Documentos de Académico
Documentos de Profesional
Documentos de Cultura
decisiones en
medicina clnica
2a edicin
2008
Juan Moreira
Centro de Epidemiologa Comunitaria y Medicina Tropical
Esmeraldas, Ecuador
Zeno Bisoffi
Centro para las Enfermedades Tropicales, Hospital Sacrocuore
Negrar,Verona, Italia
Una publicacin de:
ISBN: 978-9978-92-653-6
N de ejemplares: 2000
Disponible en:
www.saluddealtura.com
Tabla de contenidos
Los autores v
Agradecimiento ix
Lxico xii
Presentacin xii
INTRODUCCIN 1
consideraciones previas 1
el grado de certeza de un diagnostico 2
los umbrales 4
los argumentos 5
el anlisis complejo 8
conclusin 11
LOS UMBRALES 13
introduccin 13
umbral de decisin 13
factores que afectan el umbral 15
tratar o seguir investigando 19
algunos ejemplos para comprender mejor 26
conclusin 27
EL PODER DE UN ARGUMENTO 35
introduccin 35
definicin del poder 35
simetra entre poderes de confirmacin y de exclusin 43
patognomnico 45
los determinantes de la fuerza 45
iii
EL PANORAMA: ANLISIS DE RAZONAMIENTO CLNICO COMPLEJO 65
introduccin 65
las leyes 68
el inventario de datos 70
la construccin del panorama 72
ejemplo de panoramas 76
conclusin 82
iv
Los Autores
Jef Van den Ende MD. PhD.
Mdico internista belga, nacido en 1949. Hizo sus estudios de medicina y
de especialidad en la Universidad Catlica de Leuven, Blgica.
Ha desarrollado gran parte de su carrera en pases en desarrollo. Desde
1976 hasta 1982 trabaj para Medicus Mundi en el distrito de Dungu en la
Repblica Democrtica del Congo (ex - Zaire). Desde el 2000 hasta el
2002 estuvo a cargo de la coordinacin docente en el Hospital
Universitario de Kigali, en Rwanda. Ha colaborado intensamente en pro-
yectos en Amrica Latina, especialmente en Ecuador y Bolivia.
Es profesor de patologa tropical y analtica en el Instituto de Medicina Tropical de Amberes,
Blgica. Actualmente es jefe del Departamento de Ciencias Clnicas en el mismo Instituto.
Hizo su doctorado sobre malaria de importacin. Desde hace 20 aos ha dedicado gran parte
de su carrera a la epidemiologa clnica en enfermedades tropicales, a la inteligencia artificial y a
la enseanza interactiva con el uso de programas de computadora. Es el creador del programa
Kabisa para la enseanza del anlisis de decisiones clnicas.
Ha realizado varias publicaciones internacionales, principalmente relacionadas con la clnica de la
malaria, malaria de importacin, sndrome hipereosinoflico, esplenomegalia tropical y anlisis de
decisiones clnicas. Adems es revisor de las revistas Tropical Medicine & International Health y
Medical Decision Making.
Es tambin pianista clsico, ganador de varios premios en Blgica. Habla 8 idiomas, entre ellos el
espaol.
Est casado con Marijs y tiene tres hijos: Klara, Bram y Peter.
vi
Autores
vii
Agradecimientos:
Los autores agradecen a todas las personas que a lo largo de estos aos
han colaborado para el desarrollo de esta propuesta. En la elaboracin del
texto han contribuido Serge Bertschy y Fons Van Gompel. En el aporte de
ideas y conceptos han contribuido Bettina Bisig, Hugo Van Puymbroeck,
Bruno Dujardin, Patrick Van der Stuyft, Marleen Boelaert, Frank Haegeman
y Paulin Basinga. La implementacin de los cursos e investigaciones en
Amrica Latina estuvo apoyada al inicio por el equipo tcnico del Proyecto
APS en Ecuador, de manera especial por Jos Castro, Leo Reyntjens y
Pierre De Paepe. En Bolivia por Jan Coenen, Marjan Pirard y Faustino
Torrico. Tambin agradecemos a Louis Vermeulen que, desde Amberes, se
ha ocupado de la accesibilidad del Programa Kabisa para los estudiantes de
todo el mundo y a las dems personas que han trabajado en la concep-
cin y el proceso de desarrollo de esta herramienta de tanta utilidad para
los cursos.
ix
LEXICO
xi
Presentacin1
La teora de la toma de decisiones clnicas brinda una respuesta a esta situacin, y per-
mite manejar casos complejos con el grado de certeza requerido en cada uno.
Este manual es una herramienta para entender la teora de la toma de decisiones cl-
nicas y de manera progresiva adentrarse en cada uno de sus conceptos bsicos. Parte
de la relacin entre los argumentos, que pueden ser signos o sntomas, resultados de
laboratorio o de imgenes, y los posibles diagnsticos, con criterios de exclusin y de
confirmacin. Contrariamente a la opinin generalizada, muchas veces es ms impor-
tante excluir ciertos diagnsticos que llegar a la certeza absoluta del diagnstico final.
En un nio con fiebre alta sbita, excluir una meningitis, una neumona, un cuadro de
malaria, una otitis, puede ser ms importante que confirmar la naturaleza de un cuadro
viral mal definido, que se resolver en pocos das.
Los autores exponen con claridad los diferentes modelos de toma de decisiones. Nos
recuerdan que no es necesario llegar a certezas absolutas para actuar. Esto se hace evi-
dente al revisar el modelo de umbrales: tomamos decisiones cuando superamos un
punto a partir del cual el problema est suficientemente definido para actuar. Pero tam-
bin, es necesario reconocer las situaciones en las que se puede esperar, sin correr ries-
gos El arte de no intervenir innecesariamente es posiblemente uno de los mayores
desafos para el mdico.
Las escalas de probabilidad permiten estimar, de manera intuitiva, pero con un respaldo de
un modelo matemtico riguroso, la probabilidad de que una persona determinada tenga una
1
Este manual es una versin revisada de una edicin inicial que se realiz en el marco del Proyecto CECOMET en
Esmeraldas en los aos 90, con un enfoque menos centrado en enfermedades tropicales, y ms en enfermedades comu-
nes en climas templados. Los principios bsicos se pueden aprender en un curso introductorio de unas 20 horas, aun-
que el doble de tiempo es aconsejable para llegar a un entendimiento ms a profundidad. Va acompaado de un CD-
ROM con ejercicios prcticos que se pueden realizar en casa (KABISA).
xiii
cierta afeccin o enfermedad (la que tambin se llama la probabilidad a priori), para des-
pus de aplicar una serie de argumentos, poder confirmar o descartarla.
Finalmente, estn los panoramas diagnsticos, que permiten integrar y aplicar los con-
ceptos anteriores en una toma de decisiones clnica aplicada a la vida real. En un primer
crculo estn aquellos posibles diagnsticos urgentes, graves y tratables, mientras que
otros diagnsticos, aunque ms comunes, estn en crculos ms lejanos.
Las ventajas del mtodo son numerosas, y el profesional que lo maneja bien termina
por intuir, como un sexto sentido, cuales son las probabilidades 'a priori' de cierto diag-
nstico en grupos determinados de sexo y de edad, se dar cuenta de la fuerza de un
argumento en un contexto determinado. Sabr que la probabilidad de que una prueba
ELISA positiva en una persona con conducta sexual de riesgo, con prdida de peso y
diarrea persistente, signifique VIH es altsima; mientras que la misma prueba en un
screening de una poblacin de bajo riesgo tendr ms falsos que verdaderos positivos.
Utilizar de manera espontnea los panoramas diagnsticos: en un nio con fiebre alta,
querr descartar de manera inmediata una meningitis, una neumona, un episodio de
malaria o una otitis media; en un recin nacido con vmito persistente, querr descar-
tar una hipertrofia del ploro, un proceso infeccioso o una invaginacin intestinal. Este
esquema de pensamiento a su vez llevar de manera inevitable a una exigencia mayor
en hacer las preguntas correctas, buscar el signo preciso, pedir el examen que permite
diferenciar entre una y otra patologa.
Las ventajas no se limitan al mbito clnico, sino que permiten una organizacin de los
servicios ms efectiva, orientada a las necesidades de cada situacin y paciente en gene-
ral. Permiten forjar una prctica mdica ms tica y racional, eliminando algunos sesgos
del mercado, demasiado expuesto a intereses comerciales.Tambin llevan los estndares
de exigencia cientfica: las normas y protocolos nacionales debern no solamente basar-
se en evidencias cientficas, pero responder tambin a criterios de costo-efectividad.
La aplicacin del mtodo requiere no solamente de una capacitacin inicial, que la debe-
ran incluir todas las universidades en su pregrado de medicina, como parte de la for-
macin de base. Tambin requiere de un adiestramiento continuo, mediante su aplica-
cin en la prctica diaria, con crculos de estudio y procesos de capacitacin continua.
La toma de decisiones clnicas se debera complementar con otros enfoques, entre los
cuales estn: la medicina basada en evidencias, el uso de protocolos, el uso racional de
medicamentos y la relacin mdico-paciente. Aunque los enfoques son distintos, y pue-
den parecer a primera vista contradictorios, en los hechos no lo son. El uso de proto-
colos y normas permite establecer las reglas del juego mnimas, mientras que la toma
de decisiones permite llegar a la excelencia y afinar cada vez ms el juicio clnico. La
medicina seguir siendo un arte, tanto como una ciencia.Y con un manejo adecuado de
la toma de decisiones clnicas, podremos contar con artistas ms cientficos, que mane-
jen las destrezas del manejo racional de las incertidumbres.
Johan Herteleer
Mdico Familiar y Co-director Proyecto Salud de Altura
Quito, 30 de septiembre de 2008
xiv
1 Introduccion
Consideraciones previas
El mdico es un cientfico que posee un gran conocimiento bibliogrfico, pero, parad-
jicamente, no es gracias a este conocimiento que adquiere su prestigio. Este ms bien
es consecuencia de la pertinencia de sus decisiones. Estas decisiones conciernen a la
salud, el bienestar y la vida de sus pacientes. Son finalmente ellos quienes juzgan sobre
la calidad del mdico en funcin de la satisfaccin alcanzada.
Tranquilizar a una mujer que presenta un ndulo del seno luego de haber excluido un
tumor mamario maligno, confirmar un diagnstico de neumona, prescribir el delicado
tratamiento para una colagenopata, ordenar una cesrea en un sufrimiento fetal pro-
longado con el objetivo de proteger al nio que est por nacer, pedir una tomografa
en un paciente que no podra asumir el costo.Todos estos son ejemplos de decisiones
con las cuales un mdico est confrontado cada da.
Cul es la base lgica de razonamiento que nos permite elaborar diagnsticos? Cul
es la lgica que nos permite justificar nuestras decisiones y en ciertos casos ponernos
al abrigo de crticas por parte de la sociedad? Cul es la parte de intuicin y de expe-
riencia subjetiva que rige nuestra actitud diagnstica?
Tuvo razn el mdico de no investigar ms?, por otro lado tendr, de ahora en ade-
lante, esta experiencia un peso particular cada vez que reciba un paciente febril?
1
de esputo que no muestran BAAR, ni radiografas que muestren cavernas y que, pese
a ello, tienen tuberculosis pulmonar.(1-3) Estos casos atpicos plantean problemas de
decisiones que todo mdico tendra que saber como enfrentar.(4)
De ahora en adelante vamos a llamar argumentos a todos los elementos que son ti-
les para un diagnstico: edad, sexo, factores de riesgo, sntomas, signos, resultados de
laboratorio e imgenes. En este caso los argumentos que nos permiten avanzar hacia
la certeza de nuestro diagnstico de SIDA son: edad joven, diarrea crnica, adelgaza-
miento, prurito, adenopatas, candidiasis, leucopenia y el test VIH. Desde una probabili-
dad muy inverosmil hasta la certeza casi absoluta, pasamos por ciertos grados de cer-
teza que podran ser calificados con adjetivos.(Figura 1.1) En nuestro caso podemos
decir que, solo con el argumento de la edad, este paciente tena una probabilidad cer-
cana a 0% de estar enfermo de SIDA; la edad y la diarrea crnica, luego la fiebre y el
adelgazamiento nos hacen avanzar en la escala de certeza; los exmenes hematolgi-
cos y serolgicos permiten afirmar con certeza el diagnstico de SIDA, llegando final-
mente a una probabilidad cercana al 100%.
2
Introduccin
Sin embargo encontrar una correspondencia precisa entre un concepto y una cifra es
muy difcil. Si pedimos a algunos mdicos que califiquen con adjetivos las probabilida-
des expresadas en porcentajes las respuestas van a ser muy diferentes. Para algunos
decir poco probable corresponder a una probabilidad de 30%, mientras que para
otros corresponder a una probabilidad del 1%. Por esta razn en lo que sigue del
texto no continuamos con categoras fijas, puesto que ellas difieren mucho entre las
personas, sin embargo trataremos de hacer que las probabilidades matemticas sean
fcilmente comprensibles.
En la figura 1.2 vemos una serie de argumentos que representan la evolucin del valor
de la probabilidad del diagnstico de SIDA sobre una escala de certeza: cada argumen-
to anamnsico, clnico o paraclnico suplementario acta sobre el valor de esta proba-
bilidad; sin embargo, un solo argumento (por ejemplo el test serolgico rpido para
VIH) tiene un valor relativo y, por s solo, no es suficiente para alcanzar un nivel de cer-
teza absoluto.
3
El punto de partida en la sala de espera
Todo paciente que est en la sala de espera de nuestro consultorio es sospechoso de
padecer algn problema de salud. Cuando vemos a todos los pacientes que estn all
sentados identificaremos a algunos que ya conocemos previamente: son aquellos que
vienen para un seguimiento o estn siendo investigados para conocer mejor la causa
del problema. En estos pacientes conocidos ya tenemos una idea de cul es la proba-
bilidad del problema que les aqueja; sin embargo hay otros a quienes nunca antes
hemos visto. Estos pacientes desconocidos tambin son sospechosos de tener alguna
enfermedad, an si no conocemos nada de ellos. Por algo estn en la sala de espera.
Si somos mdicos generales la mayor parte de los pacientes tendrn una infeccin res-
piratoria o una infeccin de vas urinarias, si somos neumlogos la mayor parte ten-
drn un EPOC. La primera pregunta de anamnesis que haremos tiene que ser aadi-
da a esta probabilidad inicial o sospecha. Si no lo hacemos todo el resto de nuestro
razonamiento estar equivocado.
Los umbrales
Qu grado de certeza debemos alcanzar para anunciar a un paciente que tiene lepra
cuando esta enfermedad es an considerada como una maldicin? Cundo ordena-
remos una pielografa ascendente en un paciente con una hidronefrosis? sabiendo que
dicho examen podra provocar una sepsis, o que podra hacerse una perforacin del
urter Cundo tenemos argumentos suficientes para comenzar un tratamiento de
una neumona con una fluoroquinolona de tercera generacin, conociendo que el
costo de un tratamiento de 10 das podra llegar a ser de ms de 100 dlares? Cundo
podemos tranquilizar a un paciente que tiene un test VIH positivo y decirle que no era
ms que un falso positivo?
Toda hiptesis diagnstica tiene una cierta probabilidad de ser la patologa que sufre
nuestro paciente: los argumentos investigados van a aumentar esta probabilidad si son
positivos, pero no permiten (o muy rara vez) alcanzar una certeza absoluta. Por eso es
necesario conocer donde est el umbral que tenemos que sobrepasar para iniciar
cualquier tipo de accin mdica (umbral de accin). As mismo, si los argumentos son
negativos, estos van a disminuir nuestra certeza frente a la hiptesis. Sin embargo es
necesario conocer dnde se encuentra el umbral que nos permita abandonar dicha
hiptesis (umbral de exclusin). Mientras nuestro grado de certeza no haya alcanza-
do el valor de cualquiera de estos dos umbrales, debemos continuar investigando argu-
mentos suplementarios o utilizar la evolucin en el tiempo como un argumento suple-
mentario (Figura 1.3). (5; 6)
4
Introduccin
Los dos umbrales, de accin y de exclusin subdividen la certeza en tres campos: el campo
de accin, el campo de investigacin y el campo de exclusin.
