Segunda Especializacin

Semana VI
RESIDENTADO MDICO

Asignatura
EPIDEMIOLOGA CLNICA

Lectura

El proceso diagnstico
Rev Col Gastroenterol vol.19 no.3 Bogot Sept. 2004

El proceso diagnstico

(Primera parte)

Oscar Alfredo Beltrn Galvis (1), Diana del Pilar Torres (2)
(1) MD. MSc ( c ). Clnica San Pedro Claver. Clnica Juan N. Corpas. Epidemiologa
Clnica. Medicina Interna. Gastroenterologa. Bogot, D.C., Colombia.
Correspondencia: beltrano@javeriana.edu.co
(2) MD. Clnica san Pedro Claver. Hospital de Kennedy. Medicina Interna
Gastroenterologa. Correspondencia: dipitor@yahoo.com Bogot D.C., Colombia.

Resumen
El diagnstico es el proceso de sntesis con que los mdicos expresamos la
conclusin de un elaborado proceso intelectual de anlisis de datos subjetivos y
objetivos (la anamnesis, el examen fsico y las pruebas de laboratorio). Nosotros
revisamos las tres estrategias de razonamiento clnico enfatizando en el
razonamiento bayesiano, til para la interpretacin de las pruebas diagnsticas

Palabras claves: Razonamiento clnico, Bayes.

Summary
Diagnosis procedure is the synthesis by which physicians conclude and elaborate
analysis of subjective and objective data, obtained by physical exam and
technology. We revised the three reasoning strategies in the clinical reasoning:
probabilistic, causal and deterministic for understanding of clinical cognition and
enhance patient care. We emphasized in the Bayesian reasoning especially in the
format natural frequencies.

Key words: Clinical reasoning, Bayesian reasoning.

Residentado Mdico Epidemiologa Clnica

El proceso de lograr un diagnstico y tratamiento adecuado en medicina clnica
est basado en la obtencin de la informacin de dos fuentes bsicas: historia
clnica y ayudas paraclnicas. Ambas fuentes deben analizarse dentro de su mismo
contexto, pero frecuentemente estas dos piezas de la informacin no se
interrelacionan, disminuyendo su utilidad diagnstica (1). Aunque la medicina
moderna lamentablemente ha dirigido su atencin hacia el laboratorio, la mayora
de los diagnsticos acompaados de una excelente toma de la anamnesis y el
examen fsico, estrechan las posibilidades diagnsticas antes de que sean
solicitadas las pruebas diagnsticas. Y es a travs de la historia clnica que el doctor
humaniza el encuentro mdico con el paciente e inicia las etapas para un
tratamiento exitoso (2). Aunque el diagnstico no es un fin en s mismo, el
diagnstico es indispensable para lograr el objetivo final de la medicina que es
mejorar o intentar mejorar a nuestros enfermos. El diagnstico es ese proceso de
sntesis o modo abreviado con que los mdicos expresamos la conclusin de un
elaborado proceso intelectual de anlisis de datos subjetivos y objetivos (3).

El diagnstico, a travs de la historia, ha estado ligado ntimamente a la percepcin

de la naturaleza de la enfermedad que tena el mdico en funcin del entorno
sociocultural en que se encontraba. A partir de una concepcin del proceso
morboso, fuertemente influenciada por un pensamiento mgico-religioso, se va
desarrollando un conocimiento ms preciso y real del proceso enfermedad,
comprendindola ya no solo desde el punto de vista individual, sino desde un punto
de vista multidisciplinario y multicausal (4).

Nos proponemos evaluar cul es el proceso del razonamiento clnico que nos
permite integrar estas fuentes de informacin dentro del proceso de diagnstico
dirigido a la toma de decisiones en nuestros pacientes.

La mecnica del razonamiento clnico es poco conocida, est basada en

factores como experiencia y aprendizaje, razonamiento lgico inductivo y

Residentado Mdico Epidemiologa Clnica

deductivo, interpretacin de los datos que por s mismo varan en reproducibilidad
o validez, y en la intuicin que a veces es difcil de definir. La calidad de este
razonamiento, independiente del bagaje cientfico y tecnolgico que posee la
medicina, es lo que diferencia a un buen clnico del que no lo es. Las habilidades
intelectuales de anlisis y de sntesis, as como los conocimientos de patologa y
experiencia, varan de un mdico a otro, lo que explica tambin que haya mejores
diagnosticadores que otros.

Feinstein (5), plante hace varios aos, que el cuidado del paciente es igual a un
experimento. Cada paciente tratado comienza en un estado basal, recibe una
intervencin y tiene un desenlace, igual que un experimento. Sin embargo, se
diferencia del experimento, en que la mayora de las actividades clnicas, no tienen
un grupo control concurrente ni un objetivo innovador. La comparacin con un
grupo control viene del conocimiento del clnico de pacientes similares en el
pasado y el objetivo del experimento es repetir o superar el mejor desenlace
obtenido con estos pacientes. A pesar de esta arquitectura intelectual, el
experimento del cuidado del paciente, anlogo a un experimento de laboratorio,
no ha recibido la atencin que se merece para identificar los mtodos de diseo y
evaluacin utilizados en las decisiones clnicas que constituyen el razonamiento
clnico .

