Bioestadstica de las Pruebas

Diagnsticas en Medicina
Andrs Fandio L. MD. MSc. PhD.
Escuela de Salud Pblica.
Universidad del Valle.

Las apariencias a la mente son de cuatro clases.

Cosas hay que son lo que parecen ser;
o no lo son y no parecen serlo;
o lo son y no parecen serlo;
o no son y s parecen serlo.
Es tarea del hombre sabio
el decidir correctamente
en todos esos casos

Epcteto (siglo II dC)

Discursos (libro I, cap. 27)

La prctica de la medicina clnica

consiste en interpretar signos,
sntomas y pruebas diagnsticas
para tomar decisiones: diagnosticar,
tratar, o no tratar

Fuentes de variabilidad
Reproducibilidad o concordancia
Grado en que concuerdan dos o ms
mediciones sobre la misma muestra

Validez
Grado en que una medicin coincide con la
verdad

Validez y reproducibilidad...

Tensin arterial sistlica (mm Hg)

Valores hipotticos de TA sistlica en un individuo

200 180 160 140 -

120 100 -

80 tiempo

Validez de una
prueba diagnstica

Validez
Grado en el que los resultados
de una medicin corresponden
al fenmeno real (la verdad)

ENFERMEDAD

S
+
PRUEBA

No

Verdaderos
positivos a
c

Falsos
negativos

b
d

Falsos
positivos
Verdaderos
negativos

Cosas hay que son

lo que parecen ser;

ENFERMEDAD

S
+
PRUEBA

No

Verdaderos
Positivos a
c

Falsos
Negativos

o lo son y no parecen
serlo;

o no son y s
parecen serlo.

b
d

Falsos
Positivos
Verdaderos
Negativos

o no lo son y no parecen
serlo;

Validez
Grado en que los resultados de una prueba
corresponden realmente a aquello que se est
midiendo.
Capacidad de la prueba para medir el fenmeno
que se est estudiando.
Capacidad de una prueba diagnstica de clasificar
correctamente a enfermos y no enfermos.
Parmetros de validez interna:
Sensibilidad (S) de la prueba
Especificidad (E) de la prueba

Parmetros de validez interna: sensibilidad

Sensibilidad
Probabilidad de que la prueba sea positiva si la
enfermedad est presente.
ENFERMEDAD

PRUEBA

S
+

No

Verdaderos
positivos a b
c

Falsos
negativos

Falsos
positivos
Verdaderos
negativos

Sensibilidad: S =

a
a+c

Ejemplo:
S=0,75 u 75%
La prueba es positiva en
el 75% de los que tienen
la enfermedad

Parmetros de validez interna: especificidad

ENFERMEDAD

PRUEBA

S
+

No

Verdaderos
positivos a b
c

Falsos
negativos

Falsos
positivos
Verdaderos
negativos

d
Especificidad: E =
b+d
Ejemplo:
E=0,90 u 90%
La prueba es negativa en
el 90% de los que no
tienen la enfermedad

Especificidad
Probabilidad de que la prueba sea negativa en los
individuos sanos.

Ejemplo: Validez del diagnstico clnico de la faringitis

en 152 pacientes (patrn de oro: cultivo)

Diagnstico clnico

Cultivo farngeo

27

35

10

77

a
Sensibilidad: S =
a+c
S = 27 / 37 = 73%
d
Especificidad: E =
b+d
E = 77 / 112 = 69%

IC95%:

S= 0,73 (0,66 - 0,80)

p 1,96 (p (1-p) / N)

E= 0,69 (0,61 - 0,76)

Inters en Alta Sensibilidad

Cuando el precio de omitir un diagnstico sea elevado
o cuando existe riesgo de extensin de la enfermedad
Objetivo: detectar que se tiene la enfermedad (para
tratarla o prevenir su extensin)
Ej.: ELISA para VIH/SIDA.

En las primeras etapas diagnsticas, cuando hay

numerosas posibilidades diagnsticas, con la intencin
de disminuir stas.
Objetivo: descartar procesos.
Ej.: sospecha de neoplasia

La idea es poder detectar una alta

proporcin de verdaderos positivos.