Los argumentos
Confirmar un diagnstico
Las adenopatas pueden ser causadas por un gran nmero de patologas mientras que
una candidiasis bucal en un adulto joven es ms especfica que el diagnstico de SIDA.
Podemos entonces subdividir los argumentos en funcin de su fuerza: argumentos
dbiles, argumentos buenos, argumentos fuertes y argumentos muy fuertes, estos lti-
mos por s solos nos permitirn subir mucho en la escala de certeza (Fig. 1.4).
5
Figura 1.4 Escala de certeza con la fuerza de los argumentos
Excluir un diagnstico
Varias preguntas pueden ser hechas:
6
Introduccin
Asimetra de un argumento
Si la presencia de un argumento tiene un fuerte poder de confirmacin, tiene nece-
sariamente su ausencia un fuerte poder de exclusin? Las fuerzas de confirmacin y
de exclusin de un argumento pueden ser asimtricas. Por ejemplo, si encontramos
un clculo en una ecografa renal el diagnstico de litiasis es indudable, pero qu pasa
si la ecografa renal est normal? Podemos, con este dato, excluir una litiasis?; por otro
lado, la presencia de fiebre contribuye un poco a pensar en el diagnstico de colecis-
titis, pero qu pasara si el paciente no tuviera fiebre?, podramos excluir una colecis-
titis?
La fuerza de exclusin de un diagnstico ser por el contrario mxima para los argu-
mentos indispensables en la definicin de caso, cuando estos estn ausentes: la ausen-
cia de hiperglicemia en un nio comatoso que antes se encontraba en buen estado de
salud excluye el diagnstico de diabetes, as mismo la ausencia de hipotensin excluye
un choque hipovolmico. Entre estas dos clases extremas se encuentran los argumen-
tos que son encontrados con ms frecuencia y que tienen variable poder de confirma-
cin y de exclusin de los diagnsticos: la presencia de palidez en una paciente que se
queja de fatiga crnica es, por ejemplo, un buen argumento de una carencia de hierro,
su ausencia, por el contrario, no tiene prcticamente ninguna fuerza de exclusin de
dicho diagnstico.
7
El anlisis complejo
Las diferentes estrategias diagnsticas
Al principio de su obra de epidemiologa clnica el profesor Sackett cita cuatro estra-
tegias principales que son utilizadas regularmente por los mdicos, en su actividad coti-
diana de diagnstico:(7)
Es evidente, por una parte, que esta prctica aumenta mucho el trabajo del mdico
desde el ingreso de su paciente sin que esto le aporte muchos argumentos pertinen-
tes sobre el problema actual de ste; por otra parte se puede esperar que las respues-
tas del paciente no siempre correspondan a la realidad. Luego de esta observacin,
podramos decir que cada estudiante debera ser capaz, al final de su formacin, de eje-
cutar una anamnesis y un examen fsico con todos los detalles, pero que debera ser
rara la ocasin en la que todos los argumentos tendran que ser pedidos.
8
Introduccin
La cuarta estrategia es la que nos interesa y que tiene sus bases en una investigacin
orientada (Sackett la llama hypothetico-deductive strategy) a uno o varios argumen-
tos (anamnsicos, clnicos o paraclnicos). El mdico elabora una lista de hiptesis com-
patibles con sus primeros argumentos. Enseguida investiga argumentos suplementa-
rios, con un fuerte poder de confirmacin o de exclusin, que le permiten as discer-
nir poco a poco la hiptesis que le parece ms probable. Aceptar esta hiptesis como
el diagnstico de su paciente a partir del momento en que los argumentos le hayan
permitido alcanzar el umbral requerido para actuar.
Ejemplo para apreciar las diferentes estrategias:
El paciente se queja tambin de dolor abdominal y en el examen fsico hay una ligera sensi-
bilidad del abdomen. Una ecotomografa abdominal muestra esplenomegalia moderada (14
cm) y un poco de lquido en la cavidad peritoneal. Estos datos y el tinte vidrioso del pacien-
te no le agradan para nada al clnico; adems su intuicin le incita a pedir una hospitaliza-
cin en cuidados intensivos para una supervisin ms cercana. El mdico jefe del servicio de
cuidados intensivos lo admite, pero no comprende la inquietud del clnico y cuestiona su moti-
vacin.
Supongamos que la orina negra era solamente orina muy oscura, podra tratarse de un
paludismo tratado insuficientemente. Por otra parte, la combinacin de paludismo y de lqui-
do en el vientre no concuerda ms que con una hiptesis: ruptura espontnea del bazo
De esta forma cambi su estrategia de "reconocimiento del cuadro clnico" por "inves-
tigacin orientada". Ordena una transfusin y profundiza la anamnesis, esto lo lleva a
obtener informacin sobre dos sncopes en los das precedentes.
Estos nuevos datos permiten dibujar la historia real: crisis regulares de paludismo
causaron una ligera esplenomegalia, el accidente provoc una fisura del bazo con
9
hemorragia subcapsular, la ltima crisis de malaria provoc un aumento del tamao
del bazo que a su vez provoc una verdadera ruptura.
Este ejemplo muestra que diferentes estrategias son a menudo utilizadas consecutiva-
mente o al mismo tiempo en un paciente en particular.
El panorama diagnstico
Hasta aqu hemos considerado los argumentos frente a una sola hiptesis diagnstica
y esta reflexin es muy terica; en la realidad, en una consulta, jugamos con varios argu-
mentos con el fin de alcanzar un umbral de accin para una de las hiptesis compati-
bles con los sntomas y signos del paciente, habiendo al mismo tiempo alcanzado el
nivel mximo de exclusin de otras patologas sospechadas.
10
Introduccin
Las apariencias engaan. Por un lado, no es conveniente dejarse seducir por una hip-
tesis plausible con todos los argumentos que se tienen hasta el momento, pero por
otra parte, nuestro rol como mdicos es el de ponderar nuestros esfuerzos en la inves-
tigacin de un diagnstico grave, pero que no es tratable.
En el primer crculo se encuentran las enfermedades graves y/o tratables, en el segundo las
menos graves o sin tratamiento especfico, que pueden esperar hasta que se hayan excluido
todas las del primer crculo.
Conclusin
Luego de esta introduccin queda claro que:
No es necesario alcanzar una certeza absoluta sea cual fuere el diagnstico que
tengamos para emprender una accin: cada enfermedad tiene su propio grado de
certeza requerido, dependiendo de una multitud de factores. Podramos decir
que en medicina la meta no es dar un diagnstico, sino ayudar al paciente, resol-
ver su problema, sirvindose de una sospecha de causa, de un diagnstico.
Tampoco es necesario llegar siempre a una probabilidad cero en un determina-
do paciente para excluir una hiptesis.
Salvo en casos excepcionales un solo argumento no es suficiente para hacer un
diagnstico, o para alcanzar un grado de certeza suficiente para actuar.
Cada argumento tiene un poder de confirmacin y de exclusin para una pato-
loga determinada.
Estos poderes (de confirmacin y de exclusin) no son necesariamente simtri-
cos, en la mayora de casos son asimtricos.
La sospecha clnica (el punto de partida) es tan importante como la fuerza de
los argumentos recogidos para determinar el grado de certeza obtenido.
El camino a seguir entre una serie de hiptesis en un paciente en particular puede
ser difcil y no sigue reglas fijas, sin embargo un esquema panormico que permi-
ta priorizar lo grave y tratable, valorando la fuerza de los argumentos a pedir,
podra hacer ms eficiente el razonamiento clnico.
11
En el transcurso de los diferentes
captulos que seguirn intentare- Los 5 grandes principios de la lgica clnica:
mos desarrollar estas nociones 1. Si una enfermedad es poco frecuente en
para terminar en una tentativa de una regin, necesitamos ms o mejores
modelo de anlisis complejo: el argumentos, o argumentos que en una
"panorama". regin donde es frecuente.
2. La fuerza de un argumento jams es infini-
Este texto tiene sobretodo la tamente grande.
3. La mayora de los argumentos son asim-
ambicin de sensibilizar al lector
tricos
respecto a las bases del anlisis de 4. Cada enfermedad tiene un umbral de
decisiones. Los ejercicios pro- accin y de exclusin.
puestos no son ms que una ilus- 5. Un diagnstico diferencial sigue priorida-
tracin y no reemplazan de ningu- des bien definidas.
na forma una enseanza interacti-
va entre un profesor y varios gru-
pos pequeos conformados por 4 a 5 participantes: en una enseanza de este tipo
algunos argumentos son propuestos a los diferentes grupos, los cuales tratan en con-
junto de describir el panorama de hiptesis con estos argumentos y de identificar los
argumentos suplementarios que tienen un fuerte poder de confirmacin y de exclu-
sin, permitiendo as llegar al diagnstico ms probable (o ms til). El trabajo de
grupo permite a cada participante confrontar su razonamiento al de sus colegas y per-
cibir la pertinencia o los errores.
Una enseanza completa tendr una fase de comprensin del anlisis de decisiones (el
objetivo de estudio de esta obra). Luego vendr una fase de aprendizaje durante la
cual cada participante, con la ayuda de un cierto nmero de ejercicios, se familiarizar
con la metodologa. Esto le permitir llegar a una fase de dominio en la que ser capaz
de utilizarla sin esfuerzo en su prctica diaria.
Referencias
(1) Carvalho de Queiroz Mello F, Do Valle Bastos LG, Machado Soares SL, Rezende VMC,
Barreto Conde M, Chaisson RE, Kritski AL, Ruffino Netto A, Loureira Werneck G.
Predicting smear negative pumonary tuberculosis with classification trees and logistic
regression: a cross sectional study. BMC Public Health 2006; 6:43-50.
(2) Siddiqi K, Lambert ML, Walley J. Clinical diagnosis of smear-negative pulmonary tuberculo-
sis in low-income countries: the current evidence. Lancet Infect Dis 2003 May;3(5):288-96.
(3) Kanaya AM, Glidden DV, Chambers HF. Identifying pulmonary tuberculosis in patients with
negative sputum smear results. Chest 2001 Aug;120(2):349-55.
(4) Hall KH. Reviewing intuitive decision-making and uncertainty: the implications for medical
education. Med Educ 2002 Mar;36(3):216-24.
(5) Pauker SG, Kassirer JP. Therapeutic decision making: a cost-benefit analysis. N Engl J Med
1975 Jul 31;293(5):229-34.
(6) Pauker SG, Kassirer JP. The threshold approach to clinical decision making. N Engl J Med
1980 May 15;302(20):1109-17.
(7) Sackett D, Haynes R, Guyatt GH, Tugwell P. Clinical Epidemiology: a basic science for clini-
cal medicine. 2 ed. Boston: Little, Brown and Company; 1991.
12
2 LOS UMBRALES
Introduccin
En los libros de medicina se pueden encontrar los diagnsticos diferenciales de los
diversos cuadros clnicos, los exmenes complementarios para confirmar las hiptesis
y los tratamientos de cada una de las patologas sospechadas. Sin embargo, la verda-
dera dificultad en el trabajo del mdico no es la adquisicin de este conocimiento
libresco, sino confirmar o excluir una hiptesis, comunicar el diagnstico de una pato-
loga grave, justificar la prescripcin de un tratamiento caro o peligroso, ordenar ex-
menes suplementarios potencialmente peligrosos, ordenar medidas de profilaxis gene-
ral cuando se corre el riesgo de que una epidemia se extienda.
Umbral de decisin
La probabilidad que tiene un paciente de estar afectado por una enfermedad en par-
ticular puede variar entre 0% y 100%. Dentro de este rango A partir de que grado
de certeza podemos o debemos iniciar una accin contra esta enfermedad?
Empecemos con un ejemplo:
Una nia de 4 aos fue llevada por su madre a la consulta de un centro de salud de
la capital. La nia empez 12 horas antes con un estado febril y taquipnea. Durante
el examen fsico el mdico encontr crepitantes en la auscultacin. El resto del exa-
men fsico fue normal.
13
Figura 2.1 Umbral de decisin
El umbral de decisin puede encontrarse en cualquier lugar dentro del rango de cero a 100
%. Mientras ms alto est, ms seguros debemos estar antes de actuar.
En cambio, si situamos el umbral muy abajo (cerca de 0%), ms riesgo tenemos de con-
siderar errneamente a un buen nmero de personas sanas como enfermas afectadas
por cierta patologa (falsos positivos), tratndolas innecesariamente. Esto es particular-
mente peligroso en casos en los cuales el tratamiento lleva consigo un riesgo poten-
cial para la salud como, por ejemplo, cuando pensamos iniciar una terapia con suero
antiofdico para la mordedura de una serpiente que no ha sido identificada, dado el
riesgo que se corre de tener una reaccin anafilctica o, como cuando se piensa hacer
una ciruga que pueda acarrear hemorragias, infecciones o lesiones de rganos. Esto
tambin se aplica cuando el tratamiento es caro o largo (por ejemplo, hipertensin
14
Los umbrales
La enfermedad
La gravedad de la enfermedad:
Es importante, por ejemplo, tratar los estados de preeclampsia, puesto que su
evolucin puede ser fatal para la paciente y el feto: en caso de una enfermedad
grave y tratable, el umbral de decisin a partir del cual se decide iniciar un trata-
miento ser bajo con el fin de tener muy pocos falsos negativos, es decir enfer-
mos sin tratar. La gravedad hay que entenderla como lo que podra pasar si deja-
mos a un enfermo sin su tratamiento.
15
enfermedades que influyen sobre la capacidad de respuesta de las personas ante
ciertas situaciones tienen un efecto negativo en el medio, por ejemplo un chofer
del trole que tiene crisis epilpticas. Imaginen las consecuencias desastrosas que
pueden ocurrir!
El tratamiento
La eficacia
Es obvio que si una enfermedad es tratable bajar el umbral de decisin. Por el
contrario, muchas enfermedades no son tratables, o la logstica de un tratamien-
to es muy complicada en algunos contextos (SIDA, enfermedades tumorales,
infecciones multirresistentes, insuficiencia renal crnica, enfermedades muy gra-
ves que necesitan una estructura de cuidados intensivos, hipertensin arterial
esencial). Esto explica la razn por la cual para algunas enfermedades el umbral
de decisin es ms elevado en un pas con escasos recursos que en un pas rico.
Sin embargo, esto no justifica el hecho de que en un pas pobre no se busque la
forma de solucionar un problema de este tipo, si realmente es diagnosticado, es
decir si se ha alcanzado una certeza suficiente: el dejar de hacerlo sera una falta
de responsabilidad profesional!
16
Los umbrales
senso de que a toda persona se le debera garantizar una dilisis, en caso de nece-
sitarla. En este caso podramos inferir que el costo de una vida en ese pas es el
equivalente al costo de una dilisis, es decir alrededor de 50 mil dlares.(4) En pa-
ses con extrema escasez de recursos, como algunos del frica subsahariana, casi
ninguna familia promedio puede permitirse gastar ms de 20 dlares para salvar la
vida de un nio y el Estado tiene pocas alternativas de sostn. Una alternativa en
ese caso podra ser la de preguntar a un grupo promedio de mdicos cul sera la
cantidad mxima de dinero que cada uno de ellos estara dispuesto a pagar para
salvar su propia vida. Un estudio realizado en Ruanda revel que el costo prome-
dio de una vida, estimado de esta manera, fue de 5 mil dlares, mientras que el
costo total de un tratamiento estndar de 6 meses para tuberculosis fue de apenas
13 dlares.(5)
Otros factores
Existen factores que dependen del contexto en el cual se trabaja y de quin y para
quin se toma la decisin. Ciertamente son estos factores y su influencia sobre el
umbral los que crean la gran diferencia en la prctica de la medicina entre los pases
con pocos recursos y los pases ricos.