Razonamiento clnico
Generacin de hiptesis
La tarea de cada encuentro mdico - paciente es en definitiva una resolucin de
problemas de manejo del paciente e implica un proceso de razonamiento, cuyos
detalles han sido evaluados por distintas disciplinas y teoras. La resolucin de
problemas es una serie de procedimientos cognitivos que constituyen un acto del
conocimiento. Este acto procesa la informacin, no la almacena, y se encuentra
orientado a la generacin y comprobacin de hiptesis que satisfagan la
obtencin de una meta especfica (6).

Residentado Mdico Epidemiologa Clnica

La palabra usada como hiptesis es de pura conveniencia para expresar lo que el
clnico piensa acerca de la naturaleza de las enfermedades del paciente. Las
hiptesis son conjeturas o ideas que determinan en gran parte la exactitud del
diagnstico final.

El segmento de la historia clnica, el motivo de consulta, es la base para que el

mdico inicie el proceso investigativo. En este punto vale la pena plantear dos
tendencias metodolgicas: la primera es la tradicional, mediante la cual se
establece un interrogatorio predominantemente algortmico, y la segunda consiste
en desarrollar hiptesis iterativas (7).

En la historia clnica algortmica, se dispone de todos los datos, tanto positivos como
negativos importantes y no importantes. Se consume tiempo y espacio en su
elaboracin, restando atencin a la interpretacin de las respuestas que da el
paciente y mayor atencin probablemente a informacin irrelevante.

En el otro modelo, llamado corroboracin iterativa de hiptesis, en la enfermedad

actual, no solo se describen en detalle las caractersticas de la queja principal del
paciente, sino que el mdico experimentado usa preguntas intencionadas que
conducen a esclarecer, confirmar o descartar una serie de hiptesis que se van
generando en las respuestas al interrogatorio inicial. Se selecciona una respuesta
clave, por ejemplo melenas, hace preguntas adicionales secuenciales que le
permitan valorar la hiptesis inicial para aumentar o disminuir la lista de
posibilidades.

Este modelo es un enfoque eficiente para el diagnstico, y es preferible a los

esfuerzos para reunir cualquier informacin a travs de historias extensas antes de
formular un diagnstico. Esta estrategia alienta al mdico a buscar informacin

Residentado Mdico Epidemiologa Clnica

detallada en reas ms productivas , sin abandonar un enfoque sistemtico y
profundo hacia el paciente.

Para ilustrar las dos situaciones, en un paciente que consulta por dolor abdominal,
el interrogatorio algortmico consiste en hacer preguntas pre-establecidas, tales
como cunto tiempo hace que presenta el dolor?, dnde est localizado?,
hacia dnde se irradia? , Cmo es la caracterstica de ese dolor? Qu lo alivia
y qu lo empeora?, s acompaa de vmito?, etc. Un enfoque mediante
hiptesis iterativa puede ser: dnde est ubicado el dolor? (Si la respuesta es en
el hemiabdomen superior, el mdico piensa en las posibles causas como lcera
pptica, pancreatitis, colecistitis, isquemia miocrdica). De acuerdo con este
razonamiento, adems de las preguntas planteadas previamente, el interrogatorio
ampliara aspectos como: ha sufrido de lcera?, toma anticidos? Investiga
sobre medicamentos ingeridos, hbitos alimentarios, ingesta de comidas
abundantes, intolerancia a grasas y factores de riesgo cardiovascular. El
interrogatorio de los otros segmentos de la historia clnica, como antecedentes y
revisin por sistemas, van dirigidos a reafirmar o descartar las hiptesis planteadas.
El proceso diagnstico se focaliza sobre una o ms hiptesis diagnsticas que
pueden ser generales (dispepsia) o especficas (apendicitis aguda), un sndrome
(diarrea crnica) o una enfermedad (cirrosis heptica por alcohol). Si se parte de
un elevado nmero de hiptesis, es recomendable contrastar primero aquellas ms
probables o ms importantes, entendiendo por importantes aquellas con un
tratamiento ms efectivo, o que el paciente pueda morir o quedar incapacitado
si no se trata (8).