Inters en Alta Especificidad

tiles para confirmar un diagnstico que ha sido
sugerido por otros datos una prueba especfica da
pocos resultados falsos positivos.
Objetivo: confirmar que no se tiene el proceso
patolgico.
Cuando los falsos positivos pueden causar perjuicio
importante al paciente (fsico, emocional o
econmico): Ej.: Western-blot, despus de ELISA,
para VIH/SIDA.

La idea es poder detectar una alta

proporcin de verdaderos negativos.

Relacin entre Sens. (S) y Esp. (E)?

Aparentemente no estn relacionadas: la Sens. se
mide entre quienes tienen la enfermedad y la Esp.
entre quienes estn sanos...
Angina
IAM

[CPK]

VN

FP

Relacin entre S y E?
Aparentemente no estn relacionadas: la Sens. se
mide entre quienes tienen la enfermedad y la Esp.
entre quienes estn sanos...
Angina
IAM

[CPK]

FN

VP

Relacin entre S y E?
Aparentemente no estn relacionadas: la Sens. se
mide entre quienes tienen la enfermedad y la Esp.
entre quienes estn sanos...
Angina
IAM

VN
FN

FP
VP

[CPK]

Especificidad
Sensibilidad

Relacin entre S y E?
VN

FP

Especificidad

FN

VP

Sensibilidad

Relacin
inversa

Cuanto ms exigente sea el criterio (punto

de corte), menor ser la sensibilidad y
mayor la especificidad.

Relacin inversa
entre Sensibilidad
(S) y Especificidad
(E).

CPK

Puntos de
corte

Valor

70

100.0

17.7

120

94.0

40.3

140

92.5

59.7

160

85.1

82.3

180

82.6

83.9

200

73.1

87.1

220

70.1

90.3

260

67.2

90.3

300

61.2

90.3

10

340

68.2

90.3

11

400

32.8

96.8

12

500

16.8

100.0

sensibilidad

La relacin inversa
entre Sensibilidad y
Especificidad
suele representarse
mediante la curva ROC
Receiver Operating
Characteristic

Sensibilidad
vs.
1 Especificidad

1 especificidad

Curva ROC

sensibilidad

Permite el clculo del rea

bajo la curva
Impresin grfica de la
relacin entre S y E
Facilita eleccin puntos de
corte
Permite valorar todo el
espectro de valores
Permite comparar pruebas
diagnsticas (grfica y
estadsticamente)

FP+FN

VN+VP
Diagnsticos
correctos

1 especificidad

Valores predictivos
En clnica normalmente deseamos saber
si el resultado (positivo o negativo) de la
prueba es correcto o no, es decir, la
probabilidad de la enfermedad tras
saber el resultado de la prueba

Valor predictivo positivo

Probabilidad que tiene una prueba de detectar los
enfermos cuando da un resultado positivo.
ENFERMEDAD

PRUEBA

S
+

No

Verdaderos
positivos a b
c

Falsos
negativos

Falsos
positivos
Verdaderos
negativos

a
VPP =
a+b

Ejemplo:
VPP=0,99 0 99%
El 99% de los pacientes
con la prueba positiva
tiene realmente la
enfermedad

Valor predictivo positivo

Probabilidad que tiene una prueba de detectar
enfermos cuando da un resultado positivo
a
VPP =

a+b

El VPP depende de la
prevalencia o probabilidad
a priori de la enfermedad
Cuando la muestra no es
representativa se calcula a
partir del Teorema de Bayes

VPP =

P*S
P * S + (1 P) (1 E)
P: prevalencia
S: sensibilidad
E: especificidad

Valor predictivo negativo

Probabilidad que tiene una prueba de detectar sanos
(no enfermos) cuando da un resultado negativo
ENFERMEDAD

PRUEBA

S
+

No

Verdaderos
positivos a b
c

Falsos
negativos

Falsos
positivos
Verdaderos
negativos

d
VPN =
c+d

Ejemplo:
VPN=0,80 0 80%
El 80% de los pacientes
con la prueba negativa
realmente estn sanos.

