TOMA DE DECISIONES EN MEDICINA

Introduccin El proceso de toma de decisiones es una actividad crtica ntimamente asociada a todos los procesos de cuidado de la salud. El trabajo del agente de salud involucra entonces, una mirada de toma de decisiones para resolver los problemas derivados de la prctica diaria. Desde una perspectiva terica involucra descubrir un problema, crear una lista de posibles soluciones o acciones determinando las consecuencias de cada una, y elegir la que se considere mas apropiada en el contexto especfico. En la prctica este proceso no es sencillo ya que: a) Es difcil reconocer los problemas en s. b) La lista de soluciones puede no estar completa y no se conocen totalmente las consecuencias. c) Por ende no se tiene la certeza de estar eligiendo la solucin mas adecuada. d) El razonamiento se basar en informacin imperfecta bajo condiciones de incertidumbre. e) El proceso de llegar a la mejor solucin posible implicar adquirir informacin complementaria y evaluarla. El proceso que el agente de salud lleva adelante para la toma de decisiones (cualquiera sea sta) involucra mecanismos o mtodos de razonamiento especficos.

Jorge Leguiza - 2006

Mecanismos de Razonamiento Los mecanismos para llegar a la solucin de problemas emplean mtodos de razonamiento, siendo los razonamientos deductivos, inductivos, abductivos y causales y sus combinaciones, los mas empleados en el cuidado de la salud: 1. Razonamiento deductivo: incorpora un proceso de implicacin lgica, donde si un principio es aplicable al todo, es aplicable a una parte, y se basa en reglas. Como ejemplo, si todos los hombres mueren y A es un hombre, A morir en algn momento. 2. Razonamiento inductivo: hace generalizaciones desde lo particular (lo inverso a lo anterior), produciendo reglas que se cumplen con cierto grado de certeza (o probabilidad). Para este caso, si A y B y C son hombres y mueren, todos los hombres mueren. 3. Razonamiento abductivo: busca la relacin causa-efecto, y como se vinculan, utilizando reglas ya pautadas (por ejemplo comprobacin de hiptesis diagnsticas), o descubriendo nuevas reglas (descubrimientos cientficos). Este mecanismo requiere confirmacin subsecuente, (evidencia). 4. Razonamiento causal: el razonamiento causal incorpora adems la cronologa y simultaneidad, para descubrir las relaciones causa-efecto. Emplea mtodos deductivos o abductivos segn el caso, como ocurre en la prctica, en la mayora de las situaciones. Segn este mecanismo, p ej, cuando se busca responsabilizar a un medicamento determinado por la aparicin de un efecto indeseable, debera verificarse que: 1. El medicamento haya sido administrado. 2. Se lo haya administrado antes de la aparicin del efecto (causalidad).

Jorge Leguiza - 2006

3. Que la demora entre la administracin y el efecto sea compatible contra la encontrada en la documentacin o el conocimiento que se tenga sobre el medicamento (cronologa). 4. Suspendiendo la administracin del medicamento cese el efecto (si es reversible). 5. Que sea reproducible, si se administra el medicamento aparece de nuevo el efecto. 6. Que la intensidad del efecto est asociado con la dosis del medicamento.

Se presenta el paciente con un problema

Se le hacen preguntas (Identificacin del paciente, demografa, motivos de consulta, etc.)

Primeras hiptesis diagnsticas

El paciente se recupera

Se le hacen ms preguntas (historia de la presente enfermedad, antecedentes, etc.) Examen fsico El paciente muere Se refinan la hiptesis

Estudios de laboratorio

Se observan los resultados

Estudios radiolgicos

Se trata al paciente

Se seleccionan las hiptesis mas probables

Oros estudios diagnsticos

Figura 1: Proceso de Toma de Decisiones empleando aproximacin hipottica-deductiva (Shortliffe)

Jorge Leguiza - 2006

Proceso de Toma de Decisiones: En sntesis, el proceso de toma de decisiones involucra un perodo de percepcin del problema, donde en base a una serie de datos se obtiene un conocimiento del mismo, un perodo de presentacin de hiptesis que identifiquen el problema con situaciones previas, un perodo de testeo y refinamiento de estas hiptesis, y un perodo de resolucin del problema. Esta secuencialidad no es estricta, en muchos casos el refinamiento corre en paralelo a la resolucin prctica del problema: la respuesta a un tratamiento que resuelve el problema contribuye a refinar y seleccionar la hiptesis correcta.

1. Datos, informacin y conocimiento Entendemos por dato a cualquier tipo de registro que se efecte sobre algn fenmeno o hecho que puede ser expresado en distintas simbologas (nmeros, palabras) y en soporte variable (medio oral, papel, computadora). Es la nocin de registro (dato formalizado) sobre algn evento. El conjunto organizado de datos y sus relaciones, y la interpretacin que el usuario hace de ellos construyen la informacin.

Veamos un ejemplo: A = Un dato B = otro dato C = relacin A B premisa A premisa B inferencia C

Desde esta perspectiva, A y B son datos y C es la informacin que nos dice como se relacionan A y B. Si vemos simplemente la relacin sin preocuparnos por saber de donde surgi C, podramos considerar a C tambin como un dato. Por este motivo puede completarse el concepto de informacin como el conjunto que incluye tanto la inferencia como las premisas que permitieron llegar a ella, entendiendo a la inferencia como el proceso discursivo por el que se concluye una proposicin. Dicha proposicin, la informacin que la origin y su anlisis constituirn finalmente el conocimiento que se tenga, en nuestro caso, del problema.