Procesos cognitivos
Los procesos cognitivos que se utilizan en este proceso de entrada y salida de
nuestra mente de las diferentes hiptesis pueden ser de varios tipos y bsicamente
siguen tres estrategias de razonamiento clnico (9):

Residentado Mdico Epidemiologa Clnica

Estrategia determinstica: A causa de que muchos problemas diagnsticos que los
mdicos enfrentamos diariamente son simples y concretos, el ejercicio del proceso
diagnstico para estos problemas es rutinario, bien definido, es decir,
determinstico. Esta asociacin est basada en la identificacin de una serie de
reglas que describen nuestra prctica clnica: los algoritmos o los heursticos. En
Medicina los algoritmos son instrucciones guiadas de los pasos a seguir sin explicar
la lgica de cada decisin. Es un mtodo para resolver problemas simples y
frecuentes, no para problemas clnicos complejos o con mltiples enfermedades
concomitantes. El utilizador del algoritmo no puede obviar la respuesta a una
pregunta o una prueba esencial. Los algoritmos tienen un defecto. No admiten la
incertidumbre, caracterstica comn en nuestra prctica y generalmente son
propuestas individuales ms que datos derivados o validados de observaciones
clnicas rigurosas o experimentales. Finalmente, no olvidar que el algoritmo es
simplemente, un mtodo ms para resolver problemas y no es la nica forma de
solucin.

Los heursticos son reglas ideadas por mdicos expertos para resolver problemas
especficos; parten de suposiciones o conjeturas que permiten aumentar la
probabilidad de que un problema pueda ser resuelto, sin embargo no garantiza su
solucin. Ejemplo: la trada de Charcot para colangitis, ictericia, fiebre y escalofro.
Constituyen la esencia de la medicina clnica por los aportes de los grandes
maestros, que en su momento observaron situaciones, hallazgos, comportamientos
o caractersticas concretas que hoy son dogmas en los textos de medicina.

Razonamiento causal: Son asociaciones basadas en las relaciones causa - efecto.

Es un modelo fisiolgico de la realidad con capacidad de hacer inferencias a partir
de los hallazgos clnicos, indaga cada sntoma o signo buscando un significado
dentro del contexto general de los problemas del paciente.

Residentado Mdico Epidemiologa Clnica

Describen los mecanismos (anatmicos, fisiolgicos o bioqumicos) utilizados en el
funcionamiento del ser humano o su comportamiento fisiopatolgico en la
enfermedad. Utiliza esquemas que permiten plantear las posibles causas,
formulando hiptesis coherentes a partir de la interpretacin de los datos clnicos,
a travs de una cadena de hallazgos interrelacionados fisiolgicamente, acordes
con el principio de estmulo-respuesta. El razonamiento causal es extremadamente
til para el estudio y comprensin de los fenmenos fisiolgicos y metablicos en
cadena. En un paciente en choque, el mdico busca datos que le permita
relacionarse con los posibles factores causales: ingesta de aines, color de la
deposicin, temperatura, examen de corazn y pulmn, infiriendo la ms probable
causa dentro de una lista de alternativas: hipovolemia, choque cardiognico,
anafilaxia, sepsis.

El razonamiento causal puede ser aplicado en varias etapas del diagnstico, ya

sea en la interpretacin de los sntomas durante el interrogatorio al paciente, en la
elaboracin de las hiptesis de trabajo o en la toma de decisiones. Este modelo
tambin es til para evaluar la coherencia de un diagnstico determinado si las
asociaciones causales o fisiolgicas son razonables y apropiadas. La fortaleza del
razonamiento causal est en su capacidad para ofrecer una explicacin a cada
hallazgo, con la posibilidad de regresar al inicio cuando los hallazgos no
concuerdan con el patrn ideal.

Estrategia probabilstica: el diagnstico mdico y la interpretacin de las pruebas

de laboratorio poseen frecuentemente un considerable nivel de incertidumbre, lo
cual puede ser representado como asociacin probabilstica entre variables
clnicas. Rara vez, poseemos certeza absoluta en medicina, ejercemos de hecho,
una ciencia inexacta e incierta. La medicina es una ciencia de probabilidades y
un arte de manejar la incertidumbre (SirWillian Osler) (9,10).

Residentado Mdico Epidemiologa Clnica

Cuando los mdicos usamos el interrogatorio y la exploracin fsica para llegar a
un diagnstico, expresamos esta incertidumbre o probabilidad no en forma de un
porcentaje real, sino ms bien en trminos como casi siempre ,
frecuentemente , a veces o rara vez . Sin embargo, por no ser cuantitativos
estos trminos, no se les puede asignar un significado estandarizado. La tcnica
ms satisfactoria para interpretar los datos clnicos es el uso formal de
probabilidades, la relacin de probabilidades y la combinacin cuantitativas de
ellas.

Para combinar los hallazgos clnicos en forma de probabilidades se requiere una

rigurosa definicin de enfermedad. Esta definicin, referida como la prueba de oro,
se basa generalmente en hallazgos radiolgicos, histolgicos, bioqumicos o
muchas veces en criterios clnicos nicamente.
La primera tarea en la aplicacin de la estrategia probabilstica es estimar la
probabilidad inicial de todas las enfermedades de inters a partir de los datos
demogrficos del paciente (gnero, edad, pas, grupo poblacional, factores de
riesgo) y de la presentacin de los hallazgos clnicos. El anlisis cuidadoso de esta
probabilidad es crtico, porque su valor va a influenciar en grado importante la
interpretacin de cualquier hallazgo clnico o pruebas de laboratorio posteriores.
La segunda tarea es determinar la frecuencia de los hallazgos asociados con la
enfermedad bajo hiptesis y con las enfermedades alternas. Se trata de responder
preguntas sobre la frecuencia de asociacin de un hallazgo con la entidad clnica.
La sensibilidad y especificidad de los hallazgos asociados con las hiptesis
diagnsticas generan las probabilidades condicionales.

