CÁLCULO PROBABILÍSTICO DEL
DIAGNÓSTICO CLÍNICO
El Teorema de Bayes es una
herramienta matemática que permite actualizar una probabilidad inicial
cuando aparece una nueva evidencia.
P(A|B) = P(B|A) x P(A) /
P(B)
Significado
de cada término
1. P(A|B)
Se lee:
"Probabilidad de A dado
B"
Es la probabilidad
posterior, es decir, la probabilidad que realmente nos interesa calcular
después de conocer la evidencia B.
Ejemplo médico:
- A = "el paciente tiene enfermedad
coronaria".
- B = "la prueba ergométrica resultó
positiva".
Entonces:
P(A|B) = Probabilidad de que el paciente tenga enfermedad
coronaria sabiendo que la ergometría fue positiva.
2. P(B|A)
Se lee:
"Probabilidad de B dado
A"
Es la probabilidad de
observar la evidencia si la hipótesis es verdadera.
En medicina suele
corresponder a la sensibilidad cuando la evidencia es un resultado
positivo.
Ejemplo:
P(B|A) = Probabilidad de que
la ergometría sea positiva si el paciente realmente tiene enfermedad coronaria.
Si la sensibilidad es 80%:
P(B|A) = 0,80
3. P(A)
Se lee:
"Probabilidad de
A"
Es la probabilidad previa
o pre-test.
Representa lo que creemos
antes de realizar el estudio.
Ejemplo:
Un hombre de 65 años con
angina típica puede tener una probabilidad pre-test de enfermedad coronaria del
70%.
Entonces:
P(A) = 0,70
4. P(B)
Se lee:
"Probabilidad de
B"
Es la probabilidad total de
observar la evidencia en toda la población.
Incluye tanto a enfermos
como a sanos.
Actúa como un factor de
normalización para que el resultado final sea una probabilidad válida.
Ejemplo:
Probabilidad de que una
ergometría sea positiva en todos los pacientes estudiados.
Interpretación
intuitiva
Bayes puede leerse en
lenguaje común así:
Probabilidad posterior =
Evidencia × Probabilidad previa / Frecuencia global de esa evidencia
Ejemplo
clínico sencillo
Supongamos:
- Prevalencia de enfermedad = 10% →
P(A)=0,10
- Sensibilidad del test = 90% → P(B|A)=0,90
- Probabilidad total de test positivo = 15%
→ P(B)=0,15
Aplicando Bayes:
P(A|B) = (0,90 × 0,10) /
0,15
P(A|B) = 0,09 / 0,15
P(A|B) = 0,60
Resultado:
Aunque la enfermedad era
inicialmente del 10%, un test positivo aumenta la probabilidad al 60%.
Lo más
importante
Desde el punto de vista
conceptual, Bayes une tres elementos:
- Lo que ya sabemos → P(A) (probabilidad previa).
- La nueva evidencia → P(B|A).
- La nueva creencia actualizada → P(A|B).
Por eso muchos consideran
que Bayes es la formulación matemática del aprendizaje racional:
Aprender es modificar
nuestras creencias previas a la luz de nuevas evidencias.
En clínica, esto equivale
exactamente al razonamiento diagnóstico: el médico parte de una sospecha
inicial (probabilidad pre-test), obtiene datos de anamnesis, examen físico o
estudios complementarios y actualiza continuamente la probabilidad de enfermedad
hasta llegar a una decisión diagnóstica o terapéutica.
Un ejemplo clásico y muy
intuitivo del Teorema de Bayes es el de las nubes y la lluvia.
Supongamos que queremos
responder a la pregunta:
Si veo el cielo nublado,
¿Cuál es la probabilidad de que llueva?
Definimos:
- A =
"Llueve".
- B =
"El cielo está nublado".
La pregunta es:
P(A|B) = Probabilidad de lluvia dado que el cielo está
nublado.
Paso 1:
Probabilidad previa
En una determinada ciudad,
observando muchos años de registros meteorológicos, se sabe que:
- Llueve el 20% de los días.
Por lo tanto:
P(A) = 0,20
Paso 2:
Compatibilidad de la evidencia
También sabemos que:
- Cuando llueve, el cielo está nublado el
90% de las veces.
Entonces:
P(B|A) = 0,90
Paso 3:
Frecuencia de cielos nublados
Además:
- El cielo está nublado el 30% de los días.
Entonces:
P(B) = 0,30
Paso 4:
Aplicar Bayes
P(A|B) = P(B|A) x P(A) / P(B)
Sustituyendo:
P(A|B) = 0,90 x 0,20 / 0,30
P(A|B) = 0,18 / 0,30
P(A|B) = 0,60
Resultado
Si veo el cielo nublado, la
probabilidad de lluvia es del 60%.
¿Qué nos
enseña este ejemplo?
Observe algo interesante:
- Antes de mirar el cielo, la probabilidad
de lluvia era solamente del 20%.
- Al observar nubes, la probabilidad
aumenta al 60%.
Las nubes no garantizan la
lluvia, pero aportan información valiosa que modifica nuestra creencia inicial.
Bayes es la matemática del
sentido común.
Primero tenemos una sospecha
inicial. Luego aparece una evidencia. Finalmente actualizamos nuestra creencia.
