Validez Diagnóstica — Teorema de Bayes

Probabilidad post-test, valores predictivos y razones de verosimilitud · VPP = Se·P / (Se·P + (1−Sp)(1−P))

Parámetros del test

Población de referencia

Tamaño de la cohorte hipotética para el árbol y la tabla 2×2

personas

Prevalencia

Probabilidad pre-test de tener la enfermedad

0.001100

Sensibilidad

P(test+ | enfermo) — verdaderos positivos

0100

Especificidad

P(test− | sano) — verdaderos negativos

0100

Escenarios clínicos

Métricas Bayesianas

VPP — Valor Predictivo Positivo

20.00

VPN — Valor Predictivo Negativo

99.67

Exactitud (Accuracy)

80.75

LR+

4.75

LR−

0.06

Índice de Youden (J)

0.750

Odds Ratio Diagnóstico

76.00

Confianza diagnóstica del test positivo

Confianza baja

Un test positivo no confirma la enfermedad

Interpretación en frecuencias naturales

De los 2 375 casos con test positivo en esta cohorte, aproximadamente 475 realmente tienen la condición.

VP: enfermos detectados · FN: enfermos no detectados · VN: sanos correctamente descartados · FP: sanos con test positivo erróneo

Fundamentos y Explicación

¿Qué es el Teorema de Bayes en diagnóstico?

El Teorema de Bayes permite actualizar una probabilidad a la luz de nueva evidencia. En medicina diagnóstica responde la pregunta clínicamente relevante: "si el test salió positivo, ¿cuál es la probabilidad real de que el paciente tenga la enfermedad?". Esa probabilidad post-test se llama Valor Predictivo Positivo (VPP) y depende de tres cantidades: la prevalencia de la enfermedad en la población, la sensibilidad del test (P(test+|enfermo)) y su especificidad (P(test−|sano)).

VPP = \dfrac{Se \cdot P}{Se \cdot P + (1-Sp) \cdot (1-P)}

Análogamente, el Valor Predictivo Negativo (VPN) responde qué tan confiable es un test negativo:

VPN = \dfrac{Sp \cdot (1-P)}{Sp \cdot (1-P) + (1-Se) \cdot P}

La paradoja de la prevalencia

Un test puede tener excelentes propiedades intrínsecas y aun así fallar como herramienta diagnóstica si la enfermedad es rara. Aplicado a una población con prevalencia 0,1 % (Se = Sp = 99 %), el VPP es ~9 %: de cada 100 personas con test positivo, sólo 9 están realmente enfermas. Esto ocurre porque, aunque la fracción de falsos positivos es baja, se aplica a un grupo enorme (los sanos), generando muchos más positivos espurios que verdaderos.

La pestaña "VPP vs Prevalencia" visualiza este colapso: la curva cae abruptamente cuando la prevalencia disminuye, manteniendo Se y Sp constantes. Es la razón clínica por la que los tests de cribado se complementan con tests confirmatorios: el segundo test "ve" una prevalencia efectiva mucho mayor (los pacientes que ya dieron positivo en el primero).

Referencia: Gigerenzer & Edwards (2003), BMJ — "Simple tools for understanding risks"

Frecuencias naturales

Trabajar con frecuencias naturales (cuántas personas de cada 10 000) reduce errores de interpretación frente a probabilidades condicionales. La pestaña "Árbol" muestra la cascada completa: la población se divide primero en enfermos y sanos según la prevalencia, y luego cada rama en verdaderos/falsos positivos y verdaderos/falsos negativos según las propiedades del test. La tabla 2×2 presenta los mismos números en disposición epidemiológica canónica (filas = resultado del test, columnas = estado real).

Referencia: Gigerenzer & Hoffrage (1995), Psychological Review — "How to improve Bayesian reasoning without instruction"

Limitaciones

•Se y Sp no son universales: dependen de la población estudiada (espectro clínico, gravedad, comorbilidades). Un test validado en pacientes graves puede degradarse en cribado poblacional.
•Punto de corte: Se y Sp se intercambian al mover el umbral de positividad. La curva ROC describe esa frontera.
•Independencia entre tests: al combinar pruebas, se asume que sus errores son independientes condicionalmente al estado real, supuesto frecuentemente violado.

Razones de verosimilitud

LR^{+} = \dfrac{Se}{1-Sp}

LR^{-} = \dfrac{1-Se}{Sp}

Las razones de verosimilitud comparan la probabilidad de un resultado entre enfermos y sanos. No dependen de la prevalencia, lo que las convierte en métricas portables entre poblaciones. Como guía clínica práctica:

LR+ > 10— evidencia fuerte para confirmar.
LR+ 5–10— evidencia moderada.
LR+ 2–5— evidencia débil.
LR− < 0,1— evidencia fuerte para descartar.

Referencia: CEBM Oxford — Likelihood ratios

Índice de Youden y DOR

J = Se + Sp - 1

J ∈ [−1, 1]. J = 0 corresponde a un test no informativo (equivalente al azar); J = 1 indica un test perfecto. Valores negativos implican un test peor que el azar — debería invertirse su interpretación.

DOR = \dfrac{LR^{+}}{LR^{-}}

El Diagnostic Odds Ratio resume el desempeño del test en un solo número independiente de la prevalencia. Es ampliamente usado en meta-análisis diagnósticos.

Lectura del semáforo

VPP < 50 %— el positivo no confirma; predominan falsos positivos.
50 % ≤ VPP < 80 %— evidencia moderada; conviene confirmar.
VPP ≥ 80 %— alta probabilidad real de enfermedad.

También te puede interesar:

Modelo SIR: Simulador Epidemiológico