Análisis de precisión diagnóstica

 

Conceptos Clave

• Sensibilidad (Se): Probabilidad de que una prueba resulte positiva en pacientes que realmente tienen la enfermedad.

• Especificidad (Sp): Probabilidad de que una prueba resulte negativa en pacientes que realmente no tienen la enfermedad.

• Valor Predictivo Positivo (VPP): Probabilidad de que un paciente tenga la enfermedad cuando la prueba ha resultado positiva.

• Valor Predictivo Negativo (VPN): Probabilidad de que un paciente no tenga la enfermedad cuando la prueba ha resultado negativa.

• Curvas ROC (Receiver Operating Characteristic): Representación gráfica que evalúa visualmente la capacidad diagnóstica de una prueba.

  Puedes ver la clase completa en: https://www.youtube.com/live/KZimv2dEhGw?si=SYz0mjy-CzvR1ExL

Teoría del Análisis de Precisión Diagnóstica

La precisión diagnóstica se evalúa mediante una tabla 2x2 que relaciona los resultados de la prueba con el estado real del paciente:

	Enfermedad (+)	Enfermedad (-)
Prueba (+)	Verdadero Positivo (VP)	Falso Positivo (FP)
Prueba (-)	Falso Negativo (FN)	Verdadero Negativo (VN)

Metodología de Evaluación

1. Definir claramente la población y muestra del estudio.

2. Realizar la prueba índice que se está evaluando.

3. Comparar los resultados con una prueba estándar (gold standard).

4. Realizar el análisis estadístico para determinar la precisión diagnóstica.

Fórmulas Estadísticas Esenciales

• Sensibilidad: Se = VP / (VP + FN)

• Especificidad: Sp = VN / (VN + FP)

• Valor Predictivo Positivo: VPP = VP / (VP + FP)

• Valor Predictivo Negativo: VPN = VN / (VN + FN)

• Razón de verosimilitud positiva: RV+ = Sensibilidad / (1 - Especificidad)

• Razón de verosimilitud negativa: RV- = (1 - Sensibilidad) / Especificidad

Curvas ROC

La curva ROC permite evaluar gráficamente la capacidad diagnóstica mediante el área bajo la curva (AUC). Una prueba excelente tiene un AUC cercano a 1, mientras que un valor cercano a 0.5 indica que la prueba tiene una capacidad limitada.

Ejemplos Clínicos

Ejemplo Clínico 1: Infarto Agudo de Miocardio

• Verdaderos positivos (VP): 85

• Falsos negativos (FN): 15

• Falsos positivos (FP): 20

• Verdaderos negativos (VN): 880

Resultados:

• Sensibilidad: 85 / (85 + 15) = 85%

• Especificidad: 880 / (880 + 20) = 97.8%

• Valor Predictivo Positivo: 85 / (85 + 20) = 80.9%

• Valor Predictivo Negativo: 880 / (880 + 15) = 98.3%

Conclusión: La prueba tiene alta precisión diagnóstica para confirmar o descartar un infarto.

Ejemplo Clínico 2: Cáncer de Mama

• Verdaderos positivos (VP): 140

• Falsos negativos (FN): 10

• Falsos positivos (FP): 50

• Verdaderos negativos (VN): 800

Resultados:

• Sensibilidad: 140 / (140 + 10) = 93.3%

• Especificidad: 800 / (800 + 50) = 94.1%

• Valor Predictivo Positivo: 140 / (140 + 50) = 73.7%

• Valor Predictivo Negativo: 800 / (800 + 10) = 98.8%

Conclusión: Alta sensibilidad y especificidad, útil para tamizaje inicial con posterior confirmación diagnóstica.

Conclusiones

El análisis de precisión diagnóstica es fundamental para seleccionar pruebas diagnósticas adecuadas, permitiendo mejorar significativamente la toma de decisiones clínicas y optimizar la atención al paciente.