Jorge Leguiza - 2006

En sntesis, el proceso de percepcin del problema incluye la recoleccin de datos, y la organizacin de los mismos en informacin analizable que constituirn la obtencin del conocimiento sobre el problema (figura 2).

Datos

Informacin

Conocimiento

Decisin

De los datos a la informacin: Estructurar los datos procedentes de los sistemas operacionales de Proceso de informacin, transformacin dndoles un de la soporte temporal informacin (dinmico) y clasificador que los convierte en una informacin til para comprender su comportamiento.

De la informacin al conocimiento: Analizar la informacin dinmica, generar modelos estadsticos, identificar los diferentes factores que influyen en el comportamiento temporal y extraer de la informacin el conocimiento que tiene embebido.

Del conocimiento a la decisin: Facilitar la toma de decisiones a partir del conocimiento adquirido, de los modelos estadsticos, de las previsiones del comportamiento futuro y de las funciones y opciones de decisin.

Figura 2: del Dato a la Toma de Decisiones

2. Percepcin del problema El primer paso en la identificacin del problema es la percepcin del mismo, su abstraccin entre los datos que provee el paciente y el entorno, y el rea de conocimiento (dominio) sobre el que ocurre, delimitando su participacin y concurrencia. El mecanismo involucrado es frecuentemente abductivo, por ende depende de la experiencia previa del decisor.

3. Estructura del problema En base a la identificacin del problema se procede a la estructuracin del mismo y de la informacin clnica relevante. Diversas interpretaciones de esta informacin son posibles. Estas interpretaciones darn lugar a diferentes hiptesis diagnsticas. El mtodo o conjunto de mtodos empleados puede ser deductivo, inductivo o abductivo.

Jorge Leguiza - 2006

Un ejemplo de mtodo deductivo puede ser la presencia de un signo o sntoma patognomnico de determinada enfermedad (si est presente, la enfermedad lo est). Como ejemplo de mtodo inductivo, la presencia en un paciente de determinada enfermedad transmisible es inducida a sospecharse en un rea endmica de la misma. En mtodos abductivos, p ej, ante el planteo de una hiptesis por la presencia de un sntoma, se busca el signo que lo corrobore (mas evidencia).

4. Resolucin del problema El proceso de resolucin es habitualmente complejo, y parte desde problemas que estn poco definidos (el paciente est enfermo?), ascendiendo a niveles mas concretos (tiene tal enfermedad ?). Los datos e informacin percibidos deben ser necesariamente transformados en el conocimiento necesario para resolver estos problemas. Desde la proposicin de un nmero no totalmente determinado de hiptesis, la recoleccin de signos y sntomas puede ser obtenida por mecanismos de deduccin, adicionando los exmenes complementarios necesarios, cuyo resultado puede contribuir a corroborar o rechazar hiptesis, o a generar nuevas. Por induccin y/o abduccin el profesional puede ir eliminando hiptesis que no se correspondan con el cuadro clnico observado. Todo el proceso est basado en el conocimiento que ha sido adquirido, memorizado y estructurado. El profesional busca nuevas interpretaciones diagnsticas cuando una hiptesis no es satisfactoria y/o se contradice con su conocimiento previo. Este paso del proceso diagnstico se caracteriza por la aplicacin de operaciones cognitivas que evalan las interpretaciones, requiriendo del decisor una participacin activa para controlar el flujo de datos e informacin til. Asimismo diferentes estrategias tienen costos distintos en rdenes temporales, econmicos y en el estado de salud del paciente. Incertidumbre y Decisiones Mdicas Por diversas razones, ante una misma situacin distintos profesionales pueden plantear diferentes estrategias para su toma de decisin. En efecto el juicio mdico est basado en criterios clnicos y en la relacin existente entre dichos criterios y la situacin prctica de incertidumbre (la situacin actual). El juicio est construido sobre probabilidades entonces, en un entorno heterogneo. Toda informacin colectada debe ser colocada en el entorno situacional y confrontada con las experiencias previas del profesional para ser interpretada.

Jorge Leguiza - 2006

Entonces el proceso de toma de decisiones (TD) infiere: Combinar diferentes fuentes de informacin que no son estadsticamente independientes, en particular informacin clnica redundante. Tomar en cuenta la confianza en las distintas fuentes de informacin. Considerar el valor predictivo de las diversas fuentes de informacin. Sumar todos los elementos en la construccin del juicio mdico correcto.