Valor predictivo negativo

Probabilidad que tiene una prueba de detectar sanos
cuando da un resultado negativo
d
VPN =

c+d

El VPN depende de la
prevalencia o probabilidad
a priori de la enfermedad
Cuando la muestra no es
representativa se calcula a
partir del Teorema de Bayes

VPN =

(1 P) * E
(1 P) E + P (1 S)
P: prevalencia
S: sensibilidad
E: especificidad

Valores Predictivos - Implicaciones

Dado que dependen de la Prevalencia:
Las pruebas diagnsticas funcionan mejor cuando
la prevalencia de la enfermedad es mayor
El uso de pruebas diagnsticas debe tener en
cuenta las caractersticas de la enfermedad en el
contexto en que se usan
La prevalencia de enfermedad depende del nivel
asistencial
En contextos de pruebas de tamizaje (baja
prevalencia), el VPN es alto.

Razones de verosimilitud
(razones de probabilidad diagnstica)
(likelihood ratios)
Parmetros independientes de la
prevalencia de la enfermedad que
aglutinan la informacin sobre
sensibilidad y especificidad

Razn de verosimilitud positiva (RVP)

La RVP relaciona
la ventaja preprueba de diagnosticar la
enfermedad (odds de prevalencia, P / 1 P)
con la ventaja posprueba de un resultado
positivo (odds del VPP, VPP / 1 VPP)

VPP

P
=

1 VPP

S
X

1P

1E

Razn de verosimilitud positiva (RVP)

Cuanto mayor es la RVP (sobre 1) ms importante es la
contribucin de un resultado positivo de la prueba en
el diagnstico de la enfermedad.
Ejemplo
RVP=8 indica que el resultado positivo es
proporcionalmente 8 veces ms frecuente en los
enfermos que en los no enfermos

RVP >10
RVP 5-10
RVP 2-5
RVP 1-2

-- prueba excelente
-- prueba buena
-- prueba regular
-- deficiente

Razn de verosimilitud negativa (RVN)

La RVN relaciona
la ventaja preprueba de diagnosticar la
enfermedad (odds de prevalencia, P / 1 P)
con el inverso de la ventaja posprueba de un
resultado negativo (odds del VPN, VPN / 1 VPN)

1 VPN
=

VPN

1S

P
X

1P

Razn de verosimilitud negativa (RVN)

1S
E

La RVN valora la contribucin de un

resultado negativo en la no
confirmacin de la enfermedad
ms importante cuanto ms cerca de 0

Se puede definir RVN al revs.

Informa de la relacin entre la ventaja
preprueba de no enfermedad y la ventaja
posprueba del resultado negativo, y su
escala es similar a la de la RVP

E
1S

Uso de pruebas diagnsticas

mltiples

Pruebas diagnsticas mltiples

Tipos:
Pruebas en paralelo (a la vez): un resultado
positivo de cualquiera de ellas se considera
diagnstico de la enfermedad

Pruebas en serie (consecutivas): slo se

considera el diagnstico de enfermedad cuando
todas las pruebas dan positivas.

Pruebas en paralelo
Cuando se necesita un diagnstico rpido
(Ej.: pacientes hospitalizados o en urgencias)
Prueba A o prueba B o prueba C positivas

A
B
C

+
+

aumentan la sensibilidad y
el VP negativo
disminuyen la especificidad
y el VP positivo

Pruebas en paralelo
Especialmente tiles cuando se requiere una prueba muy
sensible pero slo se dispone de pruebas relativamente
insensibles que miden diferentes fenmenos clnicos.
Es menos probable que la enfermedad se pase por alto,
pero tambin hay ms falsos positivos.
Perjuicio: el tratamiento de algunos pacientes sin la
enfermedad.

Pruebas en serie
Cuando no se precisa una evaluacin rpida
Cuando alguna de las pruebas tiene un coste o un
riesgo elevado
Prueba A y prueba B y prueba C positivas

-- aumentan la especificidad y el VP positivo

-- disminuyen la sensibilidad y el VP negativo

Aplicacin del Teorema de Bayes

a los Valores Predictivos
Un abordaje ms complejo

43

Nociones de probabilidad
Hay dos maneras principales de entender la
probabilidad:
Frecuentista (objetiva): Probabilidad de un suceso es la frecuencia
relativa (%) de veces que ocurrira el suceso al realizar un
experimento repetidas veces.
Subjetiva (bayesiana): Grado de certeza que se posee sobre un
suceso. Es personal.

En ambos tipos de definiciones aparece el concepto de

suceso. Vamos a recordar qu son y algunas
operaciones que se pueden realizar con sucesos.