17
dan por vivir mientras que una persona anciana aprecia ms la calidad de vida
antes que la cantidad de aos. Del mismo modo una mujer nulpara que consul-
ta por un problema de esterilidad estar dispuesta a consagrar mucho ms esfuer-
zos en la bsqueda de una etiologa para la cual exista un tratamiento satisfacto-
rio, mientras que una madre de varios hijos que presenta una esterilidad secun-
daria no dar mayor importancia al problema. Idealmente toda decisin clnica
debera tomarse en funcin de las expectativas del paciente. De hecho las deci-
siones deberan ser compartidas, sin embargo, en los casos en que esto no se
pueda o cuando el paciente prefiera dejar todo en las manos del mdico, es
importante que siempre se considere el mayor beneficio, o el menor dao, para
el paciente y su familia.
El contexto poltico:
En algunos casos de situaciones extremas, por ejemplo en situaciones de catstro-
fe (erupciones volcnicas, terremotos, desplazamiento masivo de poblaciones, cam-
pos de refugiados, epidemias,...) el objetivo principal del personal mdico ser ms
bien de salvar el mayor nmero posible de personas, antes que de salvar a todo
paciente a cualquier precio. Por ejemplo, el umbral de toda ciruga electiva ser muy
elevado.
La encargada del control de una epidemia de peste en Ecuador tena que recomen-
dar un tratamiento profilctico para algunos nios menores de 1 ao que estuvieron
en contacto cercano con un enfermo. La literatura sugiere que para los nios meno-
res de 8 aos se use cotrimoxazol y que, tanto las tetraciclinas como el cloramfeni-
col, se reserven para los nios mayores de 8 aos.(6) En ese momento solo dispona
de cloramfenicol pero le preocupaba el riesgo de que los nios mueran a causa de
una depresin medular provocada por el tratamiento. Por otro lado las comunida-
des estaban muy alejadas de la ciudad y disponer de dosis suficientes de cotrimoxa-
zol iba a tomar algunos das. Finalmente decidi no recomendar el cloramfenicol a
pesar de los riesgos.
Fue una decisin correcta? Es cierto que un nio que toma cloramfenicol puede
desarrollar una depresin medular, pero este importante efecto adverso solo se pre-
senta en uno de cada 100 mil tratamientos.(7;8) Adems no todos los nios con depre-
sin medular llegan a morir, siendo la probabilidad de muerte a causa del tratamiento
18
Los umbrales
mucho ms baja. Por otro lado El riesgo que estos nios tenan de adquirir la enfer-
medad era bastante alto: la peste es una enfermedad muy transmisible. En caso de
enfermar la probabilidad de morir, en caso de peste pulmonar, es de al menos 50%! La
probabilidad de causar dao por el tratamiento es extremadamente baja comparada
con los riesgos de la enfermedad y en esta ocasin las personas que tomaron la deci-
sin omitieron el tratamiento por el temor a causar dao. Debe considerarse que, para
este ejemplo, se ha considerado un tratamiento profilctico en lugar de un tratamien-
to curativo. En efecto, las decisiones no solo toman en cuenta la probabilidad de estar
enfermo si no tambin la probabilidad de contraer una enfermedad en el futuro.
Este fenmeno es conocido en el lenguaje de las decisiones clnicas como el sesgo de
omisin: se prefiere omitir un tratamiento o una accin teraputica por el temor a cau-
sar dao, lo cual es particularmente nefasto cuando los riesgos de la enfermedad son
mayores.(9)
Todo mdico que hace una decisin debe tomar en cuenta que no solamente se
puede hacer dao al actuar. En ocasiones tambin se hace dao al dejar de actuar y el
nivel de responsabilidad no deja de ser menor en este ltimo caso.
Este fenmeno no solo ocurre con el Presidente de los EEUU o con cualquier otro
lder poltico. Aunque esto va contra el principio de igualdad de las personas, el umbral
de decisin toma en cuenta las caractersticas sociales de los pacientes. Si nos trasla-
damos a una escala ms familiar todos estamos de acuerdo en que haremos todo lo
que est a nuestro alcance para salvar la vida de un nio mientras que aceptaremos
ms fcilmente la muerte de un anciano.
19
infeccin provocada. Es en ese momento que nuestro trabajo se complica un poco.
La eleccin ya no es solo de tratar o no tratar: aqu debemos decidir si hacemos el
examen o no, antes de tomar la decisin final.
En este caso el examen tiene el efecto de escindir nuestro umbral de decisin nico
(tratar o no hacer nada) en dos nuevos umbrales: el umbral de accin y el umbral de
exclusin (Figura 2.3).(2)
Campos diagnsticos
Los dos umbrales de exclusin y de accin subdividen la escala de probabilidades en
tres campos (figura 2.4):
20
Los umbrales
21
La amplitud del campo de investigacin depende ante todo de las caractersticas del
examen en cuestin, las que se analizarn en los siguientes captulos; qu informacin
adicional me traer este examen?, es de buena calidad?, es costoso?, est disponible?,
es agresivo?, es peligroso?
Aqu se puede observar que los factores relacionados con la enfermedad y el trata-
miento desplazan a los dos umbrales de forma paralela: un tratamiento peligroso hace
subir el umbral de accin y bajar el umbral de exclusin. Por el contrario, los factores
ligados al examen tienen un efecto simtricamente opuesto, es decir bajan el umbral
de accin cuando suben el umbral de exclusin y viceversa: intuitivamente podemos
imaginar que, mientras mejor sea la calidad del examen, su disponibilidad relativamen-
te buena, su riesgo para el paciente no muy alto, ms grande ser el campo de inves-
tigacin. Al contrario, si el examen es de mala calidad, y/o su disponibilidad no muy
buena, o su costo muy elevado, o si es peligroso para el paciente, el campo de inves-
tigacin ser restringido y los dos umbrales se aproximarn.
22
Los umbrales
El eje y es una escala logartmica que representa la probabilidad de enfermedad. En este caso
hipottico el umbral de decisin (en rosado) est situado en una probabilidad de alrededor de
5%. Cuando se necesita un nuevo examen el umbral de decisin se escinde en dos nuevos
umbrales: el umbral de accin (azul) y el umbral de exclusin (amarillo). El campo entre el
umbral de accin y el umbral de exclusin es el campo de investigacin. El campo mximo
entre el umbral de accin y el umbral de decisin est definido por el impacto de un resulta-
do negativo (poder de exclusin), mientras que el campo entre el umbral de exclusin y el
umbral de decisin est definido por el impacto de un resultado positivo (poder de confirma-
cin). La amplitud del campo de investigacin est definida por el odds ratio.
23
para no dejar sin tratamiento a una persona (que no sabemos quien es) que est ver-
daderamente enferma?
El caso hace pensar de inmediato en un cncer mamario. El tratamiento sera una mas-
tectoma, aunque de eficacia dudosa porque la enfermedad en la paciente parece estar
en estado avanzado. Por otro lado, este tratamiento tiene serias repercusiones psico-
lgicas. Seguramente ningn mdico que se encuentre frente a diez mujeres que pre-
sentan un ndulo mamario, va a proponer hacer una mastectoma sin antes haber
hecho una biopsia para estar completamente seguro del diagnstico. Adems hay que
tomar en cuenta que debemos comunicar el diagnstico, explicando de una forma
clara cul es el pronstico. No aceptamos equivocarnos con nadie! El umbral de deci-
sin est muy cercano al 100%.
24
Los umbrales
25
Algunos ejemplos clnicos para comprender mejor
Diabetes
A partir de qu valor de probabilidad podemos comunicar el diagnstico de diabe-
tes? Ejemplo de un campo de investigacin grande con umbral de accin cercano a
100%
Discusin:
La diabetes es una enfermedad crnica que tiene consecuencias muy graves cuando
no es tratada. El tratamiento no cura la enfermedad, solo la controla. Sin embargo una
vez que est bajo control el pronstico es aceptablemente bueno. Por otro lado, el
lograr un control eficaz es muy difcil: los hbitos dietticos debern cambiar drstica-
mente, el tratamiento deber ser tomado de forma ininterrumpida para el resto de la
vida, tendr que complementarlo con una serie de medidas de autocuidado. Lo ms
importante, en un pas que no cuente con un sistema de seguridad social bien estable-
cido, la paciente deber contar con un presupuesto mensual extra para comprar los
medicamentos y realizar los controles sucesivos para el resto de la vida. En casos extre-
mos, como el del ejemplo, la mujer tendr que elegir entre alimentar a sus hijos o com-
prar su tratamiento.
Por todo esto har falta estar prcticamente seguro del diagnstico antes de comuni-
carlo y decidir iniciar el tratamiento. El umbral de accin est cerca de 100%. Por otro
lado, si en realidad tiene diabetes, no podemos dejar de diagnosticarla, debido a las
consecuencias graves de la enfermedad. Por eso la amplitud del campo de investiga-
cin es muy grande: har todos los examenes necesarios para llegar a confirmar la
enfermedad o para excluirla: ante todo caso dudoso, haremos los examenes!
Fiebre amarilla
Desde qu valor de probabilidad podemos excluir una fiebre amarilla? : ejemplo de
campo de investigacin grande con un umbral de exclusin que tiene un valor cerca-
no a 0%
Discusin :
La fiebre amarilla es una enfermedad grave no solamente para el paciente sino para
toda la poblacin de la regin y del pas si algunas medidas de prevencin no son pues-
tas en marcha rpidamente.Tambin es una enfermedad contra la cual solamente exis-
te un tratamiento sintomtico, en la que los exmenes serolgicos que tienen un fuer-
te poder de confirmacin y de exclusin no hacen correr ningn riesgo al paciente, y
donde el costo del test seguramente ser tomado a cargo por la comunidad mundial.
26
Los umbrales
Por otro lado, a pesar de existir una vacuna muy eficaz, organizar una campaa de vacu-
nacin masiva implica un esfuerzo considerable y un costo elevado, tanto por la orga-
nizacin, como por la vacuna misma.
Para excluir una fiebre amarilla, en un contexto de gran sospecha, ser entonces nece-
sario alcanzar una probabilidad cercana a 0%: un falso negativo puede engendrar con-
secuencias graves mientras que para los falsos positivos, el mdico establecer medi-
das profilcticas que podr detener una vez que regresen los resultados de los exme-
nes serolgicos. Por otra parte las consecuencias de una falsa alerta mundial no pue-
den ser subestimadas, entre otras razones por las repercusiones que eso podra tener
en el turismo internacional.
Conclusin
La meta del trabajo clnico no es necesariamente alcanzar un diagnstico seguro para
una cierta enfermedad, si no ms bien de tomar la decisin correcta frente a un
paciente y su contexto. En este captulo hemos tratado de estudiar los criterios cua-
litativos que influyen sobre nuestros umbrales de decisin. Estos umbrales pueden ser
calculados formalmente de forma matemtica: la relacin entre el umbral de decisin
(umbral nico) y los dos umbrales de accin y de exclusin, que aparecen cuando
hay que decidir si se debe o no hacer un ltimo examen, dependen del poder, el costo
y el riesgo del examen.
27
Referencias
((1) Pauker SG, Kassirer JP. Therapeutic decision making: a cost-benefit analysis. N Engl J Med
1975 Jul 31;293(5):229-34.
(2) Pauker SG, Kassirer JP. The threshold approach to clinical decision making. N Engl J Med
1980 May 15;302(20):1109-17.
(3) Hunink M, Glasziou P, Siegel J, Weeks J, Pliskin J, Elstein AS, et al. Decision making in health
and medicine. Integrating evidence and values. 1 ed. Cambridge: Cambridge University
Press; 2001.
(4) King JT, Jr., Tsevat J, Lave JR, Roberts MS. Willingness to pay for a quality-adjusted life year:
implications for societal health care resource allocation. Med Decis Making 2005
Nov;25(6):667-77..
(5) Basinga P, Moreira J, Bisoffi Z, Bisig B,Van den Ende J. Why Are Clinicians Reluctant to Treat
Smear-Negative Tuberculosis? An Inquiry about Treatment Thresholds in Rwanda. Med
Decis Making 2007 Jan;27(1):53-60.
(6) Grant L, Campbell D. Plague and Other Yersinia Infections. In: Braunwald E, Fauci A, Kasper
D, Hauser S, Longo D, Jameson L, editors. Harrison's principles of Internal Medicine. 15 ed.
New York: Mc.Graw Hill; 2001.
(7) Young N.S. Aplastic Anemia, Myelodisplasia and Related Bone Marrow Failure Syndromes.
In: Braunwald E, Fauci A, Kasper D, Hauser S, Longo D, Jameson L, editors. Harrison's prin-
ciples of Internal Medicine. 15 ed. New York: Mc.Graw Hill; 2001.
(8) Chaplin S. Bone marrow depression due to mianserin, phenylbutazone, oxyphenbutazone,
and chloramphenicol--Part II. Adverse Drug React Acute Poisoning Rev 1986;5(3):181-96.
(9) Ritov I, I, Baron J. Protected Values and Omission Bias. Organ Behav Hum Decis Process
1999 Aug;79(2):79-94.
28
3 Relaciones entre los argumentos y las hiptesis
Introduccin
Ciertos fenmenos causan o testifican sobre otro fenmeno. Esto quiere decir que la
presencia de uno est en relacin con la presencia del otro. En medicina esas relacio-
nes se analizan en el estudio de los riesgos y en la prueba de la presencia de una pato-
loga. Por ejemplo, la presencia de cianosis puede estar relacionada con una neumona.
Esto no solo se hace en medicina. En otras ciencias las relaciones entre fenmenos
tambin pueden ser analizadas: as, por ejemplo los meteorlogos, a partir del aspecto
del cielo, de las medidas baromtricas, de las fotografas tomadas desde satlites, tra-
tan de prever el clima que habr en los das siguientes. De igual manera, en criminolo-
ga, es esencial aportar un cierto nmero de pruebas con el fin de confirmar las sos-
pechas de culpabilidad de los diferentes acusados.
Ejemplo de criminologa
Un banco importante en el centro de una gran ciudad de Sudamrica es asaltado por
una veintena de ladrones armados; la polica empieza a cercar el barrio donde se
encuentra el banco antes de que los ladrones puedan dejarlo. Los policas empie-
zan una requisa sistemtica de todas las personas del barrio y las reparten en dos
grupos: las personas armadas y las personas sin armas.
Al final del proceso, cada uno de los dos grupos es subdividido en funcin de la
implicacin de las diferentes personas en el asalto al banco. Entonces, la poblacin
presente en el barrio en el momento del asalto al banco es repartida arbitrariamen-
te en 4 categoras: 1) los ladrones armados, 2) los ladrones que se deshicieron de su
arma el momento de la requisa o que no llevaban arma en el asalto,3) los transe-
ntes armados pero que no estn implicados en el asalto al banco y finalmente 4)
los transentes sin armas.
Con la ayuda de una tabla de contingencia (tabla de cuatro entradas), podemos des-
cribir el efecto discriminativo del argumento (portar un arma) en relacin a la hipte-
sis (ser un ladrn), usando una representacin grfica donde se visualizan los verdade-
ros positivos (ladrones armados), los falsos positivos (transentes armados), los verda-
deros negativos (transentes no armados) y los falsos negativos (ladrones no arma-
dos) ( Tabla 3.1).
hiptesis + hiptesis -
(ladrn) (transente)
29
Figura 3.1
Supongamos que hemos identificado a 20 ladro-
ladrones transeuntes nes que participaron en el asalto al banco y que
armados armados escogemos a un nmero igual de personas (20)
entre la poblacin de transentes que se encon-
traban en el permetro cercado en el momento
ladrones transeuntes del asalto al banco. Si representamos a estos 40
sin sin individuos en nuestra tabla de 4 entradas, la
arma arma situacin se esquematiza de la siguiente manera
(Figura 3.1). Obviamente el nmero de personas
que corresponden a cada una de estas cuatro
categoras no siempre es igual y puede variar segn el contexto en el que nos encon-
tremos. Vamos a imaginar tres situaciones posibles. Para las situaciones descritas a con-
tinuacin suponemos tcitamente que la mayor parte de ladrones estn armados en
el momento de la requisa.