En la prctica esto implica que los hechos de la situacin actual (los que construyen el problema), deben atravesar o cumplir un set de criterios en el entorno en que son observados para que el profesional pueda tomar una decisin (poner en juego su juicio mdico). Incertidumbre y errores en el juicio mdico Hay tambin una serie de factores o determinantes que afectan la obtencin de una toma de decisin adecuada. El denominado error cognitivo es uno de ellos. P ej, cuando se adquieren datos para la construccin del problema, el orden en el cual los mismos son obtenidos puede constituirse en una fuente de error, debido a que la primer informacin obtenida puede dominar al resto de los datos o condicionar el proceso de adquisicin posterior. Las expectativas del tomador de decisin tambin condicionan el contexto de coleccin de datos, ya que ste est establecido por su estrategia de trabajo particular. Otro aspecto de error frecuente es la dificultad para revisar opiniones propias del decisor. Este aspecto conservador tiende a favorecer interpretaciones particulares, y a racionalizar o ignorar evidencia en contra de su propia opinin, constituyendo una suerte de anclaje, relativamente difcil de manejar en la prctica. Como se planteaba antes, la confiabilidad de las fuentes de datos puede ser otro origen de error para la toma de decisin, an bajo un juicio mdico adecuado. Asimismo, la inconsistencia del propio juicio puede ser notable al tener opiniones distintas frente a casos idnticos. Finalmente, el factible de que se intente aplicar una regla si existe una razn para justificarla, an cuando no sea apropiada para el contexto de decisin vigente. Por estos motivos es difcil comprender totalmente el proceso de toma de decisiones en casos particulares, y por ende es complejo definir cmo las decisiones sern evaluadas.

Jorge Leguiza - 2006

Probabilidades y Decisiones Este contexto de incertidumbre induce a buscar mtodos que colaboren en el proceso de toma de decisiones. Dichos mtodos deben introducir formalismos que sean aplicables a la resolucin de los problemas planteados, ya sea proveyendo un lenguaje para expresar y cuantificar la incertidumbre, en un lenguaje mas riguroso y menos ambiguo que el cotidiano, u ofreciendo un mtodo sistemtico para estructurar y analizar los problemas, o apoyando el anlisis de los hallazgos para identificar diferencias y especificar sus causas.

1. Probabilidad condicional La teora de las probabilidades es la base de la teora de la decisin ya que cuantifica la incertidumbre de las proposiciones, proveyendo reglas de apoyo al decisor. Dentro de ella, hay mtodos para establecer concurrencia, o sea como afecta a la probabilidad de ocurrencia de un evento la ocurrencia de otro. Esto se denomina probabilidad condicional y apoya el formalismo bayesiano de empleo corriente en la toma de decisiones. Veamos un ejemplo prctico. Supongamos que quisiramos saber que probabilidades hay de que ocurra un evento A si ha ocurrido previamente un evento B. La probabilidad de que un evento A ocurra discurre entre 0 (no ocurre), y 1 (ocurre siempre). Esto se expresa como: 0 P(A) 1. La probabilidad de ocurrencia de un evento B es semejante (0 P(B) 1). La probabilidad de ocurrencia conjunta se expresa como P( A B) . Si no son independientes, esta probabilidad ser tambin mayor que 0 y menor que 1. Para determinar la ocurrencia condicional en este ejemplo, debemos tener en cuenta la ocurrencia conjunta y tambin la del evento que la determina (en este caso la probabilidad del evento B). Entonces la probabilidad de ocurrencia condicional P( A / B) (se expresa como la probabilidad de que ocurra A cuando B est presente), sera igual a:

P( A / B)

P( A B) P( B)

Teniendo en cuenta que P( A B) = P ( B A) (las probabilidades de ocurrencias conjuntas son iguales), tendremos que:

P( A / B)

P( A B) P ( B A) y P( B / A) P( A) P( B)

P ( A / B ) * P ( B ) P ( B / A) * P ( A)

Jorge Leguiza - 2006

Esta ltima es la frmula que da soporte a buena parte de la lgica bayesiana. Si desplazamos la probabilidad del evento B al otro lado tendremos que:
P(A / B) P ( B / A) * P ( A) P(B)

2. Lgica bayesiana La frmula de Bayes expresa la probabilidad de que est presente un evento cuando otro lo est. En nuestro caso, podramos ejemplificarlo diciendo que expresa que probabilidades tiene un paciente de tener una enfermedad (E) cuando un signo o sntoma est presente (S). Deduciendo de la frmula de probabilidad condicional tendremos:
P(E / S ) P (S / E ) * P (E ) P (S )

Donde P(E) expresa la probabilidad a priori de la enfermedad (antes de saberse que tena el signo o sntoma). Por otra parte, es importante saber en que casos este mismo signo o sntoma est presente en ausencia de la enfermedad, para descartar estos casos. Para ello definimos a E 0 como la ausencia de enfermedad, y a P( S / E 0 ) , como a la probabilidad de encontrarlo presente en ausencia de enfermedad. De aqu obtenemos: P( S ) P( S / E ) * P( E ) P( S / E 0 ) * P( E 0 ) Segn esta frmula, la probabilidad total de encontrar el signo o sntoma es igual a la probabilidad de encontrarlo si est enfermo por la probabilidad a priori de que est enfermo, mas la probabilidad de encontrarlo si no est enfermo (de la enfermedad estudiada por lo menos) por la probabilidad a priori de que no lo est (enfermo). Al conjugar las dos frmulas tenemos la Frmula de Bayes:
P(E / S ) P (S / E ) * P (E ) P (S / E ) * P (E ) P (S / E 0 ) * P (E 0 )

Como en realidad la probabilidad de encontrar el signo o sntoma en ausencia de la enfermedad buscada est determinada por su presencia en diversas situaciones (otras enfermedades y la ausencia total de ellas), dicha probabilidad va a ser igual a la suma de las probabilidades individuales ( P( S / E ) * P( E ) P( S / E 0 ) * P( E 0 ) +......), y la frmula de Bayes podr expresarse como:
P(Ei / S )

P( S / E ) * P( E ) ( P(S / Ei ) * P( Ei ))
i

La lgica bayesiana puede ser empleada para evaluar las probabilidades de diferentes hiptesis diagnsticas bajo consideracin, las que variarn en presencia o ausencia del signo o sntoma.

