LENIA LILIET VIVAR

TOBN

INTRODUCCIN
El mayor reto de la medicina es tratar con
individuos diferentes, distintos en el desarrollo
de las enfermedades, en su manifestacin y en
la respuesta a los tratamientos.
El objetivo del diagnstico correcto es aplicar
un tratamiento adecuado, el cual, muchas
veces se elige sin tener la seguridad absoluta
de su eficacia, ni tan siquiera sobre el
diagnstico, casi siempre hay cierto grado de
incertidumbre.

 La anamnesis, la exploracin fsica y la

aplicacin de pruebas ms o menos
invasivas, o el estudio de la respuesta
a determinadas manipulaciones se
hacen con el fin de disminuir esta
incertidumbre.
Para homogeneizar el lenguaje de la
incertidumbre, a las probabilidades se
les asignan nmeros para establecer
hiptesis diagnsticas.

 Las hiptesis diagnsticas pueden ser de

varios tipos y siguen tres modelos:

Modelo lineal: a los signos o sntomas se les

asigna un peso positivo si apoyan el
diagnstico, o negativo si lo rechazan. La
decisin se basa en el signo dominante.
Modelo bayesiano: basado en
probabilidades condicionadas. La probabilidad
se basa en cada informacin adquirida, paso
a paso.

Modelo algortmico: el clnico, conforme va

comprobando hiptesis, va siguiendo las
ramas de un proceso lgico.

 La asociacin entre las diferentes variables en

dichos modelos pueden ser:
Probabilstica: asociacin estadstica hallada
entre dos variables.(Probabilidad de HP asintomtica
en varones de 55 aos)

Causal: asociaciones basadas en las relaciones

causa-efecto. Definen el mecanismo que puede
simular el comportamiento normal del cuerpo
humano.(Probabilidad de anemia ferropnica en una
mujer de 30 aos, con sintomatologa inespecfica
pero menstruacin abundante)

Determinista: asociacin basada en una serie de

reglas bien definidas o algoritmos.(HCO3 plasmtico
<8mmol/l y pH bajo = acidosis metablica)

 Para que un diagnstico se considere

aceptable se tiene que haber
comprobado su coherencia y adecuacin

(es decir, no hay signos o sntomas

contradictorios con el diagnstico realizado y ese
dx debe explicar los sntomas de ese paciente)

Las pruebas diagnsticas se aplican para

aumentar el conocimiento sobre la
probabilidad de una enfermedad, pero debe
de considerarse que la interpretacin de
cualquier resultado depende de la
probabilidad de la enfermedad antes de
realizar la prueba.

 Dependiendo del rango de

probabilidades en que se encuentra
la enfermedad, la actitud que se
adopta ante el paciente es diferente.
Umbral
Umbral
de
diagnsti
co

NO TX

de tx
Prueba
diagnstica

NO PRUEBA

TX
NO PRUEBA

0.50

Probabilidad de
la enfermedad

1
Proceso
diagnstico

 Las pruebas diagnsticas no son

infalibles, necesitan dos requisitos
indispensables para que tengan
fiabilidad y validez, lo cual se podr
medir en trminos de la sensibilidad
y especificidad.

ESTADSTICA
La estadstica es una rama de la
matemtica que se refiere a la recoleccin,
anlisis e interpretacin de los datos
obtenidos en un estudio.
Es un instrumento indispensable en el
proceso de investigacin en medicina.
Se clasifica en descriptiva e inferencial.

DESCRIPTIVA

presentacin y
sntesis
de la informacin
recogida en
un estudio
Generalizar la

INFERENCIAL

informacin obtenida
en una muestra a
resultados
vlidos
para la poblacin

El Tx A es mejor que el Tx B
para esta enfermedad en
concreto?

80%

70%

FRMACOS

 En la respuesta de un paciente al Tx pueden

influir diversos factores (azar)
variabilidad en los
resultados
La estadstica en la clnica reduce y
cuantifica dicha variabilidad
decisiones

tomar

El clculo de probabilidades proporciona las

reglas para cuantificar esa incertidumbre y
constituye la base para la estadstica
inductiva o inferencial.

