Cátedra de Clínica Médica – Facultad de Ciencias Médicas – Universidad Nacional de Rosario

En los artículos sucesivos que irán apareciendo en la presente sub-sección se emplearán algunos conceptos que pueden no resultar del todo familiares para el médico asistencial; sin embargo, familiarizarnos con ellos permitirá comprender más en profundidad las ideas expresadas en los trabajos, al tiempo que redundará en beneficios indirectos para la práctica clínica diaria.

La Sensibilidad y la Especificidad son conceptos que se utilizan para valorar la calidad de una prueba. Sensibilidad (S) es la capacidad que tiene un método de reconocer a los enfermos como tales, con respecto al “gold standard”; de modo similar, la Especificidad (E) es la capacidad que tiene un método de reconocer a los sujetos sanos como tales, también, respecto del “gold standard”. Así, si disponemos de un método “x” (asumiendo que se trata de una prueba dicotómica, es decir, aquella que sólo puede tener dos resultados, positivo o negativo) con una S de 87% y una E de 93% quiere decir que, si tomásemos 100 sujetos enfermos y le aplicáramos esta prueba, ella nos daría positiva en 87; si posteriormente tomásemos 100 sujetos sanos y le realizáramos la misma prueba, esta nos daría negativa en 93 de ellos. Podríamos preguntarnos ahora, ¿qué ocurre con el resto? Pues bien, 13 de los 100 enfermos tendrían un resultado negativo en la prueba, a pesar de estar realmente enfermos (recordemos que la S de la prueba del ejemplo era del 87%) y 7 de los sujetos sanos tendrían un resultado positivo de la prueba, pese a estar completamente sanos. Entonces, es lógico suponer que desearíamos contar con pruebas que tengan una S y una E del 100%, cosa que lamentablemente NUNCA ocurre. Ahora, de lo ya expuesto se desprende también otro interesante concepto: no siempre los resultados obtenidos en las pruebas son los “verdaderos”. Aquí conviene que nos detengamos un poco.

Si nos preguntaran qué resultados puede tener una prueba dicotómica, diríamos en seguida dos, positivo o negativo. Sin embargo, existe otra variable a considerar: el resultado de la prueba puede ser verdadero (es decir, coincidir con la real condición del sujeto) o ser falso. Entonces, en realidad, los resultados de una prueba dicotómica podrían ser cuatro, a saber: ser un Verdadero Positivo (VP), ser un Verdadero Negativo (VN), ser un Falso Negativo (FN) o ser un Falso Positivo (FP). Para conocer qué capacidad tiene una determinada prueba (entendiendo como tal no sólo un examen complementario, sino también la presencia de un síntoma, un signo, una maniobra semiológica determinada, etc.) de arrojar cualquiera de los resultados que hemos mencionado antes debemos conocer, como hemos dicho, la S y E de la misma.

Pero ocurre que aún conociendo la S y E de un método, frente a una persona que tenga el resultado de una prueba, si bien podremos saber con solo observarlo si el resultado es “positivo” o “negativo”, no podremos dar respuesta al trascendental cuestionamiento de si ese resultado es real (léase “verdadero”), o se trata de un resultado “falso”. Para responder a esto contamos con otros conceptos, los Valores Predictivos. Ellos son dos: Valor Predictivo Positivo (VPP), que es la probabilidad de padecer la enfermedad si se obtiene un resultado positivo en la prueba y Valor Predictivo Negativo (VPN), que es la probabilidad de que una persona con un resultado negativo en la prueba esté realmente sano. Es interesante conocer cómo se calculan estos indicadores, no tanto por la utilidad práctica de recordar las fórmulas que se utilizan, sino para comprender las implicancias de cada uno. Para esto se utiliza lo que se denomina “tabla de contingencia”:

Enfermos

Sanos

Prueba +

Verdaderos Positivos

Falsos Positivos

a+b

Total de Positivos

Prueba –

Falsos Negativos

Verdaderos Negativos

c+d

Total de Negativos

a+c

Total enfermos

b+d

Total Sanos

a+b+c+d

Total de casos

A partir de estas fórmulas, que en un primer momento pueden parecer “complicadas”, podemos comprender que cuanto mayor sea la S de una prueba (mayor capacidad para detectar a los realmente enfermos, o verdaderos positivos) menor será la tasa de sujetos con una enfermedad que queden sin detectar, o lo que es lo mismo que “se nos escapen” (los “falsos negativos”, personas con la enfermedad pero en los que la prueba dio un resultado negativo). Y de forma muy parecida, cuanto mayor sea la E (mayor capacidad para encontrar a sujetos sin la enfermedad como tales, o verdaderos negativos) menos sujetos sanos serán rotulados erróneamente como enfermos (es decir, tendremos menos “falsos positivos”). Por todo esto se comprenderá que a la S también se la denomine “tasa de verdaderos positivos”, ya que es un cociente entre los positivos y los enfermos (ver fórmula arriba) y a la E “tasa de verdaderos negativos”, puesto que relaciona los negativos con el total de los sanos (ver supra).

Tanto la S como la E son característica inherentes de una prueba (es decir, son “capacidades” propias de ellas, y no son modificables por situaciones externas) y nos permiten valorar su utilidad; sin embargo tienen como “desventaja” su incapacidad de aportarnos datos concretos frente a un paciente en particular. El VPP y el VPN nos permiten responder qué probabilidad tiene un paciente de estar enfermo cuando el resultado de una prueba ha sido positivo, y que probabilidad tiene el mismo sujeto de estar sano, en caso de que el resultado haya sido negativo. Sin embargo tampoco son perfectos, y poseen como “desventaja” estar íntimamente relacionados con la prevalencia de la patología, cosa que no ocurre con S y E. Esto quiere decir que cuando la prevalencia de una enfermedad sea muy baja, el VPP será bajo y en cambio el VPN será alto; y viceversa, cuando la prevalencia de la enfermedad sea realmente elevada, el VPP será muy alto, pero el VPN será bajo; esto es así, y varía muy poco con los distintos valores que S y E pueden adoptar. La demostración matemática de esto puede hacerse por medio de las tablas de contingencia, pero escapa el propósito del presente. Sin embargo disponemos de una forma “visual” de recordar esto:

Prevalencia %

VPP %

VPN %

99,9 99,4 98,8 97,3 90 69,2 50 32,1

8,3

8,3 32,1 50 69,2 90 97,3 98,8 99,4

99,9

Así, una prueba “x” con una S y E dada, si la realizamos en un lugar donde la prevalencia de la enfermedad que detecta es de 0,5% tendrá un determinado VPP y VPN, y si posteriormente la realizamos en otro sitio con una prevalencia de 23% de la misma patología, los VPP y VPN serán totalmente distintos, aunque la S y la E de la prueba se mantengan constantes.

Por todo esto, los VPP y VPN son muy útiles frente a un paciente concreto, pero no nos aportan datos respecto del valor de una prueba, y menos aún nos permiten comparar diferentes pruebas entre sí. Para “solucionar” este inconveniente se han creado otros indicadores, que son los Likelihood Ratio (LR) positivos y negativos (denominados en la literatura española razones de verosimilitud o cocientes de probabilidad -CP-). Ellos surgen de relacionar directamente la S y la E del método, no siendo dependientes, por tanto, de la prevalencia de la patología. Su cálculo puede realizarse del siguiente modo:

Los LR se definen como “multiplicadores de chance”: sirven para comparar pruebas diagnósticas, no dependen de la prevalencia de la enfermedad que se busca, y pueden ser aplicados sobre pacientes en concreto. Sin embargo, ellos también poseen una “desventaja” y es la de no utilizar a la probabilidad como unidad, sino a la chance.

Chance puede definirse como un cociente donde aquello que se incluye en el numerador, queda automáticamente excluido del denominador; al igual que la probabilidad (unidad mucho más familiar para nosotros) es una unidad que indica “qué posibilidad existe de que un evento suceda”. Sin embargo chance y probabilidad son unidades distintas, que no pueden relacionarse entre sí de modo directo. Intentar hacerlo sería como intentar sumar “manzanas y peras”. Entonces, si tengo una probabilidad del 15% de padecer una enfermedad, y tengo una prueba que si me da positiva me multiplica en 4 las chances de padecer la enfermedad, luego de realizar el test, si este fue positivo, mi probabilidad aumentó, pero NO es igual a 60%, como así tampoco si tengo 2 manzanas y 4 peras, no tengo 6 manza-peras. Debemos aclarar que probabilidad y chance pueden relacionarse, pero para ello debemos apelar a fórmulas, o utilizar otros métodos, como sería el Nomograma de Fagan. Ciertamente ninguna de las dos alternativas es una opción práctica para nuestras actividades diarias. Entonces, si uno maneja probabilidades ¿sirven los LR, o multiplicadores de chance? Sí, sirven, pero hay que saber comprenderlos y como utilizarlos, preocupándonos menos por el cálculo de valores en sí.