Primera situacin:
Figura 3.2
Pas tranquilo y ninguna persona susceptible de
ladrones llevar un arma por su funcin (polica, guardia,
armados militar, etc.) est presente en el barrio cercado: la
proporcin de personas armadas es muy peque-
a en el grupo de los transentes y muy grande
transeuntes en el grupo de los ladrones. En esta situacin el
sin hecho de llevar un arma es un muy buen argu-
arma mento a favor de la culpabilidad de la persona
requisada, y el hecho de no estar armado es un
muy buen argumento a favor de la inocencia.
Segunda situacin:
Figura 3.3
Es posible que un gran cuartel militar se encuen-
ladrones tre dentro del permetro cercado por la polica,
transeuntes lo que aumentar mucho la importancia del
armados armados
grupo de transentes armados. La proporcin de
personas armadas es similar a la de personas no
transeuntes armadas en el grupo de transentes: en esta
sin situacin el hecho de estar armado es un argu-
arma mento que aumenta moderadamente la sospe-
cha de culpabilidad de la persona requisada, y el
hecho de estar desarmado ayuda moderada-
mente en favor de la inocencia.
30
Argumentos e hiptesis
Tercera situacin:
Figura 3.4
Pas con inestabilidad poltica, la mayor parte de
ladrones transeuntes personas llevan un arma para defensa personal.
armados armados La proporcin de personas armadas es muy gran-
de entre los ladrones y los transentes; igualmen-
te la proporcin de personas no armadas es muy
pequea tanto en los ladrones como en los tran-
sentes. En esta situacin el argumento sea posi-
tivo o negativo no aumenta ni disminuye nuestra
certeza de culpabilidad de la persona requisada.
Ejemplo de medicina
Este mismo enfoque puede ser aplicado en medicina. Vamos a considerar el caso de
un paciente y trataremos de visualizar, con la ayuda de un esquema similar al anterior,
la relacin que liga a diferentes argumentos con la hiptesis diagnstica estudiada:
31
Tabla 3.2 Relacin entre argumentos e hiptesis clnicas
Argumento 2 : fiebre
Figura 3.6
La representacin grfica es ahora asimtrica.
Observamos que son muy raros los pacientes
absceso +
absceso - con un absceso amebiano de hgado que no tie-
fiebre + T + nen fiebre; sin embargo el argumento fiebre se
puede encontrar tambin en algunos pacientes
del grupo de referencia: la fiebre es entonces un
absceso -
T -
argumento que si est relacionado con la enfer-
medad en cuestin pero su descubrimiento no
nos hace avanzar mucho en nuestra certeza diag-
nstica; su ausencia, por el contrario, puede ser til para excluir un diagnstico de abs-
ceso amebiano de hgado.
32
Argumentos e hiptesis
33
Conclusin
En varias disciplinas se analizan las relaciones entre Un argumento es fuerte si
fenmenos. En clnica, el mdico debe abstenerse de siempre est presente en
recoger informacin intil. Los esfuerzos tienen que los sospechosos y ausente
en los no-sospechosos.
concentrarse en los datos que ms aporten para la
confirmacin y/o exclusin de un diagnstico.
Un argumento que casi nunca se encuentre en pacientes con otras enfermedades ser
til para confirmar. Un argumento que casi nunca se encuentre ausente en quienes tie-
nen la enfermedad que sospechamos ser til para excuir. Los dems argumentos
sern dbiles y aun intiles.
Ejercicios
A continuacin de este ejemplo trate de establecer relaciones entre diferentes argu-
mentos y el absceso heptico amebiano, qu podemos decir de la relacin de datos
clnicos conocidos como son el signo de Blumberg y la apendicitis?, un BAAR de espu-
to negativo y la tuberculosis pulmonar?, cefaleas intensas y migraa?, rigidez de nuca
y meningitis bacteriana?, reaccin de Widal y fiebre tifoidea?
34
4 El poder de un argumento
Introduccin
En el segundo captulo analizbamos el nivel de certeza requerido para actuar o para
detener cualquier investigacin. El objetivo del captulo precedente, en cambio, era
acercar las relaciones existentes entre un argumento y una hiptesis diagnstica, tra-
tando de representar grficamente esta relacin. En esta seccin nos vamos a intere-
sar en cuantificar estas relaciones: qu es lo que nos permite decir que un argumen-
to es dbil, bueno o fuerte en relacin a una patologa en particular?, tienen las fuer-
zas de exclusin y de confirmacin de un argumento valores simtricos?, cmo pode-
mos explicar que la fuerza de un argumento pueda variar segn el contexto de la
poblacin con la que trabajamos?
Una vez ms es necesario aclarar que cuando hablamos de argumento, nos referi-
mos a cualquier tipo de hallazgo clnico. Esto incluye los sntomas que un paciente nos
cuenta durante la anamnesis, los signos que encontramos en el examen fsico, y los
datos que obtenemos del laboratorio o del servicio de imgenes.
Adicionalmente hay otro tipo de argumentos que estn entre lo dicotmico (SI o NO)
y lo cuantitativo. Son aquellos que nos informan sobre un grado de afectacin de
manera ordinal. Por ejemplo el resultado de una radiografa puede clasificarse en dife-
rentes grados: sin ninguna alteracin, alteracin leve, alteracin moderada, altera-
cin severa. Aunque este tercer tipo de argumento se acerca ms al tipo categrico,
para analizar su fuerza es ms prctico considerarlo como si fuera cuantitativo. La
ausencia de alteracin puede corresponder al nivel cero, la alteracin leve puede
corresponder al nivel uno y as sucesivamente.
35
Caso 3: nia de 10 aos se queja de tenesmo y diarrea con sangre.
Caso 4: nio de 7 aos que presenta fiebre y dolor a la deglucin.
Caso 5: lactante que presenta varias lesiones seudoforunculosas en la espalda dere-
cha de donde sale una larva al hacer presin lateral.
Caso 6: lactante hospitalizado por estado altamente febril.
Figura 4.1
otras
asma
enfermedades Representemos, por ejemplo, la relacin exis-
verdaderos tente entre la disnea espiratoria y el asma en
presente positivos
una tabla de cuatro entradas similar a aque-
llas del captulo precedente. La mayora de
DISNEA
Podemos ver que la superficie que representa a los falsos positivos (pacientes que tie-
nen disnea espiratoria pero no asma) es muy pequea en relacin a la que represen-
ta a los verdaderos positivos. Si pusiramos en una balanza habra un gran desequili-
brio. Con esto podemos afirmar que el poder de confirmacin de este argumento es
muy grande.
36
Poder de un argumento
Figura 4.2
otras
Vemos que el desequilibrio entre verdaderos
amebiasis enfermedades
positivos y falsos positivos es menos importan-
presente verd.
positivos te que en el ejemplo anterior, por eso el poder
CON SANGRE
positivos
sada por el paludismo) y el nmero de falsos
positivos (nios sin paludismo pero con fiebre
verdaderos alta) es mucho ms pequea que en los casos
ausente negativos precedentes. Por eso el argumento fiebre tiene
un poder dbil para confirmar paludismo.
Luego de comparar los tres ejemplos deducimos que el poder de confirmacin est
determinado sobretodo por los falsos positivos. En otras palabras, un argumento es
fuerte si se encuentra nicamente en los enfermos, y no en los no-enfermos (o los
pacientes que tienen otra enfermedad).
37
Dibujemos la relacin entre un test de embarazo y el embarazo extrauterino:
Figura 4.4
otras
EEU Existen muy pocos casos en los que una mujer
enfermedades
positivo embarazada puede tener un test de embarazo
verdaderos
positivos negativo (falsos negativos). Por otro lado tambin
EMBARAZO
Figura 4.5
otras
El caso 9 de esta consulta nos presenta un argu-
EEU
enfermedades mento con un dbil poder de exclusin frente a
presente verdaderos un embarazo extrauterino: en efecto, bastantes
positivos pacientes con una hemorragia intraperitoneal
ABDOMINAL
El equilibrio entre los verdaderos negativos y los falsos negativos es, en este caso, muy
diferente a aquel de los dos casos precedentes.
Mantenemos la idea de que nicamente los bloques inferiores son los que interesan
para la exclusin: la comparacin de los dos ejemplos permite concluir que sobreto-
do son los falsos negativos quienes determinarn el poder de exclusin.
Por tanto, un argumento tiene un fuerte poder de exclusin si est siempre presen-
te en una enfermedad. Combinando los dos poderes, podemos decir que un argumen-
to es perfecto en las dos direcciones (para confirmacin y para exclusin) cuando est
siempre y nicamente presente en una enfermedad.
Una vez que tenemos clara la nocin del poder de un argumento, podemos estimar-
lo fcilmente. Comencemos por el caso de un argumento positivo, donde buscamos
el poder de confirmacin. En los prrafos anteriores nos referimos al equilibrio entre
38
Poder de un argumento
39
Veamos aqu una representacin grfica de los poderes:
Figura 4.6
Figura 4.7
otras
neumona enfermedades Otra forma de estimar intuitivamente la sensibi-
lidad es basndonos en nuestra experiencia.
presente
Verdaderos Falsos Basta pensar en la proporcin de casos de neu-
positivos positivos mona, en los cuales hemos encontrado el dolor
TORACICO
Lo que s resulta un poco ms difcil es la estimacin de los falsos positivos. Este dato
est prcticamente ausente en la literatura mdica. Para poder hacerlo intuitivamente
tenemos que considerar los dos bloques en gris de la figura 4.7. Si fuera una investi-
gacin, podramos imaginar que 100 pacientes sin neumona, pero con cualquier otra
enfermedad, son tomados al azar. A estos les preguntamos si tienen dolor torcico. En
40
Poder de un argumento
este grupo puede haber pacientes con trauma, con zona, con espasmo del esfago, con
infarto que s tienen dolor torcico pero que no tienen neumona. Sin embargo stos
no son tan frecuentes en un contexto de medicina general. La mayor parte son pacien-
tes con otras enfermedades que no tienen dolor torcico. Por esa razn podemos
intuir que aproximadamente 5% de pacientes de este grupo de referencia son falsos
positivos: es decir que tienen dolor torcico, pero no tienen neumona. Por consecuen-
cia podemos decir tambin que hay 95% de verdaderos negativos, puesto que 100
menos 5 hacen 95. A esta tasa de verdaderos negativos la llamamos tambin la espe-
cificidad. La especificidad es una nocin difcil de comprender y manipular. Por eso pre-
ferimos estimar intuitivamente y trabajar con la tasa de falsos positivos que como
hemos visto no es ms que el complemento de los verdaderos negativos.
En este punto el lector podra estar decepcionado: cmo es posible que se intente
calcular el poder de un argumento con datos estimados intuitivamente? En realidad la
idea no es tan descabellada. Por un lado resulta necesario hacerlo porque los datos de
la literatura sobre sensibilidad y especificidad de un argumento son escasos. Pero lo
ms importante es que la tasa de falsos positivos puede cambiar considerablemente
de un sitio a otro. Esto se debe a que este valor depende fuertemente de la distribu-
cin de enfermedades en el contexto de nuestro trabajo. Si comparamos la distribu-
cin de enfermedades en la consulta de un cardilogo con la que se encuentra en la
consulta de un mdico general se pueden ver grandes diferencias. En el caso del pri-
mero la mayor parte de sus pacientes tendrn hipertensin, insuficiencia cardiaca, angi-
na, arritmias; mientras que donde el mdico general, si bien estas enfermedades tam-
bin pueden estar, se pierden en una lista ms grande de otras patologas. Eso implica
que la tasa de falsos positivos de, por ejemplo, un tercer ruido para una insuficiencia
cardiaca ser ms grande en el consultorio del cardilogo que en el del mdico gene-
ral. Por consecuencia el poder de confirmacin ser ms dbil en el primero.
Finalmente hay que considerar que el cambio en los poderes de los argumentos es
casi imperceptible si nos equivocamos entre 20 y 30%. (1;2)
Todo esto nos lleva a decir que la mejor manera de estimar los falsos negativos es pen-
sar en la distribucin de personas que llegan a nuestra consulta. Simplemente pregun-
tndonos: de 100 personas que han llegado a la consulta durante la ltima semana,
cuntos han presentado el argumento que estoy analizando, sin que tengan la enfer-
medad que sospecho?. Esto nos va a dar un nmero muy acertado de falsos positivos
que me permitir calcular los diferentes poderes. Esta reflexin corresponde a la
segunda columna de nuestra tabla de cuatro entradas representadas en la Figura 4.8
Figura 4.8
Concluyendo podramos decir que mientras ms
Verdaderos Falsos alta sea la sensibilidad de un argumento (cerca
positivos positivos de 100%), ms tiende a disminuir el nmero de
falsos negativos, por lo tanto cambia el poder de
exclusin. Mientras ms alta sea la especificidad
Falsos Verdaderos de un argumento (cerca de 100%), ms tiende a
negativos negativos disminuir el nmero de falsos positivos y sobre
todo cambia el poder de confirmacin.
41
Podemos poner todos los valores tambin en una tabla de contingencia.
Es decir que la llenamos con las tasas de verdaderos y falsos positivos y negativos.
Usemos el ejemplo de la neumona y el dolor torcico.
Dolor torcico 20 5
Ahora que hemos estimado la tasa de los verdaderos y falsos positivos y negativos,
podramos calcular los poderes:
Figura 4.9
Ambos valores son bajos, sobretodo el poder de exclusin. Si uno no tiene dolor tor-
cico, no excluye una neumona. Si lo tiene, ayuda un poco al diagnstico.
Por qu decimos que ambos valores son bajos?, qu quiere decir un poder de con-
firmacin dbil o uno fuerte?.
Hay que empezar considerando que el poder de un argumento es una razn, es decir
una operacin matemtica en la que se comparan dos conjuntos separados. Si ambos
conjuntos son de igual tamao el resultado de la divisin es 1. Mientras ms grande sea
el tamao del primer conjunto, comparado con el segundo, mayor ser el resultado de
la divisin. Esto quiere decir que el poder de un argumento puede ir desde 1 hasta el
infinito. Si para el poder de confirmacin obtenemos un resultado igual a 1 quiere decir
que el nmero de verdaderos positivos es igual al nmero de falsos positivos, por tanto
el poder de confirmacin es intil. En cambio si el nmero de falsos positivos es cero
no es posible hacer una divisin, quiere decir que en ese caso, cualquiera que sea el
nmero de verdaderos positivos el poder de confirmacin es infinito.
42
Poder de un argumento
1 0 Intil
3 (2 - 5) 0,5 Dbil
10 (6 - 17) 1 Bueno
30 (18 - 56) 1,5 Fuerte
100 (57 - ) 2 Muy fuerte
Esta tabla es vlida tanto para los poderes de confirmacin (verdaderos positivos / fal-
sos positivos), como para los poderes de exclusin (verdaderos negativos / falsos nega-
tivos).
Para fines prcticos se puede decir que, para confirmar, un argumento es intil si el
nmero de verdaderos positivos es igual al de falsos positivos; en cambio es dbil si la
razn entre verdaderos positivos y falsos positivos est alrededor de 3; as mismo es
bueno si est alrededor de 10; fuerte si est alrededor de 30 y muy fuerte alrededor
de 100. (Tabla 4.1) Tericamente esta progresin puede continuar hasta el infinito. Si el
resultado de la divisin est alrededor de 300 el argumento ser muy muy fuerte y
si est alrededor de 1000 ser muy muy muy fuerte. Estas dos ltimas categoras son
extremadamente raras. Casi no existen argumentos con un poder superior a 100. El
mismo razonamiento es aplicable al poder de exclusin.