Los hallazgos clnicos y los resultados de laboratorio pueden ser interpretados de

acuerdo con principios matemticos. El resultado del anlisis cuantitativo, despus
de interpretar las ayudas diagnsticas teniendo en cuenta la probabilidad inicial y
las probabilidades condicionales, conduce a estimar la probabilidad de que el
paciente presente la enfermedad, concepto conocido como probabilidad

Residentado Mdico Epidemiologa Clnica

posterior. Los valores numricos de estos clculos estn basados en las cifras de
prevalencia de cada enfermedad hipottica, en las condiciones del paciente y
en la sensibilidad o especificidad de las pruebas diagnsticas relativas a la
enfermedad en las condiciones del laboratorio. Esta informacin puede estar
disponible en estadsticas regionales, en la literatura o en estimativos de las
probabilidades condicionales, cuando no se conocen.

La estrategia probabilstica puede ser una herramienta til, porque proporciona un

significado explcito de la interpretacin del hallazgo o prueba diagnstica y por
consiguiente ayuda a guiar el proceso diagnstico, o en casos de mayor
complejidad, genera hiptesis diagnsticas a partir de la frecuencia de asociacin
de los hallazgos clnicos.

Dada la rica interrelacin de nuestro razonamiento clnico, nosotros utilizamos todas

las estrategias. A causa de que nuestra prctica clnica generalmente es repetitiva
y sencilla, muchas de nuestras decisiones son guiadas por reglas determinsticas
aprendidas. El razonamiento probabilstico o el determinstico puede ser til para
iniciar inferencias de las causas de los efectos observados o para identificar
hiptesis razonables que formarn el contexto del razonamiento causal. En general,
las estrategias de razonamiento son complementarias. Los modelos probabilsticos,
son fuertes en la generacin de hiptesis diagnsticas, crticamente dependiente
de la prevalencia de la enfermedad en el grupo de poblacin del paciente, pero
una vez la hiptesis ha sido propuesta el razonamiento causal permite verificar la
causa que explique la observacin. Aunque el razonamiento probabilstico ha
dominado la discusin del proceso diagnstico, a causa de la propuesta de
corroboracin iterativa de hiptesis, nuestro conocimiento del proceso diagnstico
an permanece muy limitado.

El proceso diagnstico

Residentado Mdico Epidemiologa Clnica

El proceso diagnstico, segn la epidemiologa clnica, es un proceso de
estimacin probabilstica. La recoleccin de datos (sntomas, signos, pruebas
diagnsticas), termina en una expresin probabilstica que estima la probabilidad
de que un paciente determinado, tenga la enfermedad (E), y se encuentra entre
0 (certeza absoluta ausencia de enfermedad) y 1 (certeza absoluta de su
presencia) (Figura 1). La medicina no es una ciencia exacta por ello los mdicos
rara vez pueden predecir un resultado con absoluta certeza. La incertidumbre
acompaa tanto el proceso diagnstico como teraputico y el modo de
cuantificar esta incertidumbre es mediante las probabilidades. No todos los
pacientes con glucemia elevada son diabticos, ni una sangre oculta positiva en
heces significa con seguridad un cncer de colon (11, 12).

0
__________________________1
P (E)

Figura1. El diagnstico, una estimacin probabilstica de enfermedad.

Hay dos maneras principales de entender el concepto de probabilidad (13):
Frecuentista (objetiva): la probabilidad de ocurrencia de un suceso, puede
definirse como la proporcin de veces (frecuencia relativa) que ocurrira
dicho suceso si se repitiese un experimento o una observacin en un nmero
grande de ocasiones bajo condiciones similares. Si por ejemplo, de cada
1000 personas de 60 aos 50 desarrollan cncer gstrico. La probabilidad de
este cncer en esta poblacin es: 50/1000: 0.05 :5%

Bayesiano (subjetivo): refleja el grado de certeza que se posee sobre un

suceso. Es personal. Cuando un individuo llega a nuestra consulta, tenemos
una idea a priori sobre la probabilidad de que tenga una enfermedad (Nos
ayudamos de la incidencia o prevalencia). Una vez se aplica una prueba

Residentado Mdico Epidemiologa Clnica

 diagnstica, nos aportar una nueva informacin. La misma prueba ha sido
evaluada con anterioridad en sanos y enfermos. As, de modo frecuentista
se ha estimado sensibilidad (verdaderos enfermos) y especificidad
(verdaderos sanos). En funcin del nuevo resultado tenemos una nueva idea
(a posteriori) sobre la probabilidad de que est enfermo. Nuestra opinin a
priori ha sido modificada por el resultado de un experimento (con ayuda de
los ndices predictivos, a travs del teorema de Bayes).