Jorge Leguiza - 2006

Supongamos que frente a un paciente consideramos tres hiptesis diagnsticas, apendicitis, salpingitis y otros diagnsticos, en conjunto con dos sntomas, dolor en fosa ilaca derecha (DFID) y en fosa ilaca izquierda (DFII). Las probabilidades seran:

Diagnstico ( Ei ) Apendicitis Salpingitis Otras Total

Probabilidad a priori ( P( Ei ) ) o prevalencia 0,10 0,05 0,85 1,00

Probabilidad de DFID/ Ei 0,80 0,50 0,05 -

Probabilidad de DFII/ Ei 0,10 0,50 0,05 -

Aplicando Bayes calculamos las probabilidades a posteriori de los tres diagnsticos (luego de conocer los datos de la tabla previa), y observamos:

Diagnstico ( Ei ) Apendicitis Salpingitis Otras Total

P ( E i ) / P( DFID) 0,54 0,17 0,29 1,00

P( E i ) / P( DFII ) 0,13 0,32 0,54 1,00

Para el caso de la apendicitis, la presencia de dolor en la fosa ilaca derecha (DFID) llev sus probabilidades de ocurrencia de 0,10 (a priori), a 0,54 (a posteriori).

0
Sano

0,1 (a priori)

0,5

0,54 (a posteriori)

1
Enfermo

Test positivo (DFID)

Tambin puede observarse que la suma de las probabilidades siempre da 1 (uno). Como corolario resta decir que el mtodo bayesiano es muy exacto pero ofrece serios inconvenientes ya que: - Es necesario conocer la prevalencia o probabilidad a priori de las patologas en el grupo poblacional bajo estudio (en este caso poblacin femenina de determinado grupo etreo, etc.). - Las enfermedades no deben ser concurrentes (no deberan coexistir, p ej, apendicitis y salpingitis).

Jorge Leguiza - 2006

- Los diferentes signos y sntomas deben ser independientes (que uno no condicione al otro), un hecho que biolgicamente no es lo habitual.

3. Distribucin Probabilstica Del ejemplo anterior puede desprenderse que no todos los pacientes con dolor en FID tendrn apendicitis, y podemos deducir tambin que no todos los pacientes con apendicitis tendrn dolor en FID. Este razonamiento es vlido para la mayora de los signos y sntomas, de las evaluaciones y estudios complementarios. Hay alguna forma de determinar con una aproximacin adecuada si una prueba es confiable en este sentido ?. Una manera de hacerlo es confrontar la prueba en cuestin con otra prueba que sea ciento por ciento confiable (que sea positiva ante enfermedad y negativa ante la ausencia de ella). Esta prueba se denomina habitualmente gold standard, y a los efectos prcticos podemos citar como ejemplo la ciruga con biopsia para la apendicitis. Si ambas pruebas a confrontar son dicotmicas (positiva-negativa, p ej), una manera relativamente sencilla de hacerlo es con una tabla de contingencia (tabla de 2 x 2):

Prueba Gold Standard enfermos) + Prueba a Testear + Verdaderos Positivos (VP) Falsos Negativos (FN)

(Estn

Falsos Positivos (FP) Verdaderos Negativos (VN)

En nuestro ejemplo, si todos los pacientes con dolor en la fosa ilaca derecha (DFID) tuvieran apendicitis y todos los pacientes sin DFID no la tuvieran, este sntoma sera equivalente al gold standard (ciruga con biopsia). Como sabemos que el 70 % de los pacientes con DFID tienen finalmente otro problema, podemos afirmar que este sntoma es poco especfico (est presente en no enfermos de apendicitis). Adems, un 80 % de los pacientes con apendicitis cursan con DFID, por ende es un signo bastante sensible (muchos enfermos tienen este sntoma). Veamos otro ejemplo, supongamos que queremos establecer una metodologa diagnstica para los pacientes con cuadros clnicos compatibles con infarto agudo de miocardio (IAM). Segn un estudio bibliogrfico sabemos que la transaminasa glutmico

Jorge Leguiza - 2006

oxalactica (GOT o TGO), se eleva en la presencia de dao miocrdico. En este caso se estudiaron 94 pacientes con dolor precordial caracterstico, 48 de los cuales tuvieron finalmente IAM, mientras que 46 no lo presentaron. En el grfico 1 se observa esta relacin, donde los 96 pacientes se despliegan en el eje de las Y. Los 48 con IAM se encuentran por sobre el eje de las X (rea grisada oscura) y los 46 sin IAM por debajo del mismo (rea grisada clara). En el eje de las Y se despliegan los valores de GOT en unidades por litro. Vemos que se repite el problema previo del dolor en FID: no todos los pacientes con valores elevados de GOT tuvieron finalmente IAM.
100% 80% Pacientes CON IAM 60% 40% Pacientes 20% 0% -20% -40% Pacientes SIN IAM -60% -80% -100% 80% (37 de 46) GOT (Unidades/Litro) 11% (5 de 46) 9% (4 de 46) 25% (12 de 48) 23% (11 de 48) 19% (9 de 48) 17% (8 de 48) 50 u/l 100 u/l 150 u/l 200 u/l 250 u/l