43
ticos, como el hecho de que muchos pacientes que ameritan un tratamiento se que-
den sin el mismo.
Una mujer de 38 aos, que habita en una comunidad del ro Santiago en Esmeraldas
llega al hospital con polipnea de inicio sbito y dolor torcico, entre los anteceden-
tes refiere edema de miembro inferior derecho desde hace dos das. Al examen fsi-
co se encuentra afebril, con frecuencia cardiaca de 120/min. Se realiza una radio-
grafa de trax en la que se observa una condensacin. La hiptesis diagnstica es
embolia pulmonar.
Cada uno de los diferentes argumentos expuestos en este caso tiene un cierto poder
de confirmacin y de exclusin.
Por otra parte vemos que un paciente con embolia pulmonar tiene poca probabilidad
de tener una condensacin en la radiografa de trax, pero tambin hay algunos
pacientes en el hospital con condensacin. El signo est raramente presente, y no es
nico. Entonces, los poderes de confirmacin y de exclusin de este argumento son
dbiles: se trata de un argumento simtrico.
Argumentos PC PE
Polipnea muy fuerte bueno
Inicio sbito bueno dbil
Dolor torcico bueno dbil
Taquicardia dbil bueno
Edema de pierna fuerte dbil
Condensacin dbil dbil
en Rx de trax
44
Poder de un argumento
Patognomnico
Durante la formacin clnica los profesores de semiologa ensean varios signos patog-
nomnicos. En nuestra terminologa qu significa que un argumento es "patognomni-
co"?
Son innumerables los sesgos de observacin de parte del paciente y del mdico. No
hay que confundir estos sesgos con la utilizacin inteligente de los resultados: por ejem-
plo, un argumento con un dbil poder de confirmacin ser tomado con cautela cuan-
do es positivo. Lo mismo haremos para un argumento con un dbil poder de exclusin
cuando es negativo.
45
Paraclnica: la transmisin de los datos
Todos tenemos un respeto exagerado por los argumentos paraclnicos: sobreestima-
mos los resultados de laboratorio o los resultados de imagenologa mdica.
Por otro lado muchos exmenes de laboratorio tienen reacciones cruzadas y los ex-
menes de imgenes dependen tambin de la interpretacin del observador.
El valor de positividad
En el prrafo "caractersticas de base" hemos visto que existen argumentos cualitativos
y cuantitativos. Para los argumentos cuantitativos hay que determinar a partir de que
valor consideramos el resultado como positivo. Este lmite de positividad influir sobre
los poderes de confirmacin y de exclusin del argumento.
Una apendicitis puede acompaarse de una leucocitosis alta. Pero qu es una leuco-
citosis alta?, diez mil, catorce mil?, diecisis mil?
46
Poder de un argumento
Figura 4.10 Efecto del punto de corte sobre el poder de un argumento cuantitativo:
recuento de leucocitos en apendicitis
Este grfico debe ser interpretado con cautela, pues se origina en datos ficticios y tiene
como fin solamente demostrar el efecto de tomar diferentes puntos de corte. Un
metanlisis publicado en el 2004 dice que en realidad el poder de confirmacin del
recuento leucocitario a diferentes puntos de corte siempre es dbil. A un punto de
corte de 15 mil, el poder de confirmacin no sobrepasa de 7 y a un punto de corte
de 10 mil el poder de exclusin tampoco sobrepasara de 6.(3)
El factor tiempo
El mdico, durante su
anamnesis, se interesa de 1. Cada argumento tiene un poder de confirmacin y
forma par ticular en la un poder de exclusin
relacin que existe entre 2. Estos respectivos poderes raramente son simtricos
un argumento y su expre- 3. Los argumentos que son pruebas absolutas de una
sin en el tiempo, ms enfermedad son raros.
particularmente, su dura-
cin, su agravamiento, su carcter intermitente, o su desaparicin. Una diarrea, por
ejemplo, es un argumento que habla en favor de muchas etiologas. El espectro diag-
nstico est fuertemente restringido, segn que hablemos de una diarrea de inicio
brusco, que desencadena en una deshidratacin grave por la cual muere el paciente
en pocas horas; de una diarrea crnica; de un episodio diarreico de tres das al inicio
de unas vacaciones en un medio tropical; o de una diarrea sbita luego de una cena
en la cual los alimentos eran de una calidad higinica dudosa. El poder de confirmacin
y de exclusin de este argumento est entonces amplificado o reducido en funcin de
su expresin en el tiempo.
47
Referencias
(1) Van den Ende J, Bisoffi Z,Van Puymbroek H,Van der Stuyft P,Van Gompel A, Derese A, et
al. Bridging the gap between clinical practice and diagnostic clinical epidemiology: pilot
experiences with a didactic model based on a logarithmic scale. J Eval Clin Pract 2007
Jun;13(3):374-80.
(2) Van den Ende J, Moreira J, Basinga P, Bisoffi Z.The trouble with likelihood ratios. Lancet 2005
Aug 13;366(9485):548.
(3) Andersson RE. Meta-analysis of the clinical and laboratory diagnosis of appendicitis. Br J
Surg 2004 Jan;91(1):28-37.
48
5 Fuerza de un argumento aplicada a un contexto clnico
Cuando el grupo dirigido por David Sackett public, en los aos ochenta, su famoso
libro Epidemiologa clnica: ciencia bsica para la medicina clnica, muchas cosas cam-
biaron en la manera de comprender y ensear la medicina.(1) Sackett empez a poner
en duda el valor de muchas cosas que se daban por sentadas en el anlisis diagnsti-
co y en las implicaciones para la toma de decisiones clnicas. Con esto puso las bases
para lo que ms tarde conoceramos como el movimiento de Medicina Basada en la
Evidencia.(2)
Aunque parezca increble, el anlisis diagnstico propuesto por Sackett est basado en
una teora muy antigua desarrollada en el siglo XVIII por el matemtico Thomas Bayes
y luego refinada por Alan Turing, otro matemtico del siglo XX, que se hizo famoso al
decodificar los mensajes encriptados del ejrcito alemn durante la II guerra mundial,
facilitando as la victoria de las tropas aliadas.(3;4) Actualmente el teorema de Bayes y las
redes bayesianas se utilizan en casi todos los dominios de la ciencia,(5) pero ya en 1959
Ledley y Lusted , en un famoso artculo publicado en la revista Science, propusieron su
uso en medicina como una forma de desarrollar un sistema computado de razona-
miento clnico.(6)
49
El mdico no sabe bien como responder a las preguntas. Hace unas semanas asisti a
un curso sobre el uso de pruebas diagnsticas para VIH y aprendi que las pruebas
rpidas que actualmente se usan, tienen una sensibilidad siempre mayor a 97% y una
especificidad de al menos 98%.(8) Como adems ha aprendido a calcular el poder de
confirmacin de un test, coloca inmediatamente estos valores en una tabla de cuatro
entradas y obtiene lo siguiente (Tabla 5.1):
Tabla 5.1 Relacin entre resultado test VIH e infeccin.
Efectivamente una prueba rpida para diagnstico de VIH tiene un poder de confirma-
cin FUERTE. En el caso de una prueba con el principio ELISA el poder de confirma-
cin va a ser MUY FUERTE, pues tanto la sensibilidad como la especificidad estn sobre
99%.(8) Entonces, Cmo explicar al joven la necesidad de hacer una segunda prueba?
Intuitivamente todos dirn que la probabilidad es alta; pero, Cmo es posible que, en
el caso de las trabajadoras sexuales, estemos tan seguros de que realmente estn infec-
tadas, mientras que en el caso del joven del ejemplo anterior mantengamos an una
duda? La explicacin se encuentra en el anlisis del contexto al que pertenece cada
una de estas personas.
50
Fuerza de un argumento
Esta figura les parecer un poco extraa. En primer lugar la probabilidad despus de la
prueba a la que llegamos con el joven es de apenas 2%, mientras que en el caso de la
trabajadora sexual es ms alta, pero an as no llega a ser superior a 32%. En efecto, si
aplicramos la formula de Bayes a los datos que tenemos, estos seran los resultados que
se obtendran. Esto se debe a que, en el clculo de probabilidades, el poder de una prue-
ba es aplicado a la probabilidad que haba antes de hacer dicha prueba1. El segundo
aspecto que llamar la atencin es la escala que est representada en el eje y. A con-
tinuacin explicamos por qu hemos optado por usar esta escala.
1
Para los que estn interesados en conocer en detalle la frmula de Bayes sugerimos leer el apndice, aunque esto no es
indispensable para continuar la lectura del texto.
51
La escala de probabilidades
En realidad se trata de una escala logartmica1. El uso de esta escala tiene muchas ven-
tajas de interpretacin, tanto para el clculo como para la visualizacin; por eso la usa-
remos siempre para estimar la probabilidad obtenida despus de hacer una prueba en
un determinado paciente.
La primera ventaja consiste en que en una escala semejante los extremos estn esti-
rados de manera que podemos visualizar lo que ocurre en probabilidades muy bajas
o muy altas. Esto no sera posible en una escala linear, pues los valores comprendidos
entre 0,01 y 1 o aquellos comprendidos entre 99 y 99,99 estaran escondidos. En la
Figura 5.2 se puede observar cmo una escala logartmica se corresponde con una
escala linear.
Figura 5.2 Probabilidades en Log10 de los odds y en porcentajes
52
Fuerza de un argumento
La segunda gran ventaja de usar esta escala, que es justamente la misma razn por la
que Napier invent hace 400 aos los logaritmos,(9) est en el hecho de que , en lugar
de hacer las complicadas operaciones aritmticas que nos exige la frmula de Bayes,
podemos simplemente adicionar uno tras otro los poderes de cada prueba. Es decir
con la ayuda de este dibujo ya no necesitamos hacer los clculos, simplemente dibuja-
mos las flechas que representan a cada argumento, desde su punto de partida. El tama-
o de cada flecha se determinar por la fuerza que tenga el argumento en cuestin,
tanto para confirmar como para excluir, como ya lo explicamos en el captulo prece-
dente.
Representacin grfica
53
baja. Aunque no nos damos cuenta todas estas preguntas son hechas de una manera
ms o menos serial, es decir una detrs de la otra. Esto es ms evidente cuando pedi-
mos exmenes complementarios: por ejemplo, frente a la sospecha de una pielonefri-
tis empezamos con un examen elemental de orina, si encontramos signos de infeccin
pedimos un cultivo o una ecografa renal. De hecho, este proceso es necesario en los
pacientes de los ejemplos anteriores.Tanto para el joven estudiante como para las tra-
bajadoras sexuales que tuvieron una prueba rpida reactiva para VIH es absolutamen-
te necesario continuar la investigacin con una segunda prueba. El objetivo de la inves-
tigacin, sin embargo, es diferente en cada caso: es de suponer que en el joven lo ms
probable es que estemos ante un falso positivo, por lo tanto nos interesa hacer una
segunda prueba para excluir la infeccin y tranquilizarlo; en el caso de las trabajadoras
sexuales, en cambio, nos interesa confirmar para poder dar las recomendaciones nece-
sarias. Supongamos que en estas dos personas hacemos un segundo test del tipo
ELISA, el cual tiene un poder de confirmacin de 99 - es decir MUY FUERTE - y en
ambos casos obtenemos un resultado reactivo. Cmo deberamos interpretar este
nuevo resultado? Con el uso de nuestra escala esto es facilsimo: simplemente dibuja-
mos una flecha que avanza dos pasos (porque se trata de un test MUY FUERTE) par-
tiendo desde la probabilidad obtenida despus de la primera prueba. De esta manera
obtenemos lo siguiente (Figura 5.4):
54
Fuerza de un argumento
Sin embargo la intuicin nos dice que en el caso del joven es ms probable que una
segunda prueba no sea reactiva. Como dijimos antes, el objetivo principal en este caso
es excluir la infeccin. Cul sera el efecto de un resultado no reactivo en la segunda
prueba? En este caso ya no debemos tomar en cuenta el poder de confirmacin de la
prueba, si no su poder de exclusin. Poniendo los datos en una tabla de contingencia
obtenemos lo siguiente (Tabla 5.2):
Tabla 5.2. Relacin entre resultado test ELISA para VIH e infeccin.
Una prueba con un poder de exclusin MUY FUERTE nos hace mover dos pasos, pero
el movimiento ya no ser hacia arriba, como cuando el resultado era positivo, si no
hacia abajo. Eso s, partiendo de la probabilidad alcanzada despus de la primera prue-
ba. El efecto lo podemos ver en la Figura 5.5, donde comprobamos que la probabili-
dad alcanzada por el joven despus de haber tenido un resultado no reactivo en el test
ELISA es incluso ms baja que la que tena antes de empezar toda la investigacin. Lo
mismo ocurre con la trabajadora sexual en caso de que en ella tambin el test ELISA
resulte negativo.
Figura 5.5: Efecto de dos tests en serie en dos personas diferentes.
55
De esta forma vemos como toda la interpretacin clnica que hacemos, cuando esta-
mos analizando una hiptesis diagnstica en un determinado paciente, puede ser
representada grficamente. Esto con el fin de estimar la probabilidad final alcanzada sin
necesidad de frmulas matemticas. En la figura 5.6 se puede observar cual sera el
resultado obtenido si pusiramos en forma grfica una serie de preguntas en una sos-
pecha de infeccin por VIH.
Figura 5.6: Evolucin de la probabilidad con varios argumentos en serie
Otro ejemplo
Consideremos el siguiente caso clnico:
Una mujer shuar de 30 aos de edad llega al consultorio del Hospital de Mndez,
en la amazona ecuatoriana. Se queja de tos de ms de dos meses de evolucin, dis-
nea inespecfica y hemoptisis. Usted pide un BAAR de esputo pero este resulta nega-
tivo, por lo que decide hacer una Rx de trax en la que se observa infiltrado apical.
Lo primero que sospechamos es en una tuberculosis pulmonar, por eso resulta nece-
sario estimar la sospecha inicial, es decir, el punto de partida desde el cual vamos a
interpretar todos los argumentos que esta paciente presenta. Una manera podra ser
la de considerar que la sospecha inicial es la prevalencia de la tuberculosis pulmonar
en la poblacin ecuatoriana la cual, segn las informaciones estadsticas, es de 5 en 10
mil. Sin embargo hay que tomar en cuenta el hecho de que las prevalencias obtenidas
de las estadsticas oficiales estn relacionadas con la poblacin general del pas, en la
cual se encuentran ms personas sanas que enfermas. Un servicio de salud, como el
hospital de este ejemplo, corresponde a un contexto diferente al de la poblacin gene-
ral: las personas que acuden a un hospital lo hacen, por lo general, porque tienen algn
problema de salud, por tanto ya no es una poblacin constituida por personas sanas y,
por eso, la prevalencia de todas las enfermedades, includa la tuberculosis, es ms alta.