CLCULO DE
PROBABILIDADES
La PROBABILIDAD de ocurrencia de un
determinado suceso, es la proporcin
de veces que ocurrira dicho suceso si
se repitiese un experimento o una
observacin en un nmero grande de
ocasiones bajo condiciones similares.

 La probabilidad se mide por un nmero

entre cero y uno: si un suceso no ocurre
nunca, su probabilidad asociada es cero,
si ocurriese siempre su probabilidad
sera igual a uno. (Frecuentista).
As una poblacin con N elementos, de
los cuales k representan una
caracterstica A, se estimar la
probabilidad de la caracterstica A como

P(A)= k/N

 En una poblacin de 100 pacientes, 5

de los cuales son diabticos

P(Diabetes)= 5/100=0.5
Para un suceso A, la probabilidad de
que suceda su complementario (que
no suceda A) es igual a uno menos la
probabilidad de A:

P(A)+P(A)=1

P(A)= 1-P(A)

 Si un fenmeno determinado tiene dos

posibles resultados A y B mutuamente
excluyentes, la probabilidad de que una de
esas dos posibilidades ocurra se calcula como
la suma de las dos probabilidades
individuales:

P(A B)= P(A) + P(B)

La extensin de la ley aditiva anterior al
caso de ms de dos sucesos excluyentes
A,B,C indica que:

P(A B C ) = P(A)+P(B)+P(C)+

La probabilidad de que en un
paciente que se somete a una
biopsia de prstata no se confirme
el Dx de Ca prosttico ser igual a:

38.2
43.6
%
%
HB
18.2
C
%

SERVICIO DE
UROLOGA

PR
P(HB PR)=P(HB)
+P(PR)=0.382+0.182=0.564

P(HB PR)= P(C)= 1- P(C)=10.436=0.564

Cul ser la probabilidad de

que un determinado paciente
presente una infeccin de
cualquier tipo en UCI?
6.9%

13.7%

NAC

NIH
1.5%

Si un fenmeno tiene dos

posibles resultados A y B, la
probabilidad de que uno de los
dos ocurra:

AMBAS

P(A B) = P(A) + P(B) P (A y

P (A B) =B)
0.069 + 0.137 0.015 =

0.191

19 de cada 100 enfermos registrar

alguna infeccin (ya sea de tipo
comunitario o nosocomial) durante su

 Probabilidades condicionadas se
denotar por P(A/B) a la probabilidad
condicionada del suceso A suponiendo
que el B haya ocurrido ya.
La ley multiplicativa de
probabilidades indica que la
probabilidad de que dos sucesos A y B
ocurran simultneamente es igual a:

P(A y B) = P(A/B) * P(B)

 La ley multiplicativa anterior se utiliza

tambin con el fin de determinar una
probabilidad condicional P(A/B) a partir
de los valores de P(A y B) y P(B):

P(A/B)= P(A y B)
P(B)

Incidencia de ser fumador como

factor de riesgo en el desarrollo de
una enfermedad en una determinada
poblacin
Asociacin entre el hbito tabquico y el
desarrollo de una enfermedad. Datos de un
estudio de seguimiento en 180 individuos
ENFERMO
S

SANOS

TOTAL

FUMADOR

60

10

NO
FUMADOR

20

90

70
110

TOTAL:

80

100

180

a) La probabilidad de desarrollar la
enfermedad (E) en la poblacin de
estudio es:

P(E)= 80/180= 0.444

44.4%

b) La probabilidad de padecer la
enfermedad un fumador (F) es:

P(E/F)= 60/70 = 0.857

85.7%

c) Y un no fumador:

P(E/F) = 20/110 = 0.182

18.2%

d) Teniendo en cuenta que:

P(F)= 70/180= 0.389

38.9%
P(F)= 1-P(F)= 1- 0.389 = 0.611
61.1%
P(FyE)= 60/180 = 0.333
P(FyE) = 20/180 = 0.111

33.3%
11.1%

P(E/F)= P(EyF) = 0.333 = 0.857

85.7%
P(F)
0.389
P(E/F) = P(EyF)= 0.111= 0.182
P(F)
0.611

18.2%

La probabilidad de desarrollar la enfermedad

depende si se es o no fumador

 La ocurrencia o no de un determinado
fenmeno B no influye en la ocurrencia
de otro suceso A. Los sucesos A y B
son independientes y se verificar
que:

P (A/B) = P(A)
P(AyB)=P(A)*P(B)
En caso de independencia la probabilidad
de que ocurran dos sucesos de forma
simultnea es igual al producto de las
probabilidades individuales de ambos
sucesos.

