Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
decisiones en
medicina clnica
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
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
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
representacin grfica
conclusin
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
iii
EL
introduccin
las leyes
el inventario de datos
la construccin del panorama
ejemplo de panoramas
conclusin
iv
65
65
68
70
72
76
82
85
95
105
Los Autores
vi
Autores
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:
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?
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)
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
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
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.
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).
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
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?
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
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.
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
2.
Referencias
(1)
(2)
(3)
(4)
(5)
(6)
(7)
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.
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.
13
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.
Los umbrales
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.
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
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!
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.
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.
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.
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
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.
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%.
Los umbrales
25
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.
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
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)
argumento +
(armado)
verdaderos
positivos
Falsos
positivos
argumento (no-armado)
falsos
negativos
Verdaderos
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
Segunda situacin:
Figura 3.3
ladrones
armados
transeuntes
armados
transeuntes
sin
arma
30
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.
Argumentos e hiptesis
Tercera situacin:
Figura 3.4
ladrones
armados
transeuntes
armados
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
Argumento +
(Ej.: antecedente de diarrea, hipertermia, hepatomegalia, serologia +)
verdaderos
positivos
falsos
positivos
falsos
negativos
verdaderos
negativos
Argumento 2 : fiebre
Figura 3.6
Argumentos e hiptesis
absceso +
dolor -
absceso diarrea -
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.
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.
otras
enfermedades
verdaderos
presente positivos
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
otras
enfermedades
DIARREA
CON SANGRE
amebiasis
verd.
presente
ausente
verdaderos
positivos
otras
enfermedades
falsos
positivos
verdaderos
negativos
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).
otras
Existen muy pocos casos en los que una mujer
enfermedades
EMBARAZO
positivo
verdaderos
positivos
DEFENSA
ABDOMINAL
presente
ausente
verdaderos
positivos
falsos
negativos
otras
enfermedades mento con un dbil poder de exclusin frente a
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.
Poder de un argumento
39
Verdaderos
positivos
Falsos
positivos
PODER DE CONFIRMACION
Verdaderos
negativos
Falsos
negativos
PODER DE EXCLUSION
DOLOR
TORACICO
presente
ausente
neumona
otras
enfermedades
Verdaderos
positivos
Falsos
positivos
Falsos
negativos
Verdaderos
negativos
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
Pacientes sin
neumona
Dolor torcico
20
80
95
Total
100
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
PODER DE CONFIRMACION
Verdaderos positivos
Falsos negativos
Verdaderos negativos
Falsos positivos
20%
80%
95%
5%
Poder de confirmacin:
Poder de exclusin:
20/5= 4
95/80= 1.2
Verdaderos
negativos
Falsos
negativos
PODER DE EXCLUSION
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
Poder transformado en
Logaritmo de base 10
Categora de poder
Intil
3 (2 - 5)
0,5
Dbil
10 (6 - 17)
Bueno
30 (18 - 56)
1,5
Fuerte
100 (57 - )
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.
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
PC
PE
Polipnea
muy fuerte
bueno
Inicio sbito
bueno
dbil
Dolor torcico
bueno
dbil
Taquicardia
dbil
bueno
Edema de pierna
fuerte
dbil
Condensacin
dbil
dbil
en Rx de trax
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.
45
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
3.
Los argumentos que son pruebas absolutas de una
un argumento y su expreenfermedad 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)
(2)
(3)
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.
48
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.
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
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
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.
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
Fuerza de un argumento
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.
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)
(15)
(16)
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.
63
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
67
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".
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.
... 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.
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
Descompensacin cardaca
Beriberi
Cirrosis
Estadio terminal de una fibrosis
Una ascitis falsa: sangre en el peritoneo: ruptura del bazo, embarazo extra-uterino.
Tuberculosis peritoneal
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.
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")
77
78
El panorama
79
80
El panorama
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
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.
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.
88
Apndice 1
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
Apndice 1
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
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.
Para confirmar
Para excluir
100 (>56)
-2
Muy fuerte
30 (18-56)
1.5
-1.5
Fuerte
10 (6-17)
-1
Bueno
3 (2-5)
0.5
-0.5
Dbil
Intil
92
Poderes en log10
Apndice 1
Probabilidad
pre-test
Linear (%)
0.1%
Linear
(odds)
PC de los
argumentos
Probabilidad
post-test
calculo
imposible
100
10%
0,001
100
0.1
Logartmica
-3
-1
Clnica
(intuitiva)
una enfermedad
rara sospechada en un paciente
un argumento
que
con un poder es
presenta de confirmacin
muy fuerte
probable
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)
(8)
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.
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
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%
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
Verdaderos
negativos
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
Se * Pr
( Se * Pr) + (1 Sp)(1 Pr)
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
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.
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
PT | E
PT | E
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.
103
Conclusin
A manera de conclusin de este anexo, podemos decir que:
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)
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
107
9 789978 926536