunda columna insertamos la funcin del logaritmo de base 10 que se encuentra en el men insertar/funciones, escogiendo la funcin LOG10 y escribiendo en el parntesis la celda del nmero que queremos transformar a logaritmo. En este ejemplo transformamos el nmero 0.001, que se encuentra en la celda A2.
Figure 1: Insertando la funcion logaritmo en excel.

105

Ahora podemos copiar esta funcin en las otras celdas y obtenemos los logaritmos de cada uno de los nmeros.(figura A 3.2) Ntese que el logaritmo de uno (1) es cero (0). Figura A 3.2:

Los exponentes no necesitan ser nmeros enteros, pueden ser decimales. Por ejemplo 10 elevado a la potencia 0.25 es igual a 1.778, eso quiere decir que el logaritmo de 1.778 es 0.25. Del mismo modo 10 elevado a la potencia 0.7 es 5.012, lo que quiere decir que el logaritmo de 5.012 es 0.7. Cul es la utilidad de esto? Al expresar todo en trminos de 10 elevado a una potencia podemos multiplicar nmeros simplemente sumando los exponentes. De esta manera si queremos multiplicar 1.788 x 5.012, que es lo mismo que multiplicar 100.25x100.7 simplemente hacemos 100.25+0.7, que da como resultado 100.95. Si ahora buscamos el antilog de 0.95 obtenemos 8.912, que es el mismo resultado que obtendramos al multiplicar 1.788 x 5.012. Esto era de una importancia enorme hace 400 aos, en el tiempo en que Napier desarroll el concepto de los logaritmos. En ese entonces no haba calculadoras, por lo cual era imposible hacer operaciones matemticas complejas como multiplicaciones y divisiones, pero existan tablas logartmicas y reglas de clculo, que fueron las precursoras de las calculadoras, las que permitan convertir toda multiplicacin o divisin en una suma o resta). Exactamente de la misma manera como para multiplicar hacemos sumas, para dividir podemos usar substracciones. No hasta hace mucho tiempo, en los aos 60, nuestros padres y tos todava usaban las reglas de calculo, ya que no contaban con calculadoras electrnicas, y con el uso de stas pudieron hacer grandes obras de ingeniera, como el clculo estructural del Empire State Building en Nueva York. Cul es la importancia de esto en medicina? En casi todos los dominios de la ciencia se utilizan logaritmos para explicar el peso de un evento al ciudadano comn. Por 106

Apndice 3

ejemplo, los geofsicos explican la intensidad de un terremoto mediante la escala de Richter, que no es ms que una escala logartmica, los msicos aprenden las notas en el teclado de un piano con una escala logartmica, en el colegio nos explican el grado de acidez o alcalinidad con el pH, que es otra escala logartmica. Por qu en medicina no tenemos una escala que sirva para medir el peso de un argumento?, de manera que solo tengamos que aadir o sustraer pesos, en lugar de aplicar formulas complejas como las del teorema de Bayes. Eso es lo que tratamos de hacer al convertir los poderes de confirmacin y de exclusin, as como la escala de probabilidades en logaritmos. Ahora le proponemos, que a manera de ejercicio, usted intente hacer algunas transformaciones logartmicas con el uso de Excel.

107

9 789978 926536