FILOSOFÍA Y LÓGICA DEL DIAGNÓSTICO MÉDICO CIENTÍFICO

 

PODCAST

(Literatura digital)

 

Se presenta los fundamentos filosóficos, éticos y técnicos que sustentan la práctica del diagnóstico en las ciencias de la salud. El autor vincula principios del realismo y el humanismo con la aplicación rigurosa del método científico y la responsabilidad social. Se examinan detalladamente los mecanismos del razonamiento clínico, distinguiendo entre procesos analíticos conscientes y enfoques intuitivos. Asimismo, se explica la utilidad de la estadística y la probabilidad, utilizando el Teorema de Bayes para interpretar la precisión de las pruebas diagnósticas. Finalmente, se ilustra la importancia de conceptos como la sensibilidad y especificidad mediante ejercicios prácticos sobre patologías cardíacas.

1. Introducción: La Ciencia y la Ética del Diagnóstico Médico

El diagnóstico en las ciencias de la salud es un acto de profunda complejidad y responsabilidad. No se trata simplemente de aplicar una técnica o interpretar un número, sino de un ejercicio de razonamiento que se apoya en sólidos principios filosóficos y éticos. La práctica médica moderna exige un actuar basado en el conocimiento, enmarcado en lo que el filósofo Mario Bunge denominó "Cientificismo" —el uso del método científico para el diagnóstico y tratamiento— y "Praxiología científica", cuya máxima es "Conocer antes que actuar".

Esta rigurosidad se alinea con la norma ISO 26000 sobre responsabilidad social, que destaca la "Rendición de cuentas" como un pilar fundamental. El profesional debe ser capaz de justificar sus decisiones basándose en la mejor evidencia disponible. Por ello, es imperativo ir más allá de la superficie de los resultados. Este artículo aborda una pregunta central que todo clínico y paciente se ha hecho: ¿Qué significa realmente un resultado "positivo" en una prueba médica y cómo podemos estar seguros de su significado?

2. Los Pilares de una Prueba Diagnóstica

Para evaluar el rendimiento de cualquier prueba diagnóstica, es esencial comprender tres conceptos fundamentales. Estos parámetros nos permiten cuantificar la precisión y la utilidad de una prueba en un contexto determinado.

• Sensibilidad: Es la capacidad de la prueba para detectar correctamente a los individuos que tienen la enfermedad. Mide qué tan bien la prueba identifica a los verdaderos enfermos. Se calcula como la proporción de enfermos con un resultado positivo. Sensibilidad = a / (a + c)

• Especificidad: Es la capacidad de la prueba para identificar correctamente a los individuos que están sanos. Mide qué tan bien la prueba descarta la enfermedad en quienes no la padecen. Se calcula como la proporción de sanos con un resultado negativo. Especificidad = d / (d + b)

• Prevalencia: Se refiere a la proporción de individuos en una población específica que tienen la enfermedad en un momento dado. Es un indicador de qué tan común o rara es la condición que se está estudiando.

3. Organizando los Datos: La Tabla de Contingencia

La herramienta clave para visualizar y calcular el rendimiento de una prueba diagnóstica es la "Tabla de doble entrada", también conocida como "Tabla de contingencia" o "Tabla de dos por dos". Esta estructura nos permite clasificar a los individuos según su estado real de salud (enfermo o sano) y el resultado de la prueba (positivo o negativo).

Cada celda de la tabla tiene un significado preciso:

• Verdadero Positivo (VP o a): Individuos enfermos que la prueba identifica correctamente como positivos.

• Falso Positivo (FP o b): Individuos sanos que la prueba identifica incorrectamente como positivos.

• Falso Negativo (FN o c): Individuos enfermos que la prueba identifica incorrectamente como negativos.

• Verdadero Negativo (VN o d): Individuos sanos que la prueba identifica correctamente como negativos.

La estructura es la siguiente:

         | **Enfermos**         | **Sanos**            |

:---------- | :------------------- | :------------------- | Prueba (+) | Verdadero Positivo (a) | Falso Positivo (b) | Prueba (-) | Falso Negativo (c) | Verdadero Negativo (d) |

4. El Valor Predictivo Positivo (VPP): La Pregunta Clave

Mientras que la sensibilidad y la especificidad son propiedades intrínsecas de una prueba, no responden directamente a la pregunta más importante que surge en la práctica clínica. Es decir, la sensibilidad y la especificidad nos informan sobre el rendimiento de la prueba en el laboratorio, pero el VPP nos informa sobre su rendimiento en un paciente concreto dentro de una población específica. El Valor Predictivo Positivo (VPP) es la probabilidad de que un paciente con un resultado positivo realmente tenga la enfermedad. De manera complementaria, el Valor Predictivo Negativo (VPN) nos dice la probabilidad de que un paciente con un resultado negativo realmente esté sano.

Fórmula del Valor Predictivo Positivo (VPP): VPP = Verdaderos Positivos / (Verdaderos Positivos + Falsos Positivos) O, usando la nomenclatura de la tabla: VPP = a / (a + b)

En esencia, el VPP es el concepto que traduce el resultado de la prueba en una probabilidad real para el individuo. Responde a la pregunta que resuena en cada consultorio: "Doctor, si mi prueba es positiva, ¿qué tan probable es que esté enfermo?".