8% (4 de 48)

8% (4 de 48)

Grfico 1: Niveles de GOT en precordialgia vs IAM (Wenstein)

Si tomamos arbitrariamente como punto de corte valores de GOT de 100 u/l, y definimos como prueba Positiva a los que tienen valores superiores a se, y Negativa a los que tienen valores inferiores podemos crear la siguiente tabla de contingencia:

IAM + + GOT (>100 u/l) (<100 u/l) 25 (VP) 23 (FN) 4 (FP) 42 (VN)

Qu tan sensible es esta prueba para clarificar el diagnstico ?.

Jorge Leguiza - 2006

Si da positiva, estaremos frente a un IAM especficamente ?.

Definimos como sensibilidad entonces, a la probabilidad de que un enfermo tenga un valor positivo en la prueba, y se calcula con la siguiente frmula: Sensibilidad = VP / VP + FN En nuestro ejemplo del IAM, la GOT obtiene una sensibilidad de 0,52. Implica que el 52 % de los pacientes con IAM tendrn GOT elevada (> 100 u/l). Tambin se la conoce como Tasa de Verdaderos Positivos (TVP o TPR en otros textos). La especificidad en cambio es la probabilidad de que un paciente sin enfermedad tenga la prueba negativa: Especificidad = VN / VN + FP En nuestro ejemplo, la probabilidad de que un paciente sin IAM tenga una GOT baja (< 100 u/l), es del 87 %. Tambin se la conoce como Tasa de Verdaderos Negativos (TVN o TNR en otros textos).

Cmo se utiliza esto a la prctica diaria ?. O bien, qu probabilidades de tener un IAM tiene un paciente con una GOT elevada ?.. Y, qu probabilidades tendr de no tener IAM si la GOT es baja ?. El valor predictivo positivo de esta prueba, es la tasa entre los que tuvieron GOT elevadas en presencia de IAM sobre todos los que tuvieron GOT elevada: VPP = VP / VP + FP De la tabla obtenemos que el VPP es de 0,86, implicando entonces que un paciente con precordialgia y GOT elevada (para este caso) tendr un 86 % de probabilidades de tener un IAM. En cambio si el paciente tiene una GOT baja, su probabilidad de no tener un IAM ser del 65 %. Este valor se denomina Valor Predictivo Negativo y se calcula: VPN = VN / VN + FN En nuestro ejemplo trasformamos en discreta dicotmica (GOT + y -) una variable continua (U/l de GOT). Esto es frecuente en la prctica mdica ya que muchos problemas son discretos (trato / no trato, estudio / no estudio, etc.). Sin embargo en muchos casos no puede emplearse este mtodo por no tener un punto de corte (en este caso, los 100 u/l que elegimos), en estos casos, cmo se procede con las variables continuas ?. Hay diferentes estrategias, en este captulo describiremos el empleo de las curvas ROC (Receiver-Operating Characteristic).

Jorge Leguiza - 2006

4. Curvas ROC Para conocer el punto de corte ms adecuado al trabajar con pruebas que ofrecen resultados numricos contnuos (como la glicemia, creatinina, presin sangunea, etc.) o discretos con mltiples valores ordenados (como el recuento de glbulos blancos, frecuencia cardiaca, contracciones uterinas, etc.), debemos emplear un enfoque diferente, comparando VP y FP para cada valor de la escala de la prueba, en una curva llamada ROC (Receiver-Operating Characteristic). Un grfico donde pueda representarse la Tasa de Verdaderos Positivos (TVP o Sensibilidad), cruzada contra la Tasa de Falsos Positivos en una hipottica prueba que no tuviera relacin alguna con la enfermedad, se vera de la siguiente forma:
1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 TFP Grfico 2: Curva ROC de prueba sin relacin con la enfermedad

En este caso, para cada valor esperado de TVP habr el mismo valor esperado de TFP. Cada valor en un enfermo tendr una contraparte de igual valor en un sano. La prueba no discrimina entre enfermos o no dado que no tiene relacin con la ausencia o presencia de la enfermedad. Como ejemplo hipottico, al controlar la TA diastlica en muchos pacientes sospechados de apendicitis, observaramos probablemente una curva cuasi normal de TA, similar en pacientes con la patologa y sin ella:
100 90 80 70 60 50 40 30 20 10 0 -10 -20 -30 -40 -50 -60 -70 -80 -90 -100
45 50 55 60 65 70 75 80 85 90 95 100 105 110 115

CON Apendicitis
N Pacientes

SIN Apendicitis

TVP

TA diastlica

Grfico 3: TA diastlica en pacientes con y sin Apendcitis

Jorge Leguiza - 2006

Veamos el caso opuesto:

1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 TFP Grfico 4: Curva ROC en una prueba ideal 1

En este caso la prueba es capaz de detectar al 100 % de los enfermos, no habiendo correspondencia de valores entre los que presentan la enfermedad y los que no la tienen, observemos un grfico semejante al anterior para este hipottico ejemplo:
100 90 80 70