Chance, como dijimos, es un cociente que indica posibilidad. Pensemos en un dado: si lo arrojásemos con la intención de obtener un número determinado, por ejemplo 6, ¿cuál es la posibilidad de que ocurra lo que deseamos? Naturalmente diríamos que tenemos una probabilidad de 1/6, o lo que es lo mismo, 0,1667; ahora si quisiéramos expresarlos en términos de chance, esta sería de 0,20 (o 1/5). Quizá otro ejemplo ayude un poco más: tengo 10 habitaciones con una persona en cada una de ellas, y sé que 8 de esos sujetos son dislipémicos; yo desconozco a los sujetos, pero estoy al corriente de esta situación: ¿cuál es la posibilidad de que si yo ingreso a una habitación, encuentre allí a un paciente con dislipemia? Aquí nuevamente puedo calcular esta posibilidad en términos de probabilidad o de chance, como más lo desee. Mi probabilidad es del 0.8 u 80% ya que tengo 8 sujetos dislipémicos, sobre un total de 10 (8/10); la chance de lograr esto mismo es aquí de 4. ¿Por qué? Porque hay 8 pacientes dislipémicos y 2 que no lo son, es decir 8/2, lo que es lo mismo que 4. ¿Se logra comprender dónde radica la diferencia? En la probabilidad relaciono lo que busco respecto del total, por ejemplo, enfermos sobre total de individuos; en cambio cuando calculo chance relaciono (porque recordemos que es un cociente) lo que busco sobre lo que no busco, por ejemplo, enfermos sobre sanos. Aquí el denominador de la fracción NO abarca el total, sino “lo que queda” luego de excluir lo que estoy buscando.

Este es sin dudas un concepto difícil de comprender, pero más que recordar exactamente como obtenerlo, conviene tener presente algunos puntos:

– La probabilidad es siempre menor a la unidad (o si usamos la base 100%, siempre menor a esto), en cambio la chance puede ser tanto mayor como menor que la unidad.

– Probabilidad y chance “hablan de lo mismo”, aunque suele resultarnos más simple pensar en probabilidad. A su vez, la chance tiende a “exagerar” la posibilidad que nos muestra.

– Chance y probabilidad no son sinónimos, y no pueden operarse indicadores con estas unidades de modo directo.

Ahora bien, ¿para qué nos sirve todo este embrollo de la chance? Para entender la definición de LR, que son multiplicadores de chance, y para recordar (al menos luego de tanta reiteración el concepto debe quedar arraigado) que el LR no puede usarse directamente sobre una probabilidad. Ahora, y después de todo esto, ¿cuando es útil un LR? De modo muy simple, cuanto más lejos de la unidad (1) se encuentre. ¿Por qué? Porque si hablamos de “multiplicadores”, cualquier cosa que multipliquemos por 1 obtendremos lo mismo… Entonces si yo quiero multiplicar (entiéndase aumentar) la posibilidad (chance) de que un paciente tenga o no una enfermedad luego de aplicar un test, buscaré que este genere el mayor cambio sobre la posibilidad inicial. Así, el cambio será mayor cuanto más grande o pequeño sea el número por el que lo estoy multiplicando. Quizá la forma más simple de comprender esto es con la siguiente tabla:

LR	Interpretación
>10	Aumento grande y concluyente de la probabilidad de enfermedad.
5-10	Incremento moderado de la probabilidad de la enfermedad.
2-5	Pequeño incremento de la probabilidad de la enfermedad.
1-2	Mínimo incremento de la probabilidad de la enfermedad.
1	No hay cambio en la probabilidad de la enfermedad.
0.5-1	Mínimo decremento en la probabilidad de la enfermedad.
0.2-0.5	Pequeño decremento en la probabilidad de la enfermedad.
0.1-0.2	Moderado decremento en la probabilidad de la enfermedad.