56
Fuerza de un argumento
experiencia. Para esto es necesario hacer un pequeo ejercicio intuitivo con la siguien-
te pregunta: De los ltimos 100 pacientes que he visto en este servicio de salud,
Cuntos han tenido tuberculosis? Si la respuesta es 1, entonces ya sabemos que la
sospecha inicial es de 1%; si la respuesta hubiera sido 5, entonces la sospecha inicial
sera de 5%. En enfermedades menos frecuentes tendremos que hacer la misma pre-
gunta sobre 1000 pacientes. Este ejercicio intuitivo necesita un cierto control mental
de nuestra parte. Como seres humanos tenemos una tendencia a sobreestimar la fre-
cuencia de algunos eventos que nos han llamado la atencin, que nos han provocado
una reaccin emocional.(10) En los mdicos este fenmeno ocurre a menudo. Por ejem-
plo, despus de haber descubierto una colagenopata en algn paciente, la cual ha
requerido un ejercicio intelectual y reflexivo intenso, no dejamos de pensar en esa
enfermedad en todos los siguientes pacientes que vemos con algn sntoma parecido;
incluso hacemos de inmediato juicios tales como: es sorprendente como ha aumen-
tado la frecuencia de esta enfermedad en los ltimos tiempos! y transmitimos estas
ideas a nuestros pacientes. Por eso, cundo estimamos intuitivamente la frecuencia de
una enfermedad debemos ser muy cautos controlando nuestro pensamiento. Siempre
hay que tomar en cuenta un principio: las enfermedades raras son raras y su frecuen-
cia cambia en grandes perodos, cada 10, 20 o 30 aos, por ejemplo en los aos 60 la
obesidad era rara, ahora es ms frecuente, pero esa situacin no cambi de un momen-
to al otro, ha sido el producto de varios cambios sociales ocurridos en los ltimos 40
aos. Es diferente el caso de las enfermedades altamente transmisibles que pueden ori-
ginar una epidemia, por ejemplo la gripe, el dengue, la malaria, la diarrea, en las cuales la
frecuencia puede cambiar de un mes a otro. La tuberculosis pulmonar es una enferme-
dad transmisible pero su velocidad de transmisin no es tan alta como la de una dia-
rrea causada por contaminacin del agua. La tuberculosis no tiene brotes epidmicos!
Regresando a nuestro ejemplo de la mujer shuar, podemos decir con confianza que la
sospecha inicial de tener tuberculosis pulmonar, si estamos en el Hospital de Mndez,
es de 1%. A esta probabilidad inicial tambin se la conoce como la probabilidad pre-
test.
57
Probablemente no, a menos que nos encontremos atendiendo en un servicio de neu-
mologa; Ser 1 de cada 100? Tampoco, la tos crnica, incluso en la poblacin general
es ms frecuente; Sern 4 de cada 10? Todava parece un poco exagerado; Uno de
cada 10?, Tres de cada 10?, all parece que hemos encontrado una suerte de punto
de equilibrio: la frecuencia de tos crnica en un grupo de personas que NO tienen
tuberculosis pulmonar se encuentra entre 1 de cada 10 y 3 de cada 10, es decir en 2
de cada 10, por consecuencia la tasa de falsos positivos es de 20%. Con esto ya es posi-
ble hacer el clculo del poder de confirmacin, para lo cual ponemos los valores en
una tabla (Tabla 5.3)
Tabla 5.3: Poder de confirmacin para la tos en tuberculosis
58
Fuerza de un argumento
Resumiendo, la probabilidad de base que tena esta paciente era de 1%. Como se ve
en el grfico, a este momento lo llamamos sala de espera, pues es la probabilidad que
tendra cualquier paciente de tener cualquier enfermedad antes de que el mdico lo
atienda, es decir cuando efectivamente est en la sala de espera. Luego de haber
recogido, durante la consulta, varios argumentos (positivos y negativos) en esta misma
persona, la probabilidad post-test de que ahora se encuentre afectada por esta enfer-
medad es de 99%: los argumentos positivos (tos, disnea inespecfica, hemoptisis y una
radiografa de trax que presenta infiltrado apical) han aumentado el valor de esta pro-
babilidad y el argumento negativo (ausencia de BAAR en esputo) lo ha descendido.
59
La leccin ms importante, luego de revisar este caso, es que la paciente tiene una pro-
babilidad bastante alta de estar enferma con tuberculosis pulmonar,A PESAR de un exa-
men de esputo negativo para BAAR. Las implicaciones de este resultado son de una
importancia enorme. Si el mdico en este momento piensa que la certeza alcanzada no
es suficiente para iniciar el tratamiento, la paciente podra quedarse sin recibir la aten-
cin adecuada a pesar de tener la enfermedad. Por otro lado la certeza no es del 100%,
de manera que an existe una, aunque muy pequea, probabilidad de que tenga cual-
quier otra enfermedad y no tuberculosis. Cul es el nivel de certeza requerido? La res-
puesta solo se obtendr despus de una estimacin adecuada del umbral que, como
vimos en el segundo captulo, toma en cuenta los riesgos de dejar sin tratamiento a
alguien que tiene la enfermedad vs. los riesgos de tratar a alguien que no tiene la enfer-
medad. Para el caso de la tuberculosis podemos decir que el umbral, es decir la certe-
za requerida, es bastante bajo. Un estudio realizado en Ruanda mostr que es de mxi-
mo 11%,(11) por lo tanto en esta paciente el umbral ha sido superado de lejos y se puede
tratar con toda seguridad, an si su examen de esputo es negativo.
Notas adicionales
Nuevas herramientas
En los ltimos 30 aos han sido propuestas algunas herramientas que facilitan el uso
del teorema de Bayes en la prctica clnica. El ms conocido de todos es el nomogra-
ma de Fagan en el cual, mediante un trazo que parte de la probabilidad pre-test pasan-
do por el poder del test, se llega a la probabilidad post-test.(12) Aunque es una herra-
mienta muy interesante tiene algunas desventajas para su uso cotidiano en la prctica
clnica. La primera desventaja es que solo se puede calcular el efecto de un test a la
vez, necesitando poner varios nomogramas, uno al lado del otro, para poder observar
la evolucin de la probabilidad.(13) La segunda desventaja, que es quizs la ms impor-
tante, es que la herramienta est basada en likelihood ratios, que pueden traducirse
al castellano como cocientes de probabilidad. En realidad estos no son otra cosa que
el poder de un argumento pero calculados de una forma diferente y ms complicada,1
por eso requieren que el usuario tenga nociones ms avanzadas de epidemiologa cl-
nica, lo que no es el caso de la mayor parte de los mdicos.(7) Tambin en los ltimos
aos, con la expansin en el uso de computadoras de mano (ms conocidas como
Handheld, PDAs o Palm) se ha puesto a disposicin de los mdicos calculadoras
bayesianas en las cuales es suficiente introducir la probabilidad pre-test, luego el
cociente de probabilidad del test cuyo efecto se quiere conocer y se obtiene la pro-
babilidad post-test. Estas calculadoras no han superado conceptualmente al nomogra-
ma de Fagan, por lo que siguen teniendo sus mismas desventajas.
El mtodo que hemos propuesto aqu supera estos obstculos y, ms que una herra-
mienta fsica, intenta convertirse en una destreza, a la que pueda recurrirse cuando sea
necesario analizar el efecto de una prueba aplicada a un paciente que se encuentra en
un determinado contexto.(14)
El valor predictivo
Dentro del contenido de todo curso de epidemiologa siempre se insiste en la nocin
del Valor Predictivo Positivo y Negativo como una forma para evaluar el beneficio de
1
Para los interesados, en anexo se explica en detalle la diferencia entre likelihood ratios y poder de confirmacin. No es
indispensable para continuar la lectura del texto.
60
Fuerza de un argumento
una prueba. De hecho, esto no es otra cosa que la aplicacin del teorema de Bayes sin
embargo, en la prctica clnica, esto ha dado origen a mucha confusin.
Por un lado, el valor predictivo, al ser una nocin ms utilizada en la epidemiologa per-
mite conocer el valor de un argumento en una poblacin dada. Esto se aleja de las nece-
sidades a las cules un mdico se confronta durante la prctica clnica. Cuando ste ana-
liza el valor de un test est ms interesado en conocer el valor del mismo en un pacien-
te en particular, no en una poblacin. Hay que recordar que la prevalencia de una enfer-
medad en una poblacin es diferente de la sospecha inicial que un paciente tiene - de
padecerla - cuando se encuentra en la sala de espera. Cada paciente tiene su propia
historia y por consecuencia su propia sospecha, la que incluso cambia segn el tipo de
sala de espera que tengamos: por ejemplo, la sospecha de insuficiencia cardiaca en la
sala de espera de un mdico general es bastante ms baja que la que se encuentra
en la sala de espera de un servicio de cardiologa.
Por otro lado el uso extensivo del valor predictivo en la literatura mdica, para analizar
el beneficio de las pruebas diagnsticas, ha dado lugar a interpretaciones errneas que a
la larga pueden perjudicar el manejo de los pacientes. En la mayor parte de estudios en
los que se analiza el valor predictivo la sospecha inicial de la enfermedad ya se encuen-
tra muy elevada, por consecuencia la probabilidad post-test siempre terminar siendo
alta. Un ejemplo real de esto podemos encontrar en la interpretacin de los argumen-
tos frente a una sospecha de apendicitis. Uno de los puntajes ms populares para el diag-
nstico de esta enfermedad es el score de Alvarado. Segn el artculo original de este
estudio el valor predictivo positivo de todos los argumentos incluidos en el score es
superior al 90%.(15) Un metanlisis ms reciente, que en lugar de analizar el valor predic-
tivo positivo usa los cocientes de probabilidad, revela que en realidad todos estos argu-
mentos son dbiles.(16) El error de interpretacin se da porque en la poblacin de origen
del estudio de Alvarado la sospecha inicial de apendicitis ya era bastante alta.
61
Conclusin
Ni la sensibilidad y ni la especificidad, por s solas, nos permiten conocer la fuerza de
un argumento. Es mediante la combinacin de ambas, midiendo el equilibrio (o des-
equilibrio) entre verdaderos y falsos que podemos estimar el aporte que un argumen-
to puede tener en nuestra sospecha diagnstica.
Usando el teorema de Bayes, esta fuerza puede ser aplicada directamente en la pre-
valencia o la sospecha inicial. Las fuerzas de una serie de argumentos nos ayudan, de
esta forma, a llegar a una probabilidad final.
Desafortunadamente las frmulas que se encuentran por detrs del teorema de Bayes
son excesivamente complejas, lo que dificulta su aplicacin en la prctica clnica de
todos los das.
El uso de estimaciones intuitivas, cuando stas son hechas de una manera objetiva,
es muy fiable y apropiado para la situacin de trabajo de un clnico.
62
Fuerza de un argumento
Referencias
(1) Sackett D, Haynes R, Guyatt GH, Tugwell P. Clinical Epidemiology: a basic science for clini-
cal medicine. 2 ed. Boston: Little, Brown and Company; 1991.
(2) Sackett DL, Rosenberg WM. On the need for evidence-based medicine. J Public Health
Med 1995 Sep;17(3):330-4.
(3) Bayes T. An Essay Toward Solving a Problem in the Doctrine of Chances. Philosophical
Transactions of the Royal Society of London 1764;53:370-418.
(4) Good I.J. Studies in the history of probability and statistics XXXVIII. AM Turing's statistical
work in world war II. Biometrika 1979;66:393-6.
(5) Wiggins C.What is Bayes' theorem, and how it can be used to assign probabilities to ques-
tions such as the existence of God? What scientific value does it have? Scientific American
. 4-12-2006.
(6) Ledley RS, Lusted LB. Reasoning foundations of medical diagnosis; symbolic logic, probabi-
lity, and value theory aid our understanding of how physicians reason. Science 1959 Jul
3;130(3366):9-21.
(7) Van den Ende J, Moreira J, Basinga P, Bisoffi Z.The trouble with likelihood ratios. Lancet 2005
Aug 13;366(9485):548.
(8) Ferreira Junior OC, Ferreira C, Riedel M,Widolin MR, Barbosa-Junior A. Evaluation of rapid
tests for anti-HIV detection in Brazil. AIDS 2005 Oct;19 Suppl 4:S70-S75.
(9) Stoll C. When slide rules ruled. Scientific American 294[5], 69-75. 2006.
(10) Eddy DM. Probabilistic reasoning in clinical medicine: Problems and opportunities. In:
Kahneman D, Slovic P, Tversky A, editors. Judgement under uncertainty: Heuristics and
Biases.Cambridge: Cambridge University Press; 1982.
(11) Basinga P, Moreira J, Bisoffi Z, Bisig B,Van den Ende J. Why Are Clinicians Reluctant to Treat
Smear-Negative Tuberculosis? An Inquiry about Treatment Thresholds in Rwanda. Med
Decis Making 2007 Jan;27(1):53-60.
(12) Fagan TJ. Letter: Nomogram for Bayes theorem. N Engl J Med 1975 Jul 31;293(5):257.
(13) Grimes DA, Schulz KF. Refining clinical diagnosis with likelihood ratios. Lancet 2005 Apr
23;365(9469):1500-5.
(14) Van den Ende J, Bisoffi Z,Van Puymbroek H,Van der Stuyft P,Van Gompel A, Derese A, et
al. Bridging the gap between clinical practice and diagnostic clinical epidemiology: pilot
experiences with a didactic model based on a logarithmic scale. J Eval Clin Pract 2007
Jun;13(3):374-80.
(15) Alvarado A. A practical score for the early diagnosis of acute appendicitis. Ann Emerg Med
1986 May;15(5):557-64.
(16) Andersson RE. Meta-analysis of the clinical and laboratory diagnosis of appendicitis. Br J
Surg 2004 Jan;91(1):28-37.
63
6 El Panorama: Anlisis del Razonamiento
Clnico Complejo
1.1 Introduccin
En contraste con la abundancia de literatura que se escribe sobre teraputica y sobre
el desarrollo de mtodos para el diagnstico, muy poco se ha escrito sobre las bases
que guan el razonamiento clnico. Recin a finales de los setenta Kassirer empez, en
su serie clinical problem solving que hasta ahora se publica peridicamente en el
New England Journal of Medicine, a realizar algunos ensayos en ese sentido.(1)
Contemporneamente un grupo importante de psiclogos cognitivos tambin comen-
z a desarrollar algunos experimentos en ese campo, coincidiendo con el advenimien-
to del computador personal, el cual nos incit a analizar la lgica humana con el fin de
imitarla electrnicamente.(2-4) A pesar de eso, hasta la fecha, no existen resultados con-
cretos que permitan generalizar recomendaciones que puedan ser integradas en la
prctica clnica de todos los das y en la enseanza mdica. Podramos preguntarnos
porqu esto ha sido as. La principal razn, y mas bien un pretexto, parece ser una mez-
cla de respeto por el secreto mdico y de veneracin de la intuicin. Todos experi-
mentamos una resistencia considerable cuando hay que violar la intimidad de una con-
sulta, la intimidad de parte del paciente, que quiere proteger sus datos, y la intimidad
por parte del mdico que mira a sus contactos y sus anlisis como sagrados. Todos
somos reticentes a hacer analizar nuestra intuicin. Es por eso que las reservas men-
cionadas debilitan substancialmente a los ejercicios clnicos. Involucrarse en la vida pri-
vada de un paciente, y esto delante del pblico es a menudo visto como un problema
tico.
El lazo entre estas dos reservas no es tan fcil de comprender. No hay ningn obst-
culo tico para que nuestra intuicin sea disecada, formalizada y mejorada.
Lamentablemente los mtodos para hacerlo todava estn poco desarrollados y qui-
zs, seguir insistiendo en eso, no sea tan importante.
La lgica probabilstica, con el uso del anlisis bayesiano que explicamos en el captulo
anterior, aborda solo una pequea parte del razonamiento clnico, que es la relacin
entre una enfermedad y un argumento, y luego entre una enfermedad y varios argu-
mentos. El problema es que en la vida real debemos encontrar relaciones entre una
multitud de enfermedades y argumentos, por lo cual el desafo es mucho mayor.
Cmo podemos abrirnos un camino en este tipo de situaciones?
En los ltimos 30 aos la OMS y la OPS han invertido muchos recursos en la cons-
truccin de algoritmos, los que han estado principalmente dirigidos para el primer nivel
65
de atencin. El ejemplo ms conocido es el de los algoritmos para la Atencin
Integrada de las Enfermedades Prevalentes de la Infancia (AIEPI).(4) La idea era de
poder ayudar a los agentes de salud comunitarios (promotores de salud y auxiliares de
enfermera) que trabajan en zonas con poca accesibilidad a tener una lgica fija que les
permita solucionar problemas mdicos urgentes, principalmente relacionados con la
referencia oportuna de casos graves a un nivel de atencin mayor. Ms tarde esta lgi-
ca algortmica se traslad a varios textos de medicina y a varias lneas guas relaciona-
das con el manejo de problemas complejos. Lo sorprendente es que son muy raros
los clnicos con experiencia que actan siguiendo algoritmos establecidos y esto puede
tener varias explicaciones.