CON Enfermedad
Pacientes

60 50 40 30 20 10 0 -10 -20 -30 -40

40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 125 130 135 140 145 150 155 160 165 170 175 180 185 190 195

SIN Enfermedad

-50 -60 -70 -80 -90 -100

Grfico 5: Valor de prueba hipottica en pacientes con y sin determinada enfermedad

Aqu, pasando determinado punto de corte todos los pacientes estarn enfermos, y antes de l todos estarn sanos. La prueba sera equivalente al gold standard ya referido. En realidad es poco frecuente encontrar esta situacin, habitualmente las pruebas (tests diagnsticos, signos, sntomas, etc.) suelen tener VP y FP, por lo cual tiende a buscarse aquellas que tengan una relacin sensibilidad / especificidad adecuadas para el problema en estudio. Mientras mayor sea la TVP, ms sensible ser la prueba. Mientras menor sea la TFP, ms especfica ser la prueba, recordando que la Especificidad es complementaria a la TFP (suman 1 entre las dos), ya que la TFP = FP / VN + FP, mientras que la Especificidad (TVN) = VN / VN + FP. A continuacin veremos otro ejemplo.

TVP

Jorge Leguiza - 2006

El glaucoma es una enfermedad que puede producir ceguera, en la mayora de los casos debido a un aumento de la presin intraocular (PIO) que lesiona el nervio ptico. La determinacin de la PIO puede detectar la enfermedad y permitir un tratamiento precoz de la misma. Dicha determinacin puede realizarse sencillamente con un tonmetro, con el cual se obtiene una medida o score, llamado ndice de Schitz. Este score es mayor a menor PIO. En el siguiente grfico, se presenta la determinacin del score en pacientes con y sin glaucoma, como lo hicimos previamente con la prueba GOT IAM (grfico 6)
1 0,8 Pacientes CON Glaucom a 0,6 0,4 0,2 0,018 0 1 -0,2 -0,4 -0,6 -0,8 -1 Score Schitz 2 3 4 0,001 5 6 0,042 7 0,14 0,247 0,394 8 9 10 0,119 11 0,042 12 0,01 0,016 0,023 0,181 0,073 0,005 0,277 0,166 0,248

Pacientes SIN Glaucom a

Pacientes

Grfico 6: Score de Schitz en pacientes C/S Glaucoma

Puede observarse una superposicin importante de VP y FP entre los score 5 y 8. Empleando la curva ROC, obtenemos:
1 0,9 0,8 0,7 0,6 TVP 0,5 0,4 0,3 0,2 0,1 0 0 0,006; 0,311

8 7
0,188; 0,754

0,582; 1

1; 1

0,048; 0,588

5
0,001; 0,13 4 0; 0 3 0,2 0,4 TFP
Grfico 7: Curva ROC del Score Schitz en Glaucoma

0,6

0,8

Jorge Leguiza - 2006

El punto de corte aparente corresponde a un score 6 de Schitz. Es el rea de la curva donde se obtiene una mayor sensibilidad (0,588), con la menor TFP (0,048). La sensibilidad surge de sumar las probabilidades parciales de glaucoma a la izquierda del punto de corte, en nuestro caso con un score de 6 (y mirando el grfico 6) la obtenemos como: 0,018 + 0,016 + 0,023 + 0,073 + 0,181 + 0,277 = 0,588. La TFP se obtiene de igual manera, sumando las probabilidades parciales de No glaucoma, a la izquierda del punto de corte: 0,001 + 0,005 + 0,042 = 0,048. Este punto de corte puede considerarse como un umbral, ya que determina quien ser estudiado o tratado y quien no, es la probabilidad requerida de enfermedad para seguir estudiando o tratando al paciente. Sin embargo este umbral es muy flexible, ya que depende de la gravedad de las consecuencias de un FP (pruebas posteriores muy costosas o agresivas), y/o de un FN (pacientes sin diagnosticar / tratar). Si el objetivo es un screening poblacional con prevalencia a priori baja, prefiero pruebas con mayor VPN (Valor Predictivo Negativo), para dejar fuera las personas sanas. Esto es de aplicacin especial en enfermedades catastrficas como la fenilcetonuria, para evitar falsos negativos. En estos casos la mayora de los Positivos sern FP. Por ello, si el paso siguiente son estudios muy invasivos o caros (como en cncer de mama, colon, etc.) se tiende a buscar mas VPP, mayor especificidad en el screening. Si se busca confirmar diagnsticos son preferibles las pruebas con alto VPN, mxima sensibilidad, ya que son mas confiables (menos falsos negativos).

5. Evaluacin de riesgo En muchos casos es importante determinar la ocurrencia de un evento para luego determinar como se modifica con la decisin tomada. Esto es particularmente cierto para los casos donde se efecta una intervencin directa (p ej, indicando una teraputica o una medida preventiva), en la resolucin del problema del paciente. La chance de ocurrencia de un evento A es la razn entre las probabilidades de ocurrencia del evento sobre las de no ocurrencia. Chance = P ( A) 1 P ( A)

La probabilidad de ocurrencia de A en un perodo determinado es conocida como la incidencia de A.