 Si se considera un fenmeno con k

resultados posibles, mutuamente
excluyentes B1, B2, Bk y se conoce la
probabilidad de cada uno de ellos, el
llamado Teorema de las
probabilidades totales permite
calcular la probabilidad de un suceso A a
partir de las probabilidades condicionadas:

P(A) = P(AyB1)+P(AyB2)++P(AyBk)

 Para el clculo de la probabilidad de la

interseccin de dos sucesos se tiene que

P(AyBk)=P(A/Bk)*P(Bk)

y por lo tanto:

P(A)=P(A/B1)*P(B1)+P(A/B2)*P(B2)+
+P(A/Bk)*P(Bk)

La incidencia de la enfermedad en la
poblacin de estudio:

P(E)=P(E/F)*P(F) + P(E/F)*P(F)=
0.857 x 0.389 + 0.182 x 0.611=0.444
44%

 Teorema de Bayes, si se parte de la

definicin de probabilidad condicionada:

P(A/B)= P(AyB)
P(B)
Por lo tanto:

P(A/B)=

P(B/A)= P(AyB)
P(A)
P(AyB)=P(B/A)*P(A)

P(B/A)*P(A)
P(B/A)*P(A)
+P(B/A)*P(A)

 El Dx mdico constituye un problema

tpico de aplicacin del Teorema de
Bayes, permite calcular la probabilidad
de que un paciente padezca una
determinada enfermedad una vez dados
unos sntomas concretos
La capacidad predictiva de un test o de
una prueba diagnstica se expresa en
trminos de sensibilidad y especificidad
y definen su validez

 Carecen de utilidad en la prctica clnica, ya

que proporcionan informacin de la
probabilidad de obtener un resultado (+ -)
El concepto de valores predictivos dependen
en gran medida de lo frecuente que sea la
enfermedad en la poblacin de estudio.
El Teorema de Bayes permite obtener el valor
predictivo asociado a un test al aplicarlo en
poblaciones con ndices de prevalencia
diferentes.

Una gestante se somete a la

prueba de sobrecarga oral con 50
gr de glucosa para explorar la
presencia de diabetes gestacional
obteniendo un resultado positivo.
Dicho test presenta valores aproximados
de sensibilidad y especificidad de 80% y
87% respectivamente.
La prevalencia de diabetes gestacional en
la poblacin de procedencia es de aprox
3%
Por medio del Teorema de Bayes se puede
conocer la probabilidad de que el Dx sea
correcto o bien, el valor predictivo positivo.

P(D/+)=

P(+/D)*(PD)
=
P(+/D)*P(D)+P(+/D)*P(D)

sensibilidad x prevalencia
=
Sensibilidad x prevalencia+(1-especificidad)*(1prevalencia)
0.80*0.03

=
0.024
15.9%
0.80*0.03+(1-0.87)*(1-0.03) 0.024+0.1261

= 0.159

A pesar de obtener un resultado (+) existe solo una

probabilidad de 15.9% de que la paciente padezca
diabetes gestacional

Supongamos que la paciente tiene

ms de 40a
Se sabe que en grupos de edad ms
avanzada, la prevalencia de diabetes
gestacional entre las gestantes aumenta hasta
un 8%. El valor predicativo(+) asociado ser:
P(D/+)=

sensibilidad x prevalencia

=
Sensibilidad x prevalencia+(1-especificidad)*(1prevalencia)

0.80*0.08
=
0.064
= 0.3486
0.80*0.08+(1-0.87)*(1-0.08) 0.064+0.1196
34.86%

CONCLUSIONES
La teora de la probabilidad constituye la
base matemtica para la aplicacin de la
estadstica inferencial en medicina.
El clculo de probabilidades es una
herramienta que permitir hacer
inferencia sobre distintos parmetros
poblacionales a partir de resultados de
una muestra, para tomar decisiones con
el mnimo riesgo de equivocacin.