44

Sucesos

espacio muestral

espacio muestral

Cuando se realiza un experimento aleatorio diversos resultados

son posibles.
El conjunto de todos los resultados posibles se llama espacio
muestral y se denota por E.
Se llama suceso a un subconjunto de dichos resultados.
Se llama suceso contrario (complementario) de un suceso A,
al formado por los elementos que no estn en A, se anota A
Se llama suceso unin de A y B, AUB, al formado por los resultados
experimentales que estn en A o en B (incluyendo los que estn
en ambos
Se llama suceso interseccin de A y B, AB o simplemente AB, al
formado por los resultados experimentales que estn simultneamente
en A y B

espacio muestral

espacio muestral

espacio muestral

UNIN

INTERSEC.

espacio muestral

Definicin de probabilidad y prob. condicional

Se llama probabilidad a cualquier funcin, P, que asigna a cada
suceso A un nmero real P(A), verificando las siguientes reglas
(axiomas)
0P(A) 1

E
100%

espacio muestral

espacio muestral

P(E)=1

P(AUB)=P(A)+P(B) si A B=

es el conjunto vaco.

Se llama probabilidad de A condicionada a B, o probabilidad de

A sabiendo que ocurri B:
Se calcula as:

P( A B)
PB ( A) P( A / B)
P( B)

espacio muestral

A
B
45

46

Intuir la probabilidad condicionada

A

A
B

Probabilidad de A sabiendo que ha pasado B?

P(A) = 0,25
P(B) = 0,10
P(A B) = 0,10
P(A|B)=1

P(A) = 0,25
P(B) = 0,10
P(A B) = 0,08
P(A|B)=0,8

47

Intuir la probabilidad condicionada

A

B
B
Probabilidad de A sabiendo que ha pasado B?
P(A) = 0,25
P(B) = 0,10
P(A B) = 0,005
P(A|B)=0,05

P(A) = 0,25
P(B) = 0,10
P(A B) = 0
P(A|B)=0

48

Cualquier problema de probabilidad puede resolverse en teora

mediante aplicacin de los axiomas. Sin embargo, es ms cmodo
conocer algunas reglas de clculo:
P(A) = 1 - P(A)
P(AUB) = P(A) + P(B) - P(AB)
P(AB) = P(A) P(B|A)=P(B) P(B|A)
Prob. de que ocurra A y B es la prob. de que ocurra A por la probabilidad de que ocurra B
sabiendo que ocurri A.

Dos sucesos son independientes si el hecho de que ocurra uno no

afecta la ocurrencia del otro. En lenguaje probabilstico:
A y B independientes P(A|B) = P(A)

Dicho de otra forma:

A y B independientes P(A B) = P(A) P(B)

49

EJEMPLO: En una muestra de 1000 individuos elegidos al azar,

entre una poblacin de enfermos de osteoporosis 760 eran mujeres.
Qu porcentaje de mujeres hay en la muestra?
(760/1000)*100=0,76*100=76%

Si elegimos a un individuo de la poblacin, qu probabilidad hay de

que sea mujer:
La noc. frec. de prob. nos permite aproximarlo a P(Mujer)=076

Cul es la probabilidad de que elegido un individuo de la poblacin

sea hombre:
P(Hombre)=P(Mujer)=1-0,76=0,24

Se sabe de otros estudios que entre los individuos con osteoporosis,

aprox. la cuarta parte de las mujeres y la tercera parte de los
hombres fuman. Elegimos a un individuo al azar de la poblacin de
enfermos.
Qu probabilidad hay de que sea mujer fumadora?
P(Mujer Fumar) = P(Mujer) P(Fumar|Mujer) = 0,76 x 0.25 = 0,19

Qu probabilidad hay de que sea un hombre fumador?

P(Hombre Fumar) = P(Hombre) P(Fumar|Hombre) = 0,24 x 1/3 = 0,08

Probabilidad total
A2

A1

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

B
podemos calcular la
probabilidad de B.