Finalmente la tercera explicacin tiene que ver con el sentido comn que tiene un
mdico, el cual est basado en el conocimiento y la experiencia. Un clnico experimen-
tado puede darse cuenta en unos pocos minutos que las restricciones que impone un
razonamiento algortmico pueden tener consecuencias importantes en el manejo de
un paciente, por lo tanto prefiere no seguirlo.
1
Por analgico nos referimos a que a cada estmulo se le da el valor real de la magnitud que se quiere transmitir.
66
El panorama
67
Tambin en este algoritmo el razonamiento es demasiado ingenuo: el paciente no
puede tener una febricula, tampoco puede tener bocio y fiebre al mismo tiempo, etc.
Por estas razones en este libro proponemos otra forma de representar nuestra lgica
diagnstica. Al igual que los algoritmos, esta lgica est basada en el anlisis de un argu-
mento clave como se hace en el diagnstico diferencial clsico. Sin embargo, en lugar
de emplear las ramas que tiene un algoritmo la representamos como un panorama.
A partir del argumento clave se puede hacer un recorrido visual de todas las enfer-
medades prioritarias siguiendo un razonamiento paralelo y analgico(Figura 6.3). (7)
Figura 6.3 Panorama
El volcn que est en el centro representa el sntoma clave. Las colinas alrededor del volcn
representan las enfermedades prioritarias que estamos obligados a confirmar y/o excluir,
mientras que las que se encuentran ms alejadas son las enfermedades menos prioritarias.
Las leyes
Las leyes para construir un panorama son muy pocas, pero hay que tomarlas siempre
en cuenta. Estas pueden ser deducidas a partir de una serie de errores o sesgos en el
razonamiento diagnstico.
68
El panorama
rencial de fiebre. Por eso, al hacer nuestro espectro mental nos contentamos con
incluir solo las enfermedades ms frecuentes.
Aunque sta parecera ser una estrategia muy eficiente tiene una trampa: Hay ciertas
enfermedades que son poco frecuentes pero que pueden traer consecuencias fatales
para el enfermo. Si adems estas son susceptibles de ser controladas por una interven-
cin mdica, por ejemplo con un antibitico o una ciruga, el error de haberlas pasa-
do por alto es imperdonable. Un ejemplo es la meningitis. Esta no es una enfermedad
frecuente sin embargo, si no se trata a tiempo, puede ser fatal y, adems, es fcilmente
tratable. No es raro escuchar historias de nios que han muerto o han quedado seve-
ramente discapacitados porque, a raz de un episodio de fiebre, el mdico no sospe-
ch y no trat a tiempo una posible meningitis. Por otro lado hay enfermedades que,
aunque son muy frecuentes, no amenazan la vida de la persona y-o no tienen un tra-
tamiento especfico. El ejemplo ms tpico de estas ltimas es la gripe: es la enferme-
dad ms comn y aunque puede ser muy molestoso para un paciente tener goteo
nasal, fiebre, dolor muscular, cefalea, estos sntomas desaparecen en algunos das sin
necesidad de tratamiento especfico y, en la mayora de los casos, sin amenazar la vida
del enfermo o dejar secuelas graves. Por esta razn al construir el espectro de enfer-
medades en un panorama, si bien hay que ser eficiente, no hay que caer en la trampa
de considerar nicamente lo ms frecuente: Hay que acordarse de todo lo que puede
afectar gravemente al paciente y que adems sea susceptible de tratamiento.
Evitar la imagen congelada: Hay que cuidarse del efecto tpicamente humano de "ima-
gen congelada", que consiste en una perdida relativa del nimo para seguir buscando
otras alternativas una vez que una solucin plausible ha sido identificada. Un clnico
ideal debera probar consecutivamente una serie de patologas que podran corres-
ponder al caso que tiene frente a l: la realidad nos ensea que esto no siempre suce-
de as. Existe la tendencia a detenerse ante la primera patologa plausible, congruente,
olvidndose de las otras hiptesis en juego. Este fenmeno es compatible con el tr-
mino "imagen congelada" que se utiliza en ecografa, cuando el imagenlogo inmovili-
za la imagen actual para estudiarla mejor o para fotografiarla, dejando a un lado el
resto. Cada uno de nosotros sabe que este error es ms que cierto y tambin podra
llamrselo razonamiento en tnel o sesgo de confirmacin.(8) El sesgo de confirma-
cin consiste en la tendencia a buscar informacin que confirme el diagnstico que ya
ha sido escogido, interpretando todos los datos en ese sentido, sin buscar otras hip-
tesis plausibles. La ley que se infiere de este error es que, ante un espectro de enfer-
medades incluidas en el panorama, el clnico no solo debe tratar de confirmar una de
ellas, si no que tiene que excluir todas las que pueden afectar gravemente al enfermo
y son susceptibles de tratamiento. Solo cuando todas estas enfermedades prioritarias
hayan sido excluidas puede pensar en otras menos graves y-o sin tratamiento.
69
Evitar el fenmeno del basurero: siguiendo la misma lgica de creer que al excluir
varias hiptesis (echndolas al basurero) aumentamos la probabilidad de una enferme-
dad caemos otra trampa. La enfermedad que queda podra necesitar ms evidencia
antes de iniciar una accin mdica, lo que en otras palabras quiere decir que tiene un
umbral de decisin ms alto, el cual no ha sido an alcanzado. En clnica no podemos
contentarnos solamente con excluir. Tambin hay que probar, teniendo en mente el
principio del umbral de decisin.
El inventario de datos
Cmo utilizar estas leyes en la prctica? Hay que buscar siempre todas las enferme-
dades posibles? Hay que continuar eternamente despus de haber encontrado una
causa muy probable?
Un anlisis complejo no es una empresa que se debe poner en marcha ante cualquier
situacin clnica: muchos pacientes se presentan con un problema simple, o evidente,
o se presentan para un seguimiento. Un anlisis complejo se impone solamente si esta-
mos ante un signo o un sntoma que sugiere al menos una patologa grave, que podra
estar escondida detrs de una patologa comn y banal. Parte de la competencia de
un mdico consiste exactamente en distinguir entre situaciones peligrosas y tranqui-
las: a menudo, una consulta empieza con definir el sntoma de entrada, y con pesar
este sntoma. Una hemoptisis pasajera en un paciente que tiene todos los sntomas de
una gripe no necesita un anlisis complejo; una hemoptisis en un paciente que se queja
de tos desde hace dos meses es otra cosa.
El razonamiento humano con frecuencia echa mano de ciertas estrategias que le per-
miten estimar la frecuencia de un evento en situaciones de incertidumbre. Estas estra-
tegias han sido descritas por los psiclogos cognitivos como la heurstica de represen-
tatividad y la heurstica de disponibilidad.(8) La heurstica es una capacidad tpica del
ser humano para buscar la solucin de un problema mediante mtodos no rigurosos.
Podra definirse como el arte y la ciencia del descubrimiento y de la invencin, resol-
viendo problemas mediante la creatividad y el pensamiento lateral. La heurstica de
representatividad consiste en hacer la asociacin de lo que observamos con un este-
reotipo que ya tenemos preconcebido; por ejemplo: ante una tos crnica con hemop-
tisis y disminucin de peso asociamos de inmediato una tuberculosis pulmonar. La heu-
70
El panorama
rstica de disponibilidad, en cambio, consiste en asociar lo que se observa con una situa-
cin que se nos viene a la mente con facilidad al habernos causado, en el pasado, emo-
tividad; por ejemplo: uno de los autores cuenta que, cada vez que ve un nio con fie-
bre, se le viene a la mente aquel nio que examin hace muchos aos, en quien no
sospech una leucemia, probndose ms tarde que tena la enfermedad. Si bien estas
estrategias pueden servir como pistas que ayudan en la construccin del espectro de
enfermedades, a menudo pueden engendrar un sesgo peligroso al no tomar en cuen-
ta la frecuencia de las enfermedades y la contribucin real de los argumentos.(9) Es
necesario tener mucho cuidado con estas estrategias propias del razonamiento huma-
no y considerar siempre algunas leyes bsicas de probabilidades.
Tambin es importante buscar los argumentos con un fuerte poder de exclusin: estos
permitirn descartar muy rpido una serie de hiptesis. Muchos de estos argumentos
son simples preguntas de anamnesis y examen fsico que hacemos rutinariamente. Por
ejemplo, estamos en Quito (2800 m. de altitud, no hay transmisin de malaria) y aten-
demos a un paciente con fiebre. Le preguntamos si ha viajado a la costa o a la amazo-
na en los ltimos seis meses. Si el paciente dice que no ha viajado a la costa hemos
excluido inmediatamente una malaria y no necesitamos seguir investigando ms en esa
direccin. Esta estrategia no funciona si estamos atendiendo al mismo paciente en una
ciudad de la costa o de la amazona (hay transmisin de malaria): all no hace falta pre-
guntar si ha viajado a una zona endmica, pues ya est all, por eso estamos obligados
1
... pero en asociacin con fiebre e ictericia, puede significar el inicio de una hepatitis, y en combinacin con fiebre y leucopenia,
sugiere una fiebre tifoidea. Estos argumentos dbiles podrn ser usados ms tarde en la corroboracin de nuestra sospecha
diagnstica.
71
a pedir un examen de Plasmodium en gota gruesa de sangre, si esta es negativa habre-
mos excluido el diagnstico, pues el poder de exclusin es fuerte.
Desde el punto de vista terico, estos pasos son extremadamente importantes para
la construccin de un marco de trabajo virtual, crucial en el reconocimiento de un
patrn.
Los puntos nodales sirven igualmente de pivote para la discusin de los elementos
confusores en el diagnstico, es decir de los signos y sntomas comunes que son con-
siderados como trampas en el diagnstico diferencial clsico.
Subrayemos antes que todo, que nuestro ejercicio tiene una lgica exclusivamente
diagnstica, aunque en la prctica, algunas medidas teraputicas ms o menos urgen-
tes ya son incorporadas en el manejo del paciente. Esto se hace especialmente para
72
El panorama
las medidas de soporte vital: en un paciente con diarrea siempre iniciaremos una hidra-
tacin sin importar cual es la causa de la diarrea. De ser necesario esta se investigar
ms tarde. Ha sido probado que la mayora de los clnicos nunca separa estos dos
aspectos, y que consideran las elecciones teraputicas de forma temprana en su
encuentro con el paciente. El anlisis presentado aqu solo concierne a los pasos lgi-
cos en la investigacin de un diagnstico.
La construccin del panorama equivale a poner en una suerte de mapa las enferme-
dades que van a ser objeto de anlisis y los argumentos que van a servir para discer-
nir entre las diferentes enfermedades, en otras palabras se necesita ubicar en este
mapa a las colinas y los rboles que estarn rodeando al argumento clave.
El argumento clave
El panorama diagnostico debe partir de un sntoma o signo clave, sin embargo el pano-
rama depende del contexto para el cul va a ser diseado. No es muy til hacer un
panorama diagnostico sobre un problema genrico, por ejemplo fiebre. La lista de
enfermedades en este panorama va a ser demasiado extensa y difcil de manejar. Es
mejor hacer algunas especificaciones sobre el grupo poblacional y el escenario de tra-
bajo en el cual el panorama debe ser aplicado, por ejemplo fiebre en el nio en un
hospital provincial de la costa ecuatoriana. De esta forma el panorama tendr una
aplicacin prctica inmediata.Tambin se puede hacer un panorama para una situacin
clnica particular, por ejemplo cefalea en el paciente VIH positivo.
Es importante que el argumento o problema clave genere una serie de hiptesis entre
las cuales se encuentren algunas enfermedades graves y tratables, pues es justamente
para este tipo de situaciones en donde este ejercicio de razonamiento se vuelve ms
til.
Las colinas
Las colinas del panorama van a corresponder a las enfermedades que hemos conside-
rado importantes para analizar ante la presencia del argumento o problema clave.
Regresando al paso 5 de nuestro inventario de datos, es decir a la definicin de prio-
ridades, durante la cual clasificamos a las enfermedades en dos grupos, las graves y tra-
tables y las menos graves o no tratables, hacemos dos crculos concntricos de colinas.
El crculo interno representa las patologas graves y tratables: un buen clnico siempre
har una bsqueda de todas estas patologas an si, desde el comienzo, una sola pato-
loga le parece la ms probable.
En el crculo externo estarn las otras enfermedades menos graves o no tratables. Esto
73
no quiere decir que estas enfermedades son de menor importancia para el paciente.
Simplemente son enfermedades cuyo tratamiento puede esperar o para las cuales da
lo mismo esperar un poco, pues no hay mucho que ofrecer, aparte de medidas palia-
tivas.
Los rboles
Para poder diferenciar entre una y otra patologa nos servimos de los sntomas, signos,
exmenes de laboratorio e imgenes, es decir de los argumentos. Estos son los pun-
74
El panorama
tos nodales de nuestro camino lgico y la eficacia y eficiencia que tengamos como cl-
nicos depende de una adecuada seleccin de los mismos: el buen clnico es el que
sabe exactamente cules son las preguntas que se deben hacer! En el panorama estos
puntos nodales - argumentos estn representados por los rboles que adornan las
colinas.
Esto tiene implicaciones muy importantes para el paciente, para los servicios de salud
y para la docencia. Por lo general este grupo de argumentos est compuesto por pre-
guntas de anamnesis y examen fsico que hacemos rutinariamente. En trminos de cos-
tos podramos decir que estas preguntas no tienen ninguna consecuencia, pues hacer
una palpacin o una auscultacin no cuesta nada, pero podra darse el caso que ten-
gamos que hacer una maniobra que cause molestia al paciente, por ejemplo un tacto
vaginal o un tacto rectal. La implicacin de incluir una de estas maniobras de examen
fsico en el grupo de argumentos que se encuentran al interior del crculo interno es
que: en todo paciente que se presente con el sntoma clave en cuestin tendramos
la obligacin de hacerla. En el caso de los exmenes de laboratorio o de imgenes
hay otras consecuencias. Por un lado est el costo del examen y por otro est el posi-
ble riesgo del mismo. Si, por ejemplo, decidimos que en un determinado panorama
debemos incluir al interior del crculo interno una tomografa axial contrastada, la impli-
cacin es que: todo paciente que se presente con este sntoma clave deber asumir
el costo y los riesgos de la tomografa axial contrastada. Incluso, si el paciente est afi-
liado a un sistema de seguros, debera ser la aseguradora la que tendra -por razones
ticas - que asumir el costo del examen.
Por esa razn la seleccin de los argumentos - puntos nodales que se encuentran al
interior del crculo interno debe ser hecha con mucha precisin. Los criterios que
debemos tomar en cuenta para escoger estos argumentos son el poder de confirma-
cin y el poder de exclusin. Se dar preferencia a aquellos que tengan el ms alto
poder de confirmacin y-o de exclusin y que ayuden a discriminar bien entre una y
otra patologa. Si se da el caso de que uno de estos argumentos es un examen que
tiene costo y-o que tiene riesgo o causa molestias al paciente debemos reflexionar
muy bien si vale la pena incluirlo al interior del crculo o, si ms bien, lo dejamos fuera
del crculo para tomarlo en cuenta ms tarde cuando todas las dems patologas del
crculo interno hayan sido excluidas.
Hay que comprender muy bien que no est prohibido poner un examen de laborato-
rio o de imgenes al interior del crculo interno, pero si lo hacemos tenemos que jus-
tificar la razn: el costo o el riesgo de dicho examen debe tener menos peso que el
dao que podramos provocar al dejar de hacerlo. Sobretodo hay que considerar que
la implicacin ser que, si el examen se encuentra al interior del crculo interno, va a
tener que ser realizado a todo paciente que se presente con el argumento clave.