Jorge Leguiza - 2006

Dicha incidencia puede estar asociada con factores (F) endgenos (como una anomala congnita o una hipersensibilidad a determinada sustancia), o exgenos (exposicin a un agente biolgico o administracin de un medicamento). Este factor es llamado factor de riesgo. Entonces para un evento A y un factor F, la comparacin de la ocurrencia de A entre los sujetos expuestos ( P ( A / F1 ) ) y no expuestos ( P( A / F0 ) ), puede ser expresada como: - Riesgo atribuible (AR): es la variacin o diferencia en la incidencia del evento A entre los expuestos y los no expuestos al factor F.

R P( A / F1 ) P( A / F0 )
- Riesgo relativo (RR): es la razn de la incidencia del evento A entre los expuestos sobre los no expuestos al factor F.
RR P( A / F1 ) P( A / F0 )

- Odds ratio (OR): es la razn entre la chance (u odds) de ocurrencia de A entre los expuestos, sobre la chance de ocurrencia de A entre los no expuestos. P( A / F1 ) 1 P( A / F1 ) OR P( A / F0 ) 1 P( A / F0 ) - Y el RR puede obtenerse con la siguiente frmula deducida de las anteriores: RR OR 1 P ( A / F0 ) * OR

Estas frmulas pueden parecer abstractas, pero ofrecen una slida base para el anlisis de riesgo ya que la mayor parte de las intervenciones buscan la resolucin de un problema y es necesario estimar claramente los beneficios de las mismas, teniendo en cuenta tanto la disminucin del riesgo, como el de atenuar la aparicin de efectos indeseables y colaterales (tambin son tratados como riesgos), evitar las complicaciones y/o comparar distintos mtodos alternativos o complementarios entre s. Una correcta toma de decisiones debe evaluar todos estos aspectos a priori. Si bien en la prctica es bastante difcil estimar riesgo ya que hace falta conocer una serie de datos previamente (lo mismo que ocurra con la metodologa bayesiana), existen fuentes de informacin confiables con miles de referencias para proporcionarlos, especialmente aquellas con tests teraputicos controlados como la base Cochrane. En ellas puede obtenerse informacin de primera lnea expresada como anlisis de riesgo, con algunos de los formalismos mas arriba explicados (RR, OR, etc.) e intervalos de confianza de los mismos, y de significancia estadstica (chi cuadrado, valor de p, etc.).

Jorge Leguiza - 2006

Veamos un ejemplo: Supongamos que debemos iniciar un tratamiento prolongado con antiinflamatorios no esteroideos (AINE) en un paciente con determinada enfermedad reumtica. Este tipo de tratamiento puede inducir la aparicin de lceras gastro-duodenales (UGD), qu alternativas pueden ser las mas beneficiosas para evitarlo ?. Los tratamientos preventivos en estudio son el empleo de Misoprostol y el uso de antibitico (ATB) terapia para erradicar el Helicobacter Pylori de la va digestiva. Una revisin bibliogrfica sobre estudios con casos y controles en pacientes en condiciones semejantes (tratamiento con AINEs) podra presentarnos un cuadro como el siguiente:

Tratamiento ATB anti HP Misoprostol

Incidencia de UGD en controles (1) 18 % 18 %

Incidencia de UGD en tratados (2) 5% 9%

R
(1)-(2) 13 % 9%

RR (2)/(1) 27 % 50 %

RRR (1-RR) 63 % 50 %

NNT

9 11

Esto puede expresarse como que si se emplea ATB terapia anti Helicobacter Pylori, (HBP) podra reducirse la probabilidad de aparicin de UGD del 18 % al 5 %, una reduccin estimada ( R ) del 13 %. Asimismo podra decirse que los pacientes que empleen esta teraputica tendrn en promedio el 27 % (RR) de probabilidades de sufrir UGD que aquellos pacientes que no la empleen, contra el 50 % del misoprostol. En algunos casos en que se desee cuantificar el beneficio global, esto es, p ej, saber a cuantos pacientes deber tratarse para evitar la aparicin de un solo caso de UGD, puede emplearse una frmula para obtener el Nmero Necesario para Tratar:

NNT

1 RRb * (1 RR)

Donde RRb es el Riesgo Relativo Base, en nuestro caso, el RR de tener una lcera con el tratamiento AINE sin prevencin alguna. El resultado puede observarse en la tabla, e indica que en 9 pacientes tratados con ATB podra prevenirse la aparicin de una UGD. Estos mtodos son de extrema utilidad cuando se decide estandarizar o protocolizar alternativas teraputicas, sin embargo deben tenerse en cuenta tambin otros factores (econmicos, de preferencia de los pacientes, de disponibilidad o acceso, etc.), as como la concurrencia de efectos colaterales e indeseables y otros factores. La superposicin de estos factores complejiza esta metodologa de anlisis.

Jorge Leguiza - 2006

Anlisis de Decisin: rboles de Decisin Como referamos en lneas previas, se tiende a discretizar la realidad para hacerla mas comprensible, y facilitar la toma de decisiones. Una prueba entonces, deber apoyar al agente de salud en el camino de decidir si un paciente est o no enfermo, aumentando o disminuyendo su probabilidad de enfermedad (probabilidad a priori y a posteriori). Un tratamiento ser mejor o peor que otro para resolver un cuadro patolgico. Tambin como vimos en lneas previas, la realidad no es tan sencilla de manejar ya que hay muchas variables intervinientes en la TD, la mayora de las cuales no son independientes entre s, y un mismo resultado puede ofrecer diversas alternativas o caminos de resolucin. Una manera habitual de expresar o representar un problema de TD, es empleando estructuras lgicas llamadas rboles de decisin.