A3

A4

P(B) = P(BA1) + P(BA2 ) + P( BA3 ) + ( BA4 )

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

51

Ejemplo: En un aula, el 70% de los alumnos son mujeres. De

ellas el 10% son fumadoras. De los varones, son fumadores
el 20%.
Qu porcentaje de fumadores hay en total? Probabilidad
P(F) = P(FH) + P(FM)

= P(F|H) P(H) + P(F|M) P(M)

=0,2 x 0,3 + 0,1 x 0,7
= 0,13 =13%

Total.
Hombres y mujeres
forman
una particin del
espacio muestral

Se elije a un individuo al azar y resulta

fumador. Cul es la probabilidad de que sea un hombre?
P(H|F) = P(F H)/P(F)

R. Bayes

= P(F|H) P(H) / P(F)

Mujeres

Varones

= 0x2 x 0,3 / 0,13

= 0,46 = 46%

fumadores

52

Expresin del problema en forma de rbol

0,1
0,7

Mujer

Fuma

0,9
No fuma

Estudiante

0,2

0,3

Fuma

Hombre

0,8
No fuma

P(F) = 0,7 x 0,1 + 0,3x0,2

P(H | F) = 0,3x0,2/P(F)
-Los caminos a travs de
nodos representan
intersecciones.
-Las bifurcaciones
representan uniones
disjuntas.
-Se pueden resolver los
problemas usando la
tcnica de su
preferencia.

Regla de Bayes
A2

A1

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

PB ( A i ) P( A i / B)
A3

A4

P( A i B)
P( B)

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

probabilidad total:

P(B)=P(BA1) + P(BA2 ) + P( BA3 ) + ( BA4 )

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

53

54

Test diagnsticos
Un test diagnstico sirve para ayudar a mejorar una estimacin de la
probabilidad de que un individuo presente una enfermedad.
En principio tenemos una idea subjetiva de P(Enfermo). Nos ayudamos
de
Incidencia,

Porcentaje de nuevos casos de la enfermedad en la poblacin.

Prevalencia,

Porcentaje de la poblacin que presenta una enfermedad.

Por otra parte, para confirmar, usamos una prueba diagnstica. La misma
ha sido evaluada con anterioridad sobre dos grupos de individuos: sanos y
enfermos. As de modo frecuentista se ha estimado:
Sensibilidad (verdaderos +)= Tasa de acierto sobre enfermos.
Especificidad (verdaderos -)= Tasa de acierto sobre sanos.

A partir de lo anterior y usando la Regla de Bayes, podemos calcular las

probabilidades a posteriori (en funcin de los resultados del test): ndices
predictivos
P(Enfermo | Test +) = ndice predictivo de verdaderos positivo
P(Sano | Test -) = ndice predictivo de verdaderos negativo

55

Test diagnsticos: aplicacin Regla de Bayes.

Sensibilidad,
verdaderos +
P. a priori de enfermedad:
incid., preval., intuicin,

T+

Enfermo
Falsos -

T-

Individuo
Falsos +
T+
Sano

Especificidad,
Verdaderos -

T-

Ejemplo: Test diagnstico y Regla de Bayes

La diabetes afecta al 20% de los individuos que acuden a
una consulta. La presencia de glucosuria se usa como
indicador de diabetes. Su sensibilidad es de 0,3 y la
especificidad de 0,99. Calcular los ndices predictivos.

P( Enf | T )

0,3
T+
0,2

Enfermo

T-

0,7

Individuo

0,01

0,8

T+

Sano

0,99

T-

P( Enf T ) P( Sano T )

0,2 0,3
0,88
0,2 0,3 0,8 0,01

P( Sano | T )

P( Enf T )

P( Sano T )

P ( Sano T ) P ( Enf T )

0,8 0,99
0,85
0,8 0,99 0,2 0,7

56

Observaciones
En el ejemplo anterior, al llegar un
individuo a la consulta tenemos una
idea a priori sobre la probabilidad de
que tenga una enfermedad.

-Qu probabilidad
tengo de estar
enfermo?
- En principio 0.2. Le
haremos unas pruebas.

A continuacin se le pasa un test

diagnstico que nos aportar nueva
informacin: Presenta glucosuria o no.
En funcin del resultado tenemos una
nueva idea (a posteriori) sobre la
probabilidad de que est enfermo.
Nuestra opinin a priori ha sido
modificada por el resultado de un
experimento.
Relacinalo con el mtodo cientfico.

- Presenta glucosuria.
La probabilidad ahora
es de 0.88

57

Material Adaptado de:

Estudios de las pruebas diagnsticas. Dr. Esteve
Fernndez.
Curso de Bioestadstica. Rius, Barn, Snchez y
Parras. Universidad de Mlaga. Espaa.