Sensibilidad y Especificidad

En el diagnóstico existen algunos conceptos estadísticos que es conveniente conocer ya que nos manejamos con incertidumbres y probabilidades a las que acompaña un margen de error. Explicaremos con ejemplos en nuestra área lo relacionado a sensibilidad, especificidad, valor predictivo positivo y valor predictivo negativo.

Inicialmente vamos a explicar de manera gráfica los conceptos de sensibilidad y especificidad de una prueba diagnóstica para dar cabida posteriormente a los de valor predictivo positivo y valor predictivo negativo.

Estadística: Concepto de Sensibilidad

Es la certeza con la cual una prueba identifica a personas con una enfermedad, es decir identifica a los VERDADEROS POSITIVOS.

Estadística: Concepto de Especificidad

Es la certeza con la cual una prueba identifica a personas sin la enfermedad, es decir aquellos quienes son los VERDADEROS NEGATIVOS.

Veamos el siguiente ejemplo para ilustrar diferentes grados de sensibilidad y especificidad de las pruebas de diagnóstico. Supongamos que tenemos un grupo de 10 personas de las cuales sólo 3 presentan trombosis venosa, a todos ellos se les aplican diferentes pruebas diagnósticas para conocer quienes tienen la enfermedad:

Ejemplo

Al aplicar la primera prueba se obtuvo que las tres personas portadoras de trombosis son positivas al test y las siete no portadoras son negativas, entonces tendremos un test con una sensibilidad y especificidad alta para el diagnóstico de trombosis venosa:

Ejemplo

En la segunda prueba se detecta a las 3 personas con trombosis venosa y además a tres de las personas saludables se les asigna falsamente como portadoras de trombosis venosa, entonces tendremos un test de sensibilidad alta  pues detecta a todos los verdaderos positivos pero con una especificidad reducida ya que no es capaz de discernir adecuadamente los verdaderos negativos.

Ejemplo

En una tercera prueba se detecta a sólo uno de los tres casos de trombosis venosa tendría una sensibilidad reducida pues sólo captó pocos verdaderos positivos y una especificidad alta ya que detectó a todos los verdaderos negativos:

Ejemplo

En la cuarta prueba empleada se identifica a sólo uno de los tres casos de trombosis y también lo hace, de manera incorrecta, con tres de los sujetos sanos, la prueba tiene sensibilidad reducida al captar sólo un verdaderopositivo y también tiene especificidad reducida al identificar pocos verdaderos negativos:

Ejemplo

Ahora vamos a ver cómo se cuantifica esto empleando una tabla 2×2 que representamos a continuación para ejemplificar los resultados que podemos obtener ante una prueba diagnóstica:

Tabla 2x2

Como verán en la primera columna hemos ubicado a todos los sujetos realmente enfermos (a+c) mientras que en la segunda columna están todos los verdaderamente sanos (b+d), en la primera fila están aquellos sujetos cuya prueba fue positiva (a+b) mientras que en la segunda fila están aquellos cuya prueba fue negativa (c+d). Ahora analicemos cada cuadrante:

a: sujetos realmente enfermos cuya prueba fue positiva

b: sujetos sanos a los que la prueba detectó falsamente como positivos

c: sujetos enfermos a los que la prueba dió falsamente como negativos

d: sujetos sanos a los que la prueba detectó como negativos

Los casos expresados en los cuadrantes a y d serían los ideales con un test perfecto, no obstante en las pruebas diagnósticas existe una posibilidad de fallo (falsos positivos o falsos negativos) expresados en los cuadrantes c y b. De allí la importancia de conocer previamente nuestra capacidad de detectar verdaderos positivos (sensibilidad) y verdaderos negativos (especificidad) a modo de entender cuáles son las condiciones previamente conocidas bajo la cual se acepta o se duda del resultado de una prueba.

De manera cuantitativa la sensibilidad la podemos expresar como la proporción de verdaderos positivos (a) identificados por la prueba del total de enfermos (a+c):

Sensibilidad fórmula

Mientras que la especificidad representa la proporción de verdaderos negativos identificados por la prueba del total de sanos:

Especificidad fórmula

Es deseable que las pruebas confirmatorias del diagnóstico sean de alta especificidad, para evitar falsos positivos.