La inferencia bayesiana es de gran utilidad en la valoracin de pruebas

diagnsticas en la toma de decisiones clnicas dentro del proceso del diagnstico
clnico, y regresaremos a l posteriormente.

Las pruebas diagnsticas se aplican para aumentar el conocimiento sobre la

probabilidad de una enfermedad en el paciente, pero es imprescindible conocer
cmo vara esa probabilidad a medida que se adquiere mayor informacin y ello
va ligado a un principio bsico: la interpretacin de cualquier resultado de una
prueba diagnstica depende de la probabilidad de la enfermedad antes de
realizar las pruebas, es decir la probabilidad a priori o probabilidad pre-prueba o
previa.

Probabilidad pre-prueba (14)

La probabilidad de presentar la enfermedad antes del examen se llama
probabilidad pre-prueba o probabilidad pre-examen. Si un individuo es totalmente
asintomtico para alguna enfermedad, la probabilidad pre-prueba es igual a la
prevalencia de la condicin en la poblacin (Prevalencia poblacional). Pero, si es
un individuo que se presenta con una dolencia, la probabilidad pre- examen ser
dada por cada uno de los apartes de la historia clnica y del examen fsico; cada
dato ser una prueba diagnstica que aumentar o disminuir la probabilidad de
un trastorno objetivo.

Residentado Mdico Epidemiologa Clnica

A la hora de estimar la probabilidad de una enfermedad, la experiencia personal
es la que ms influye, pero tambin depende de la experiencia publicada y de las
caractersticas particulares de cada paciente.

Experiencia personal
Los clnicos usamos fundamentalmente la experiencia previa con similares eventos
para estimar la probabilidad. A continuacin se mencionan los procesos cognitivos
desde otra ptica y los errores ms importantes que podemos cometer cuando
utilizamos nuestra experiencia personal.

Representatividad
La probabilidad de una enfermedad se calcula por la semejanza entre el paciente
de la consulta y un grupo tpico de pacientes, aquellos que presentan las
caractersticas clsicas, que definen la enfermedad en cuestin. Generalmente,
cuando son similares, se les asignar una probabilidad alta de la enfermedad.
Este proceso mental puede estar sujeto a errores por los siguientes motivos:

Cuando la enfermedad es muy rara, se sobrevalora la probabilidad de la

enfermedad por la coincidencia de los sntomas, pero se olvida de entrada
que es una enfermedad muy poco frecuente. Por ejemplo, pensar en
esquistosomiasis en un paciente con hipertensin portal preheptica,
olvidando que en nuestro medio es una enfermedad con baja prevalencia.
Comparar al paciente con una experiencia pobre y poco representativa de
la enfermedad, porque en muchos casos la presentacin de la enfermedad
puede ser atpica. Por ejemplo, si solo se han visto dos casos de enfermedad
de Crohn, no se puede esperar gran concordancia entre el paciente actual
y la experiencia previa, ya que esta enfermedad se puede expresar de
diferentes formas.

Residentado Mdico Epidemiologa Clnica

 Se usan claves clnicas que no predicen acertadamente la severidad de la
enfermedad. Severidad de la ictericia en un paciente con hepatitis y no los
cambios mentales o la alteracin en los tiempos de coagulacin.

Presencia de predictores redundantes. Si un conjunto de sntomas casi

siempre aparecen juntos, no se debe asignar ms probabilidad a un
diagnstico por cada uno de estos signos o sntomas que aparezcan. Por
ejemplo, se sobrestima la probabilidad de lcera duodenal en un paciente
con dolor abdominal que calma con anticidos, con las comidas o con
leche. Son sntomas redundantes, reflejando nicamente la neutralizacin
del cido.

Utilizar la regresin a la media errneamente como evidencia diagnstica.

La regresin a la media es el fenmeno por el cual determinaciones
extremas (muy altas o muy bajas) en un principio, tienden a no ser tan
extremas (ms parecidas a la media o al promedio) en una segunda
determinacin. Por ello, puede ser conveniente repetir las pruebas antes de
un diagnstico. La elevacin mnima de las aminotransferasas en una
valoracin inicial, con normalidad en un segundo examen.

Disponibilidad
La probabilidad de una enfermedad se estima por la facilidad con que se
recuerdan eventos similares. Los hechos ms frecuentes se recuerdan mucho ms
fcilmente que los infrecuentes. Pero los factores emocionales pueden
errneamente desorientarnos en la estimacin de la probabilidad de enfermedad:
Los casos ms raros o con desenlaces traumticos se recuerdan con ms
facilidad. El diagnstico de porfiria en un paciente con dolor abdominal,
sobrestimar esa probabilidad en los prximos pacientes que consulten por
dolor abdominal.

Residentado Mdico Epidemiologa Clnica

 Las consecuencias que tuvo para el mdico pueden influenciar su
recuerdo.

La proximidad en el tiempo favorece el re-cuerdo.