Lo mismo hace una persona
cuando mira el cielo antes de decidir si lleva paraguas, y lo mismo hace un
médico cuando interpreta un síntoma, un signo físico o el resultado de un
estudio complementario.
La tabla de
doble entrada
La tabla de contingencia
(2 × 2), resume las fórmulas a partir de la cuales se calculan todas las
medidas de exactitud diagnóstica.
Lo importante es comprender
que la sensibilidad y la especificidad describen el comportamiento de la
prueba, mientras que los valores predictivos responden a la pregunta
clínica que realmente interesa al médico.
|
Enfermo |
Sano |
|
|
Prueba positiva |
Verdadero Positivo (VP) |
Falso Positivo (FP) |
|
Prueba negativa |
Falso Negativo (FN) |
Verdadero Negativo (VN) |
A partir de estos cuatro
casilleros se calculan todas las medidas.
Sensibilidad
S = VP / VP+FN
Pregunta:
Si el paciente está
realmente enfermo, ¿qué probabilidad tiene la prueba de resultar positiva?
Es una propiedad intrínseca
del test.
Especificidad
E = VN / VN+FP
Pregunta:
Si el paciente está sano,
¿qué probabilidad tiene la prueba de resultar negativa?
También es una propiedad
propia del test.
Valor
Predictivo Positivo (VPP)
VPP = VP / VP+FP
Aquí aparece Bayes.
La pregunta cambia
completamente:
Si la prueba dio positiva,
¿cuál es la probabilidad de que el paciente realmente esté enfermo?
Observe que ahora partimos
del resultado de la prueba.
Eso es exactamente lo que
expresa Bayes:
P (Enfermedad | Prueba positiva)
El VPP no depende solamente
de la sensibilidad y la especificidad; también depende de la prevalencia
(probabilidad pre-test).
Valor
Predictivo Negativo (VPN)
VPN = VN / VN+FN
La pregunta clínica es:
Si la prueba fue negativa,
¿qué probabilidad hay de que el paciente realmente esté sano?
Matemáticamente:
VPN = P (No enfermedad | Test negativo)
También es una aplicación
directa del Teorema de Bayes.
¿Dónde
está Bayes oculto?
La fórmula original es:
P(A|B) = P(B|A) x P(A) / P(B)
Si reemplazamos las letras
por términos médicos:
- A =
tener la enfermedad.
- B =
prueba positiva.
Entonces:
P (Enfermedad
| Prueba positiva)
Observe las equivalencias:
- P (Prueba positiva | Enfermedad) = Sensibilidad.
- P (Enfermedad) = Prevalencia (probabilidad
pre-test).
- P (Enfermedad | Prueba positiva) = Valor Predictivo Positivo (VPP).
Es decir, el VPP es el
resultado de aplicar el Teorema de Bayes.
De manera análoga, el VPN es
la aplicación de Bayes para un resultado negativo.
Exactitud
Diagnóstica
La
exactitud diagnóstica mide qué tan bien una prueba refleja la realidad (es
decir, cuán libre está de errores sistemáticos), mientras que el Teorema de
Bayes utiliza esa información para calcular la probabilidad de que un paciente
tenga o no una enfermedad después de conocer el resultado del estudio.
En otras
palabras:
·
Una prueba con alta exactitud diagnóstica (alta sensibilidad y
especificidad, es decir, pocos falsos positivos y falsos negativos) proporciona
evidencia más confiable.
·
El Teorema de Bayes toma esa evidencia confiable y la
combina con la probabilidad previa del paciente para estimar la probabilidad
real de enfermedad.
Dicho de
forma muy sencilla:
La
exactitud diagnóstica nos dice cuán confiable es la prueba; Bayes nos dice
cuánto debemos creer en el resultado de esa prueba para ese paciente en
particular.
Por eso ambos
conceptos son complementarios: sin una prueba exacta, Bayes partirá de una evidencia sesgada; y
sin Bayes, una prueba exacta no puede traducirse correctamente en la
probabilidad de enfermedad del paciente.
La gran
diferencia conceptual
La sensibilidad y la
especificidad miran la realidad desde la enfermedad hacia la prueba:
"Si está enfermo, ¿qué
ocurre con el test?"
En cambio, el médico razona
al revés:
"Ya tengo el resultado
del test. ¿Qué probabilidad tiene ahora mi paciente de estar enfermo?"
Ese cambio de dirección es
precisamente el aporte del Teorema de Bayes.
La
importancia clínica
Por eso se suele afirmar
que:
- La sensibilidad y la especificidad son
propiedades del test.
- El VPP y el VPN son propiedades de la
decisión clínica, porque incorporan la
probabilidad previa (prevalencia o probabilidad pre-test).
·
El razonamiento bayesiano en medicina demuestra que el
significado clínico de un resultado positivo no depende sólo de la calidad de
la prueba, sino también de la probabilidad previa de enfermedad en el paciente
o en la población estudiada.
En otras palabras, Bayes
transforma la información del laboratorio en información útil para el médico.
El laboratorio informa cómo funciona una prueba; Bayes responde la pregunta que
guía la conducta clínica: "Con este resultado, ¿cuál es ahora la
probabilidad de que mi paciente tenga realmente la enfermedad?"
Esta es la razón por la que
el razonamiento bayesiano constituye hoy el fundamento matemático del
diagnóstico clínico moderno y de la interpretación de las pruebas diagnósticas.