Ejemplo sobre la sensibilidad y especificidad de una prueba

Para aplicar lo que hemos aprendido tomemos como ejemplo un estudio publicado sobre el diagnóstico de estenosis carotídea por ecografía Doppler (ver el estudio) en el cual se determinó contra muestras de endarterectomías que la velocidad pico sistólica  (tomada como parámetro aislado) mayor de 440 cm/seg en el sitio de una estenosis carotídea tenía una especificidad de 100% y una sensibilidad de 58% para detectar un diámetro de luz residual en el sitio de la estenosis ≤1.5 mm. La especificidad de 100% quiere decir que conseguir una velocidad menor de 440 cm/seg excluía por completo  la posibilidad de una luz residual ≤1.5 mm, no obstante para los pacientes en quienes se obtuvo el registro de velocidad pico sistólica >440 cm/seg sólo en 58% (sensibilidad reportada) existía realmente una luz residual ≤1.5 mm (verdaderos positivos), en el 42% restante el registro de tal velocidad no se correspondió con un diámetro tan pequeño. Un parámetro que debe ser considerado por el explorador en este caso para usar la combinación de otros métodos con el fin de elevar su sensibilidad diagnóstica.

La sensibilidad y especificidad tienen la ventaja de que son propiedades intrínsecas a la prueba diagnóstica y definen su validez independientemente de cuál sea la prevalencia de la enfermedad en la población, presentan la desventaja de que no proporcionan información relevante a la hora de tomar una decisión clínica ante un determinado resultado de la prueba.

Hasta el momento hemos visto la situación en relación al test pero ¿cuál es la probabilidad de que el paciente esté realmente enfermo si la prueba es positiva o, por el contrario, se encuentre sano si la prueba es negativa?.. Por medio de los valores predictivos vamos a obtener información al respecto.

Valor predictivo positivo (VPP):

Es la probabilidad de padecer la enfermedad si se obtiene un resultado positivo en la prueba. Por ejemplo si al aplicarse una prueba para la detección de una enfermedad se obtienen 100 personas con resultado positivo pero realmente 10 de ellas estaban sanas y 90 estaban verdaderamente enfermas entonces el VPP de la prueba es 90%, conociendo esto sabremos que el 90% de los resultados positivos de la prueba son reales. Basados en nuestra tabla de 2×2 la fórmula para su cálculo es:

valor predictivo positivo fórmula

Valor predictivo negativo (VPN):

Es la probabilidad de que un sujeto con un resultado negativo en la prueba esté realmente sano. Si en otra prueba se obtiene 100 personas con resultado negativo para una enfermedad y sólo 5 estaban realmente enfermas entonces el VPN (probabilidad de que las personas no tengan realmente la enfermedad) es de 95%. Basados en nuestra tabla de 2×2 la fórmula para su cálculo es:

Valor predictivo negativo fórmula

Ejemplo de cómo se usa el valor predictivo negativo de una prueba

Veamos un ejemplo en el campo de las enfermedades vasculares con un artículo sobre el empleo de la prueba del dímero D en sala de urgencias para el diagnóstico de tromboembolismo pulmonar (ver artículo). En ese caso el valor predictivo positivo (VPP) de la prueba fué del 18% y el valor predictivo negativo (VPN) del 100%. Quiere decir que en caso de sospecha de tromboembolismo pulmonar en sala de urgencias si se aplica el dímero D y este sale negativo podemos tener toda confianza (100%) de que el paciente no tiene un evento tromboembólico, en cambio si la prueba es positiva realmente sólo en 18% de los casos detectados por el test se trataría de un evento tromboembólico. En otras palabras que el uso del dímero D en esas condiciones es útil para rechazar el diagnóstico más no para confirmarlo.

Los valores predictivos, a pesar de ser de enorme utilidad a la hora de tomar decisiones clínicas y transmitir a los pacientes información sobre su diagnóstico, presentan la limitación de que dependen en gran medida de la prevalencia de la enfermedad a diagnosticar en la población objeto de estudio. Cuando la prevalencia de la enfermedad es baja, un resultado negativo permitirá descartar la enfermedad con mayor seguridad. Por el contrario, bajo esa misma condición un resultado positivo no permitirá confirmar el diagnóstico, resultando en un bajo valor predictivo positivo.

Otros Artículos que encontrarás interesantes

Deja un comentario

Gracias por Visitarnos