Anclaje y ajuste
Se parte de una probabilidad inicial de enfermedad (probabilidad de anclaje) y se
va ajustando segn se van conociendo caractersticas del paciente, de acuerdo
con el peso subjetivo de los resultados positivos o negativos. Por ejemplo, acude a
la consulta un paciente de 35 aos, ansioso, con alteracin del hbito intestinal y
sin prdida de peso. Se le asigna una probabilidad de anclaje de cncer de colon
de 5%. Sin embargo, en la historia clnica, tiene un hermano con cncer de colon
a los 30 aos, el ajuste, la probabilidad de que presente esta patologa asciende
sustancialmente.

Las equivocaciones pueden presentarse por:

Se establece la probabilidad de anclaje incorrectamente, porque
generalmente las probabilidades de inicio suelen ser muy extremas, o muy
bajas (cercanas a 0) o muy altas (cercanas a 1).
No se ajustan bien las probabilidades, conforme se adquiere ms
informacin. Se tiende a ser muy conservador en el juicio final, realizando
ms pruebas diagnsticas de las necesarias.

Otras fuentes de datos (14)

Los datos de la bibliografa son el segundo punto de referencia para estimar
probabilidades pre-prueba, ya que aportan informacin sobre la incidencia y
prevalencia de las enfermedades y son puntos de partida tiles (probabilidad de
anclaje). Sin embargo, pueden tener errores. Tal vez el ms importante es el sesgo
de seleccin. La mayora de los estudios son realizados en centros de referencia
(donde ms investigacin se realiza) y no son representativos de las diferentes

Residentado Mdico Epidemiologa Clnica

condiciones que llevan a los pacientes a buscar atencin mdica en nuestro
medio, teniendo mayores probabilidades de presentar la enfermedad en cuestin.
A veces, deben tenerse en cuenta caractersticas especiales de los pacientes al
calcular la probabilidad de una enfermedad, porque pueden ser importantes,
pero que por su rareza no se encuentran en la literatura. Un hombre joven de 30
aos, con sntomas disppticos y antecedente familiar de cncer gstrico (2
hermanos). Es tan raro, que en la literatura tiene ms inters el factor ambiental que
el gentico en el cncer gstrico, pero el sentido comn nos dice que esta historia
debe modificar nuestro juicio sobre la probabilidad de enfermedad.

Razonamiento diagnstico bayesiano

Los procesos cognitivos, de acuerdo a lo expuesto previamente, siguen tres
modelos: Modelo Algortmico (representatividad y disponibilidad), Modelo lineal de
anclaje y ajuste y el Modelo Bayesiano (15).

Dentro del proceso diagnstico, la epidemiologa retoma la tcnica del anclaje y

ajuste, lo surte de un razonamiento matemtico y fundamentndose en el
razonamiento probabilstico, mejora la calidad del diagnstico a travs de un
proceso sistemtico.

Este razonamiento se fundamenta en un teorema fascinante, el de las

probabilidades condicionales (la probabilidad de que un suceso tenga lugar
depende de que otro suceso se haya o no producido con anterioridad), postulado
por el reverendo Thomas Bayes (1702-1761), de all su nombre, modelo bayesiano,
muy til para la valoracin de pruebas diagnsticas, ya sea para la toma de
decisiones clnicas o para evaluar la pertinencia de programas de tamizaje. El
teorema de Bayes permite el clculo de la probabilidad de que un paciente
presente una determinada enfermedad una vez dados unos sntomas concretos.
La capacidad predictiva de un test o de una prueba diagnstica suele venir dada
en trminos de su sensibilidad y su especificidad. Tanto la sensibilidad como la

Residentado Mdico Epidemiologa Clnica

especificidad son propiedades intrnsecas a la prueba diagnstica, y definen su
validez independientemente de cul sea la prevalencia de la enfermedad en la
poblacin a la cual se aplica. Sin embargo, carecen de utilidad en la prctica
clnica, ya que solo proporcionan informacin acerca de la probabilidad de
obtener un resultado concreto (positivo o negativo) en funcin de si un paciente
est realmente enfermo o no. Por el contrario, el concepto de valores predictivos,
a pesar de ser de enorme utilidad a la hora de tomar decisiones y transmitir
informacin sobre diagnstico, presenta la limitacin de que depende en gran
medida de lo frecuente que sea la enfermedad a diagnosticar en la poblacin
objeto de estudio. El teorema de Bayes permite obtener el valor predictivo
asociado a un test al aplicarlo en poblaciones con ndices de prevalencia muy
diferentes, a travs de la razn de probabilidades o de verosimilitud, es decir la
probabilidad de que se produzca un suceso bajo diferentes hiptesis, conceptos
que abordaremos posteriormente (13, 16).