Figura 3

Los rboles se interpretan de derecha a izquierda. Cada bifurcacin o nodo puede ser una decisin o un resultado de la misma (llamada chance). (Figura 3). Si el nodo es de decisin (como operar o esperar en este caso), las ramas resultantes son las alternativas de la decisin. Si es de chance (tener o no apendicitis, p ej.), las ramas resultantes son las posibilidades derivadas de la misma.

Figura 4

Jorge Leguiza - 2006

Los nodos terminales, las hojas del rbol, expresan el resultado final esperable. Este resultado puede medirse en diferentes unidades (econmicas, vitales, de preferencia de los pacientes, combinadas, etc.). (Figura 4). Los nodos chance habitualmente se representan con un pequeo crculo (), los nodos de decisin con un cuadrado (), y los de resultados con un tringulo (). Los rboles entonces simplifican la representacin del proceso de toma de decisiones, brindando una manera lgica de expresar y comunicar diferentes instancias en la TD, con los resultados y probabilidades obtenibles, permitiendo seleccionar la mejor opcin esperable, y son aplicables tanto a problemas simples como a complejos. El uso de rboles de decisin nos ayuda en el proceso, agregando un concepto nuevo, el de Utilidad. Las utilidades son cantidades usadas para asignar grados de preferencia entre diferentes soluciones, y se emplean para seleccionar la de mxima utilidad o mejor resultado. La Utilidad puede medirse en diferentes unidades, p ej., tasa de sobreviva, costo econmico, costo-beneficio, aos de vida ganados por calidad de vida obtenida (QUALYS), entre otras. Para la construccin del rbol debe proveerse tanto las probabilidades intermedias como las utilidades esperadas para cada opcin considerada. En este ejemplo podemos tomar como resultado (Utilidad), a la tasa de mortalidad de la apendicitis y de las alternativas teraputicas involucradas. Con estos datos y las probabilidades de cada chance, vamos completando el rbol (figura 5).

Figura 5

A este nivel, la probabilidad combinada de morir para el nodo ciruga es igual a la suma de las probabilidades de sus ramas: P (MQa) = P (MPeritonitis) + P (MApendicitis) + P (Mnoapencitis) (0,03*0,027) + (0,13*0,001) + (0,84*0,0007) = 1,53 / 1.000 Esto implica que un paciente con DFID llevado directamente a ciruga, tendr una probabilidad de morir de 1,53 x 1000 (para esta muestra).

Jorge Leguiza - 2006

Figura 6

En la figura 6 puede observarse el rbol completo, con las mortalidades y probabilidades para cada nodo Considerando la mortalidad, cual ser la conducta electiva para cada caso ?. La que tenga la menor mortalidad acumulada para cada nodo de decisin, calculada empleando el procedimiento antes descrito para cada nodo. Este procedimiento nos seala un camino crtico, aquel que nos provee la mayor utilidad en cada caso.

Jorge Leguiza - 2006

Figura 7

En la figura 7 puede observarse este camino. Se emple para obtenerlo grficamente el software Data 3.5 para Windows, de Tree Age (www.treeage.com), en su versin demostracin, la cual est disponible a la fecha para ser obtenida de su sitio web. En este caso sugiere una conducta expectante (1,4 muertes/1000) de inicio. Si mejora no hacer nada, si empeora operar, y si sigue igual, operar (1,2 contra 41,5 muertes/1000).

Jorge Leguiza - 2006

Bibliografa consultada: Degoulet P, Fieschi M. Medical Reasoning and Decision Making, Introduction to Clinical Informatics, Springer-Verlat; 1997. Ko CW, Deyo RA. Cost-effectiveness of Strategies for Primary Prevention of Nonsteroidal Anti-inflammatory Drug-induced Peptic Ulcer Disease. J Gen Inter Med, vol 15:400-410, june 2000. Leguiza J. L., Insa J. T. Diseo de rboles de Decisin, Segundo Nivel: Anlisis de Costo Efectividad. Apuntes de Ctedra, Postgrado de Efectividad Clnica (PEC) del Hospital Italiano de Buenos Aires, Universidad de Harvard - UBA; 2000. Mulrow C. D, Oxman AD (eds). Cochrane Collaboration Handbook [updated 9 December 1996]. Available in The Cochrane Library [database on disk and CDROM]. The Cochrane Collaboration; Issue 1. Oxford: Update Software; 1997. Updated quarterly. Shortliffe E, Barnett O. Medical Data: Their Acquisition, Storage, and Use [Chapter 2]. Medical Informatics, Computer Applications in Health Care. Addison-Wesley Publishing Company; 1989. Sox H. C., Blatt MA, Higgins MC, Marton KI. Medical Decisin Making. ButterworthHeinemann, Reed Publishing; 1988. Weinstein M. C., Fineberg HV. Clinical Decisin Anlisis. W B Saunders Company; 1980.

Jorge Leguiza - 2006