Resumen de Metodología de Diagnóstico y Cribado en Salud Pública
Metodología de Diagnóstico y Cribado en Salud Pública
Introducción
Las pruebas diagnósticas evalúan si un paciente tiene o no una condición de salud concreta mediante la medición de variables biológicas, imagenológicas o clínicas. Este material se centra en las propiedades operativas de las pruebas diagnósticas (sensibilidad, especificidad, valores predictivos, curvas ROC) y en los diseños de estudios que evalúan su rendimiento y su impacto clínico. Se explica con ejemplos prácticos y tablas comparativas para facilitar el aprendizaje.
Definición: Una prueba diagnóstica es un procedimiento que clasifica a un paciente como con o sin la enfermedad objetivo a partir de un resultado medible.
1. Propiedades básicas de una prueba diagnóstica
1.1 Sensibilidad y especificidad
- Sensibilidad (S): Probabilidad de que la prueba sea positiva si el sujeto tiene la enfermedad. Matemáticamente: $P(+\mid E)$.
- Especificidad (E): Probabilidad de que la prueba sea negativa si el sujeto no tiene la enfermedad. Matemáticamente: $P(-\mid \neg E)$.
Definición: La sensibilidad mide cuántos enfermos son detectados; la especificidad mide cuántos sanos se identifican correctamente.
Tabla comparativa: sensibilidad vs especificidad
| Propiedad | Qué mide | Cuando es prioritaria | Efecto clínico |
|---|---|---|---|
| Sensibilidad | $P(+\mid E)$ | Tamizaje o pruebas iniciales | Minimiza falsos negativos; útil para descartar enfermedad si es alta |
| Especificidad | $P(-\mid \neg E)$ | Pruebas confirmatorias | Minimiza falsos positivos; útil para confirmar diagnóstico si es alta |
1.2 Punto de corte y balance S vs E
- Cuando el resultado es continuo, elegir un punto de corte altera la sensibilidad y la especificidad: aumentar sensibilidad suele disminuir especificidad y viceversa.
- Ejemplo práctico: niveles de PSA (antígeno prostático específico). Al aumentar el umbral de PSA, la especificidad aumenta y la sensibilidad disminuye. Datos de ejemplo (PSA ng/ml):
| PSA (ng/ml) | Sensibilidad (%) | Especificidad (%) |
|---|---|---|
| 1,0 | 100 | 21 |
| 4,0 | 99 | 73 |
| 8,0 | 90 | 88 |
| 10,0 | 54 | 93 |
| 15,0 | 11 | 97 |
2. Curva ROC y AUC
- Curva ROC (Receiver Operating Characteristic): gráfica que muestra el equilibrio entre sensibilidad (eje Y) y 1-especificidad (eje X) para todos los puntos de corte posibles.
- Área bajo la curva (AUC): medida resumen de la capacidad discriminadora de la prueba; valores próximos a 1 indican excelente capacidad, 0.5 indica incapacidad para discriminar.
Definición: La AUC es la probabilidad de que una prueba asigne un resultado mayor a un paciente enfermo que a uno sano.
Ejemplo de interpretación:
- AUC = 0.95: prueba muy buena para distinguir enfermos de sanos.
- AUC = 0.60: discriminación pobre; no recomendable como único criterio diagnóstico.
3. Valores predictivos y prevalencia
- Valor predictivo positivo (VP+): Probabilidad de que un paciente tenga la enfermedad si la prueba es positiva: $P(E\mid +)$.
- Valor predictivo negativo (VP−): Probabilidad de que un paciente NO tenga la enfermedad si la prueba es negativa: $P(\neg E\mid -)$.
Fórmulas (Bayes) en términos de sensibilidad, especificidad y prevalencia ($\pi$):
$$VP+ = P(E\mid +) = \frac{P(+\mid E),P(E)}{P(+\mid E),P(E) + P(+\mid \neg E),P(\neg E)}$$
$$VP- = P(\neg E\mid -) = \frac{P(-\mid \neg E),P(\neg E)}{P(-\mid \neg E),P(\neg E) + P(-\mid E),P(E)}$$
- Donde $P(+\mid \neg E) = 1 - \text{especificidad}$ y $P(-\mid E) = 1 - \text{sensibilidad}$.
Puntos clave:
- A mayor prevalencia, mayor $VP+$ y menor $VP-$.
- A mayor sensibilidad, mayor $VP-$.
- A mayor especificidad, mayor $VP+$.
Ejemplo numérico rápido: si una prueba mejora su especificidad de 95% a 98% a costa de caer en sensibilidad de 95% a 80%, el $VP+$ puede a
Regístrate para el resumen completo¿Ya tienes cuenta? Iniciar sesión
Pruebas diagnósticas - Guía
Klíčové pojmy: Sensibilidad = $P(+\mid E)$: priorizar en tamizaje, Especificidad = $P(-\mid \neg E)$: priorizar en confirmación, Punto de corte altera sensibilidad y especificidad inversamente, Curva ROC muestra sensibilidad vs 1-especificidad; AUC resume discriminación, $VP+$ y $VP-$ dependen de sensibilidad, especificidad y prevalencia, Aumentar prevalencia eleva $VP+$ y reduce $VP-$, Fases I–IV: desde exploración hasta ensayo clínico de impacto, Concordancia evalúa si dos pruebas pueden sustituirse, Combinar prueba sensible + prueba específica es estrategia práctica, Elegir prueba según consecuencias clínicas de falsos positivos/negativos