As, se transforma o modifica la probabilidad a priori, (P[E]), de padecer la

enfermedad (representada por la prevalencia) en la probabilidad a posteriori
(valor predictivo), una vez observado el resultado (positivo) de la prueba
diagnstica, mediante una multiplicacin proporcional a las verosimilitudes.
Al admitir un manejo subjetivo de la probabilidad, el analista bayesiano podr
emitir juicios de probabilidad sobre una hiptesis H y expresar por esa va su grado
de conviccin al respecto, tanto antes como despus de haber observado los
datos.

Esta manera de razonar de la inferencia bayesiana radicalmente diferente de la

inferencia clsica o frecuentista (que descarta toda informacin previa de la
realidad que examina), es muy cercana al modo del proceder cotidiano e
inductivo de los mdicos. No tiene como finalidad producir conclusiones
dicotmicas (aceptacin o rechazo, significacin o no significacin) sino que
cualquier informacin emprica, combinada con el conocimiento que se tenga del

Residentado Mdico Epidemiologa Clnica

problema que se estudia, actualiza dicho conocimiento y la trascendencia de
dicha visin no depende de una regla mecnica (17).

Los mtodos bayesianos han sido cuestionados por ser subjetivos, por incorporar las
creencias o expectativas personales del investigador y ser caldo de cultivo para la
manipulacin, pero el enfoque frecuentista no est sujeto a las decisiones
subjetivas (nivel de significacin, una o dos colas, importancia clnica de las
diferencias), y adems, la subjetividad (diferente de la arbitrariedad y capricho) es
inevitable, especialmente en un marco de incertidumbre como en el que operan
las ciencias biolgicas y sociales (18).

Aunque las bases del pensamiento bayesiano datan de ms de dos siglos,

probablemente la disponibilidad de clculo computarizado facilite su
incorporacin creciente en el mbito cientfico.

Lamentablemente, la enseanza del razonamiento bayesiano, es difcil

incorporarla en la prctica. Algunos sugieren (19), que el razonamiento inferencial
del ser humano se desva sistemticamente del razonamiento inferencial
bayesiano. Eddy, realiz un experimento clsico. Solicit a un grupo de mdicos
que estimaran la probabilidad de una mujer con mamograma positivo y posibilidad
de cncer de seno, teniendo en cuenta los siguientes datos: la prevalencia de
cncer de seno en esa poblacin es de 1%, la probabilidad de una mujer sometida
a mamografa con cncer de seno y que d un resultado positivo es de 80% y sin
tener cncer la probabilidad de que de un resultado positivo es de 10%. 95 de cada
100 mdicos estimaron una probabilidad de 70%-80% en esta paciente de tener
cncer de seno con un mamograma positivo, mientras que la reglas de Bayes,
estiman la probabilidad en 7.5%. Esta desviacin del razonamiento bayesiano ha
sido llamada ilusiones cognitivas anlogas a las ilusiones visuales.

Residentado Mdico Epidemiologa Clnica

Gigerenzer, propuso que el razonamiento bayesiano es ms simple cuando es
representado en frecuencias naturales y no como probabilidades, porcentajes o
frecuencias relativas, y que este formato parece corresponder ms al formato de
informacin humano (15, 20,21).

En el ejemplo clsico de mamografa y cncer de seno, revisaremos cmo las

frecuencias naturales facilitan el razonamiento bayesiano.

La informacin planteada previamente en trmino de probabilidades es:

Riesgo basal de cncer de seno es: p (cncer): 0.01.

Pacientes con cncer de seno y con mamografa positiva p (positivo | cncer):

0.8
Los falsos negativos p (positivo | no cncer) son: 0.1 La tarea es estimar la
probabilidad posterior: p (cncer | positivo).
Teorema de Bayes: probabilidad posterior
p (cncer | positivo: p (cncer) p (positivo|cncer)
p (cncer) p (positivo|cncer)
+ p (no cncer) p (positivo|no
cncer)
: 0.01 * 0.80 / (0.1 * 0.80) +
(0.99 * 0.1)
: 0.075

Frecuencias naturales
Selecciona una poblacin hipottica suficientemente grande (1000 o 10.000) y la
multiplica por la probabilidad basal de cncer de seno de la paciente.
10 de cada 1000 mujeres sometidas a mamografa tienen cncer de seno.
8 de cada 10 mujeres con cncer de seno quienes son sometidas a mamografa
tienen cncer de seno.

Residentado Mdico Epidemiologa Clnica

99 de cada 990 mujeres sin cncer de seno quienes son sometidas a mamografa
tienen un resultado positivo.
Una mujer de esta poblacin que tenga una mamografa positiva, cul es la
probabilidad que tenga cncer de seno?
Hay 8 mujeres con test positivo y cncer (P & C) y 99 (test positivo y no cncer). La
proporcin de mujeres con cncer de seno y test positivo es 8 de 107 (8+99).
Expresado en probabilidades sera:
p (cncer | positivo): # (P & C) / # P
: 8 / 107
: 0.075
As, los clculos bayesianos son ms simples cuando son expresados como
frecuencias naturales que con el formato de probabilidades (22). La probabilidad
de cncer de seno en esa poblacin, con un test positivo aumenta de 1% a 7.5 %.