Para ver este concepto crucial en acción y entender cómo se aplica en la consulta diaria, analicemos un escenario clínico común.

5. Aplicación Práctica: Un Caso Clínico de Hipertensión y HVI

Analicemos el "Problema N°1": un paciente masculino de 50 años con Hipertensión Arterial (HTA) a quien se le realiza un electrocardiograma (ECG) para detectar una posible Hipertrofia Ventricular Izquierda (HVI).

Los datos clave para este escenario son:

• Prevalencia de HVI en pacientes con HTA: 30%

• Sensibilidad del ECG para HVI: 43%

• Especificidad del ECG para HVI: 95%

Si aplicamos estos datos a una población teórica de 100 pacientes hipertensos, podemos construir la siguiente tabla de contingencia:

         | **Enfermos (HVI)** | **Sanos** | **Totales** |

:---------- | :----------------- | :-------- | :---------- | Prueba (+) | VP = 12.9 (a) | FP = 3.5 (b) | 16.4 | Prueba (-) | FN = 17.1 (c) | VN = 66.5 (d)| 83.6 | Totales | 30 | 70 | 100 |

Ahora, aplicamos la fórmula del VPP con los valores de la tabla: VPP = 12.9 / (12.9 + 3.5) = 0.79.

"El cálculo nos muestra un VPP del 79%. Esto significa que, en este contexto, un paciente con hipertensión y un ECG positivo para HVI tiene un 79% de probabilidad de tener realmente la condición."

Del mismo modo, se puede calcular el Valor Predictivo Negativo (VPN), que para este caso es también del 79%, indicando una alta probabilidad de que un paciente con un ECG negativo no tenga HVI.

6. El Factor Decisivo: Por Qué la Prevalencia lo Cambia Todo

Un VPP del 79% parece razonablemente alto. Sin embargo, este valor no es una constante universal para el ECG. Como demostraremos a continuación, existe un factor que puede alterar drásticamente el poder predictivo de esta y cualquier otra prueba: la prevalencia de la enfermedad. Los siguientes ejemplos demuestran cómo una prevalencia muy baja puede anular el poder de una prueba aparentemente precisa.

6.1. Ejemplo 1: El Detector de Terroristas

Imaginemos un escenario extremo: una ciudad con 100 terroristas y 1 millón de no terroristas. Se instala una cámara con un software de detección facial que tiene un 99% de acierto y solo un 1% de error. Si la alarma suena, ¿cuál es la probabilidad de que la persona detectada sea realmente un terrorista?

• Verdaderos Positivos (VP): 99% de 100 terroristas = 99

• Falsos Positivos (FP): 1% de 1,000,000 de no terroristas = 10,000

• VPP: 99 / (99 + 10,000) = 0.009

La probabilidad de que una persona detectada por la alarma sea realmente un terrorista es de solo el 0.9%. A pesar de la alta precisión de la cámara, la bajísima prevalencia de terroristas genera una enorme cantidad de falsos positivos, haciendo que la mayoría de las alarmas sean incorrectas. Este ejemplo, aunque extremo, ilustra el inmenso riesgo de falsas alarmas en cualquier programa de cribado de baja prevalencia.

6.2. Ejemplo 2: El Cribado de una Enfermedad Rara

Consideremos ahora el "Problema N°3": una enfermedad rara que afecta a 1 de cada 1000 personas. Se aplica una prueba de cribado a la población general que tiene una tasa de falsos positivos del 5%. Asumamos una sensibilidad del 95%. Si un paciente recibe un resultado positivo, ¿cuál es la probabilidad de que realmente tenga la enfermedad?

Para una población de 1000 personas, tenemos 1 enfermo y 999 sanos.

• Verdaderos Positivos (VP): 0.95

• Falsos Positivos (FP): 49.5 (según los datos del problema)

• VPP: 0.95 / (0.95 + 49.5) = 0.0188

Incluso con un resultado positivo, la probabilidad de que el paciente tenga esta rara enfermedad es de solo 1.88%. Este es un ejemplo clásico de cómo el cribado masivo de enfermedades raras, si no se interpreta con el debido rigor estadístico, puede generar más ansiedad y procedimientos invasivos innecesarios que beneficios reales, subrayando la importancia crítica de la probabilidad pre-prueba.

7. Conclusión: Razonamiento Clínico en la Era de los Datos

La interpretación de una prueba diagnóstica es un ejercicio intelectual que va mucho más allá del resultado aislado de "positivo" o "negativo". Como hemos visto, el contexto clínico y, sobre todo, la prevalencia de la enfermedad, son determinantes para entender el verdadero significado de la prueba.

Cuando nos enfrentamos a resultados conflictivos o contrarios a la intuición, es fundamental no dejarse llevar por el razonamiento automático. En su lugar, debemos recurrir a los cálculos matemáticos formulados por el Reverendo Thomas Bayes hace más de 200 años.

Entender conceptos como el Valor Predictivo Positivo no es un mero ejercicio académico; es la aplicación práctica del Teorema de Bayes en la cabecera del paciente. Es una herramienta esencial para un razonamiento clínico sólido, que permite a los profesionales de la salud tomar decisiones más informadas y cumplir con su responsabilidad ética y científica hacia el paciente.