Conclusin
Con estos elementos conceptuales, en la segunda parte abordaremos el proceso
de diagnstico de acuerdo con el siguiente esquema de razonamiento clnico (23):
1. Investigacin del sntoma principal
2. Seleccin del orden de las pruebas diagnsticas
3. Integracin de los datos clnicos con los resultados de las pruebas
4. Estimacin del riesgo beneficio
5. Determinacin de las preferencias del paciente y desarrollo del plan
teraputico

Referencias
1. Patio G. O. El diagnstico clnico: ms y ms informacin vs. anlisis. Rev Med
Risaralda 2003; 9(1): 1-4.
2. Fetcher S. Clinical Decisin making: Aproach to the patient. In Goldman: Cecil
Textbook of Medicine. 21st. Ed. 2000: 77-80. [ Links ]

Residentado Mdico Epidemiologa Clnica

3. Goic A. Fuentes de error en clnica. Rev Md Chile Chile 2001; 129:1459-1462.
4. Barrios O. I. Pensamiento Mdico y tica clnica contempornea. En
www.mercaba.org/fichas/biotica/pensamiento. Consultado el 2 de Septiembre
del 2004. [ Links ]
5. Feinstein A. Clinical Judgment Revisited. The distraction of Quantitative Models.
Ann Intern Med 1994;120:799-805. [ Links ]
6. Ilizastigui D. F. El mtodo clnico: Muerte y Resurreccin. Rev Cubana Educ Med
Super. 2000;14:2220-2211. [ Links ]
7. Pea Martnez J.L. El Enfoque por Problemas en la Sistematizacin de la Practica
Clnica y en la Formacin Mdica. Ed. UIS. 1998. Cp. 4 y 6. [ Links ]
8. Bermejo Fraile B. Epidemiologa Clnica aplicada a la toma de decisiones.
Pamplona Espaa. 2001. en www.cfnavarra.es/publicaciones. Consultado el 2
septiembre 2004. [ Links ]
9. Kassirer J,P. Diagnostic Reasoning. Ann Intern Med. 1989;110:893-900 [ Links ]
10. Pita Fernndez, S. Como se interpretan los estudios Mdicos: Cuantificacin del
riesgo e incertidumbre. 2003. en www.fisterra.com. Consultado
27/08/2004 [ Links ]
11. Pita Fernndez, S. Prtegas Daz, S. Pruebas Diagnsticas. Cad Atenc Primaria
2003;10:120-124. [ Links ]
12. Cantage C. Epidemiologa clnica y toma de decisiones en Medicina Familiar.
www.familymed.com.ar. Consultado 27/08/2004. [ Links ]
13. Prtegas Daz; S. Pita Fernndez S. Clculo de probabilidades: Nociones bsicas.
Actualizacin 28/06/2004. en www.fisterra.com. Consultado 27/08/2004.
14. Sox H. C., Batt M., Higgins M. C, Marton K. Medical Decision Making . Butterworths.
1987. Cap. Three and four. [ Links ]
15. Echeverri J. Definiendo quien pudiera estar enfermo. Propedutica del Proceso
Diagnstico. Revista Colombiana de Neumologa 2003;15(3):1-18 en
www.encolombia.com/neumologa. [ Links ]
16. Silva L.C., Benavides A. El enfoque bayesiano: otra forma de inferir. Gac San
2001;15(4):341-346. [ Links ]

Residentado Mdico Epidemiologa Clnica

17. Silva LC. Que es la inferencial Bayesiana. JANO 2000; 58: 65-66. [ Links ]
18. Bland JM, Altman. Bayesians and frequentist. BMJ 1998; 317: 1151-1160. [ Links ]
19. Hofrage U., Gigerenzer G. Using natural frequencies to improve diagnostic
inferences. Academic Medicine 1998; 73:538-548. [ Links ]
20. Gigerenzer G., Hoffrage U. Overcoming difficulties in Bayesian Reassoning.
Psychological review 1999;106:425-430. [ Links ]
21. KrauuB S., MartignonL, Hoffrage U. Simplifying Bayesian Inference. Conference
on Model-Based reasoning in Scientific Discovery. 1998. in www.mpib-
berlin.mpg.de. Consultado en 27/08/2004. [ Links ]
22. Sedlmeier P., Gigerenzer G. Teaching Bayesian Reasoning in less than two hours.
Journal Experimental Psychology: General. 2001; 130(3):380-400 [ Links ]
23. Goldman L. Aspectos cuantitativos del Razonamiento Clnico. En Introduccin a
la medicina Clnica. Harrison: Principios de Medicina Interna. Undcima Edicin.
1987: 6-13. [ Links ]
Asociacin Colombiana de Gastroenterologa
Revista Colombiana de Gastroenterologa
Carrera 19C No. 86-14 Oficina 203, Bogot, D.C. Colombia
Telfono: 6169950 - 6168315
Fax: 6162376

revistagastro@cable.net.co

Residentado Mdico Epidemiologa Clnica