75
Un segundo grupo importante de rboles son aquellos que se encuentran al exterior
del crculo interno. Estos son los argumentos que vamos a emplear en un segundo
momento del anlisis diagnstico cuando todas, excepto una de las patologas del cr-
culo interno hayan sido excluidas. Estos argumentos nos servirn para confirmar aque-
lla que no ha sido excluida.
Finalmente quedan los rboles ms perifricos, aquellos que servirn para confirmar y-
o excluir las patologas del crculo externo.
A manera de ejemplo, retomamos aqu los pasos a seguir ante un problema difcil de
resolver: la ascitis en el adulto.
Descompensacin cardaca
Beriberi
Cirrosis
Estadio terminal de una fibrosis
Una ascitis falsa: sangre en el peritoneo: ruptura del bazo, embarazo extra-uterino.
Tuberculosis peritoneal
La fisiopatologa
En forma paralela a la investigacin de las causas, nos acordamos de la fisiopatologa
del sntoma o del signo, lo que nos ayuda an ms a encontrar otras causas, o a poner
en orden las que ya tenemos.
76
El panorama
La fuerza aspiratriz de las protenas (presin onctica) puede jugar un rol en las
hipoproteinemias, aunque en el adulto la ascitis raramente es debida a esta even-
tualidad, salvo en el cuadro de la cirrosis o de un sndrome nefrtico.
Una ascitis puede estar simulada por la presencia de sangre en el peritoneo, en caso
de ruptura esplnica o de embarazo extra-uterino. Una "ascitis aguda" debe siempre
hacer pensar en estas eventualidades. La presentacin de estas dos patologas puede
ser extremadamente traicionera, no podramos dejar de considerarlas ante una "asci-
tis" que est acompaada de hipotensin o de vrtigos.
Las prioridades
Las patologas graves y vulnerables, deben ser investigadas antes que nada: algunas des-
compensaciones, beriberi, pericarditis, tuberculosis, sndrome nefrtico ( y evidente-
mente las "falsas ascitis")
77
Tabla 6.1 Matriz para analizar puntos nodales. Ejemplo ascitis.
78
El panorama
79
Figura 6.5 Panorama completo para ascitis.
80
El panorama
81
Conclusin
Reemplazamos el algoritmo dicotmico serial por una representacin paralela y an-
loga (ponderada) de nuestra lgica diagnstica.
Quiere esto decir que nosotros seguimos siempre panoramas similares junto al
lecho de nuestros enfermos? Evidentemente no, lo que presentamos es una represen-
tacin grfica que permite realizar ejercicios de razonamiento. Adems, en la mayora
de nuestros enfermos el sntoma predominante no es ni alarmante, ni difcil de inter-
pretar. Una lgica netamente ms simple puede ser seguida. Sin embargo las grandes
reglas siempre deben ser respetadas: reflexionamos siempre, preguntndonos si no hay
una patologa peligrosa y tratable que se esconde detrs de un cuadro aparentemen-
te inocente. La mejor forma de interrogarse es utilizando los argumentos en el crcu-
lo interior, que deber ser totalmente agotado antes de ir ms lejos, an si a primera
vista el cuadro es simple y habla por si mismo.
Referencias
(1) Kassirer JP. Teaching problem-solving--how are we doing? N Engl J Med 1995 Jun
1;332(22):1507-9.
(2) Norman G. Building on experience--the development of clinical reasoning. N Engl J Med
2006 Nov 23;355(21):2251-2.
(3) Norman G. Research in clinical reasoning: past history and current trends. Med Educ 2005
Apr;39(4):418-27.
(4) Integrated management of childhood illness. Rev Panam Salud Publica 1997 Aug;2(2):138-
41.
(5) Elstein AS, Schwarz A. Clinical problem solving and diagnostic decision making: selective
review of the cognitive literature. BMJ 2002 Mar 23;324(7339):729-32.
(6) King-Sun F. Recent developments in pattern recognition. IEEE Transactions on computers
1980;29(10):845-54.
(7) Van Puymbroeck H, Remmen R, Denekens J, Scherpbier A, Bisoffi Z, Van den Ende J.
Teaching problem solving and decision making in undergraduate medical education: an ins-
tructional strategy. Med Teach 2003 Sep 1;25(5):547-50.
(8) Tversky A, Kahneman D. Judgement under uncertainty: heuristics and biases. Science
1974;185:1124-31.
(9) Eva KW, Norman GR. Heuristics and biases--a biased perspective on clinical reasoning. Med
Educ 2005 Sep;39(9):870-2.
82
Apndices
Apndice 1
Las escalas de probabilidad
Introduccin
La epidemiologa clnica fue desarrollada por epidemilogos y matemticos. Su lgica
es fundamentalmente diferente a la de los clnicos: los primeros basan su pensamien-
to sobre una poblacin y sobre datos matemti-
Epidemilogo: poblacin
cos mientras que los ltimos lo basan sobre un matemtica
enfoque intuitivo y sobre un paciente en particu-
lar. Para la mayor parte del personal mdico, es Clnico: paciente
difcil aplicar estas nociones de epidemiologa en intuicin
su actividad cotidiana. (1)
Para superar esta brecha, varios instrumentos han sido construidos y propuestos en la
literatura mdica. El ms conocido de todos es el nomograma de Fagan. (2) Este instru-
mento visual permite, con el trazo de una lnea que pasa a travs del poder de confir-
macin, observar el cambio desde una probabilidad pre - test a una probabilidad post
- test.(figura A 1.1)
Figura A 1.1: Nomograma de Fagan
85
Aunque ha sido una de las contribuciones ms interesantes para hacer del uso del
Teorema de Bayes algo fcil de utilizar tiene todava algunas limitaciones. La primera
limitacin es que solo se puede observar el cambio producido por un argumento a la
vez. Si quisiramos ver el cambio producido por varios argumentos en serie tendra-
mos que poner varios nomogramas, uno al lado del otro.(3) La segunda y quizs ms
importante limitacin es que, quien usa el nomograma debe saber cmo calcular el
likelihood ratio, tanto negativo como positivo. Sabemos que likelihood ratio es sinnimo
del poder de un argumento, por tanto eso no debera ser un problema para quienes
ya han ledo los captulos anteriores de este libro. Sin embargo para la forma negativa
de ste parmetro, es decir para el poder de exclusin, el resultado es un nmero deci-
mal inferior a 1. Esto constituye un importante problema de interpretacin. Es ms fcil
visualizar la diferencia que existe entre un poder de exclusin de 2 y de 20, que
hacerlo para la diferencia entre un likelihood ratio negativo de 0,5 y 0,05. Aunque en rea-
lidad viene a dar lo mismo: 0,5 es la inversa de 2 y 0,05 es la inversa de 20.
Aparte del nomograma de Fagan otros mtodos han sido propuestos con menos
xito, (4) sin embargo, y a pesar de las limitaciones que mencionamos antes, ste sigue
siendo propuesto en la mayor parte de literatura mdica relacionada con el tema y se
elaboran programas especiales para computadoras de mano y sitios web interactivos
basados en el mismo.(5;6)
Lo que resulta todava increble es que haya habido tan poco inters en la literatura
mdica por desarrollar modelos que superen las limitaciones de los mtodos hasta
ahora propuestos.
En este libro hemos descrito un modelo que trata de hacerlo, permitiendo al perso-
nal mdico integrar fcilmente todas las nociones de toma de decisiones en su prcti-
ca cotidiana, respetando el fundamento matemtico intrnseco.(7)
Lo que es importante es que cualquier modelo que se proponga respete cuatro men-
sajes principales de la toma de decisiones en medicina, los cuales ya los hemos anali-
zado en los captulos principales de este libro.
Estos son:
que el clnico siempre debe basarse en una probabilidad pre-test.
que cada argumento tiene un poder relativo intrnseco.
que el poder discriminativo de un argumento es a menudo asimtrico.
que el clnico deber alcanzar un cierto umbral de certeza antes de poder iniciar
cualquier accin mdica.
86
Apndice 1
sin de una hiptesis diagnstica;percibe tambin que luego de haber reunido varios
argumento anamnsicos, clnicos y paraclnicos, la probabilidad post-test de su pacien-
te ha alcanzado el umbral de confirmacin necesario para iniciar un tratamiento.
Los mdicos no cuantifican el valor de una tasa de prevalencia, sino que dicen que una
cierta hiptesis es muy rara, rara, habitual, frecuente o muy frecuente. As mismo cali-
fican la fuerza de un argumento como dbil, buena o fuerte, y las probabilidades pre y
post-test como inverosmil, poco verosmil, poco probable, eventual, posible, probable,
muy probable, seguro, etctera.
Por esa razn no se puede fijar una cifra definitiva a las categoras mencionadas. En la
Figura A 1.2 las damos solo como un ejemplo para su interpretacin.
87
De acuerdo a lo de arriba, anunciar, por ejemplo, a un paciente que es posible que sufra
de una cierta enfermedad correspondera a una probabilidad de 50%.
88
Apndice 1
Un problema similar existe tambin con los poderes de un argumento cuyos valores
son intrnsecamente exponenciales y deberan estar representados sobre una escala
logartmica ms que en una escala numrica lineal. Explicaremos esto en detalle :
Figura A 1.4: Efecto de el mismo test partiendo de diferente probabilidad pre - test
89
Ventajas de un modelo logartmico en relacin a las probabilidades pre-test y post-test
Esto tambin se observa en otros dominios de la vida. La famosa escala de Richter que
nos permite predecir la intensidad de un terremoto tambin es logartmica, as como
la escala de notas en un teclado de piano. Entonces por qu no existe en medicina
una escala de este tipo que se pueda adaptar fcilmente a nuestra intuicin? Esto per-
mitira visualizar los extremos y adems sumar y restar argumentos sin necesidad de
hacer multiplicaciones ni transformaciones complejas.
No es necesario caer en estado de pnico ahora que vamos a explicar la escala loga-
rtmica para la prctica clnica. Para comprenderla es necesario regresar un momento
a la nocin de odds. Por ejemplo, decir que un paciente tiene una probabilidad pre-
test de 0,001% equivale a decir que tiene 1 chance sobre 100.000 si lo expresamos
en probabilidades. Pero si lo expresamos en odds debemos decir que tiene 1 chan-
ce contra 99999. As mismo decir que un paciente tiene una probabilidad post-test
de 99,999% equivale a decir que tiene 99.999 chances sobre 100.000 si lo expresa-
mos en probabilidades, o 99.999 chances contra 1 si lo expresamos en odds. Notarn
que al expresar en odds hemos utilizado la palabra contra en lugar de la palabra sobre,
lo que quiere decir que en odds estamos hablando de dos grupos diferentes: los enfer-
mos y los no enfermos; por lo tanto es una razn. Por el contrario cuando habla-
mos en probabilidades el grupo de enfermos est incluido dentro del total de pacien-
tes; es decir es una proporcin. Al ser el primero una razn podemos dividir el grupo
de enfermos para el grupo de no enfermos y obtenemos lo que en realidad sera
el odds. De esta manera, si la probabilidad de estar enfermo es de 1 sobre 10000,
entonces la razn enfermos contra no enfermos es 1 contra 99999, lo que equiva-
le a decir que el odds es de 0,00001. Del mismo modo una probabilidad de 99,999%
equivale a un odds de 99999.
Una vez que la nocin de odds est clara, no queda nada ms que calcular el logarit-
mo de base 10 de nuestro resultado en odds (log10 odds). Una vez ms, no hace falta
caer en pnico, esto se hace muy fcilmente con una funcin de excel. El equivalente
en log10 odds de estas dos ltimas probabilidades es entonces respectivamente de -5 y
de +5. En la siguiente tabla se puede ver representados los valores de las diferentes
probabilidades expresadas en porcentaje, en odds y en log10 odds.
90
Apndice 1
Al representar tanto los porcentajes como los log10 odds en una escala se puede ver
como los extremos, que en una escala linear seran invisibles, ahora se pueden ver por-
que han sido estirados.
91
Esta nueva escala logartmica presenta varias ventajas:
Como ya dijimos antes los valores de los poderes de un argumento no son lineares si
no exponenciales. Tambin se derivan de una razn: los verdaderos contra los falsos.
Para el poder de confirmacin los verdaderos positivos contra los falsos positivos,
mientras que para el poder de exclusin los verdaderos negativos contra los falsos
negativos. Por esa razn los poderes de los argumentos tambin podran ser represen-
tados en logaritmos.
Esto permite clasificar a los poderes de los argumentos en categoras: los argumentos
con un poder de 100, 10 y 1 tendrn en la escala log10, los valores respectivos de 2,
1, y 0, de esta manera ya se puede poner un nombre cualitativo a cada categora. Esto
se detalla en la siguiente tabla.
10 (6-17) 1 -1 Bueno
1 0 0 Intil
92
Apndice 1
Para esto vamos a sumar el poder del argumento en log10 a la probabilidad pre - test
en log10 odds cuando el argumento est presente, o restarlo si el argumento est
ausente, siguiendo la siguiente frmula:
Logartmica -3 + 2 = -1
93
Conclusin
Los clnicos que han tenido la ocasin de familiarizarse con esta escala logartmica pue-
den utilizar fcilmente los datos epidemiolgicos como las probabilidades pre y post-
test y el poder de los argumentos en su trabajo cotidiano. La frmula matemtica del
teorema de Bayes se convierte as en algo mucho ms manejable.
Referencias
(1) Moreira J,Van den Ende J.Toma de decisiones en medicina: una disciplina huerfana.
Rev.Fac Cien Med (Quito) 2007 May; 32: 3-5
(2) Fagan TJ. Letter: Nomogram for Bayes theorem. N Engl J Med 1975 Jul 31;293(5):257.
(3) Grimes DA, Schulz KF. Refining clinical diagnosis with likelihood ratios. Lancet 2005 Apr
23;365(9469):1500-5.
(4) McGee S. Simplifying likelihood ratios. J Gen Intern Med 2002 Aug;17(8):646-9.
(5) Glasziou P. Which methods for bedside Bayes? ACP J Club 2001 Nov;135(3):A11-A12.
(6) Interactive Nomogram Centre for Evidence Based Medicine.
http://www.cebm.net/index.aspx?o=1161 . Fecha de acceso 15/06/2007.
(7) Van den Ende J, Bisoffi Z,Van Puymbroek H,Van der Stuyft P,Van Gompel A, Derese A, et
al. Bridging the gap between clinical practice and diagnostic clinical epidemiology: pilot
experiences with a didactic model based on a logarithmic scale. J Eval Clin Pract 2007
Jun;13(3):374-80.
(8) Stoll C. When slide rules ruled. Scientific American 2006; 294: 69-75. 2006.
94
Apndice 2
El teorema de BAYES
Con frecuencia escuchamos hablar sobre el Teorema de Bayes. Este teorema fue
desarrollado en 1764 por el matemtico y religioso Thomas Bayes con el propsito de
calcular las probabilidades condicionales, es decir la probabilidad de que un evento
ocurra (o no ocurra) a condicin de que otro evento previo haya ocurrido.(1) El
Teorema de Bayes no ha perdido actualidad y, por el contrario, cada vez se lo propo-
ne ms como un mtodo de anlisis en muchas reas del conocimiento cientfico.(2)
En medicina clnica se recomienda su uso, entre otras cosas, para averiguar la probabi-
lidad de un diagnstico a condicin de que un signo o sntoma est presente.(3;4)
Para comprender mejor vamos a retomar el ejemplo de criminologa del segundo cap-
tulo, en el cual estudibamos la relacin existente entre el hecho de llevar un arma y
aquel de pertenecer a un grupo de ladrones de banco: es posible que, an en situa-
cin de paz, la polica descubra una persona que, a pesar de estar armada, no perte-
nece a la banda de ladrones. La sospecha frente a esta persona ser muy diferente
segn el tamao del permetro cercado alrededor del banco, por ejemplo, si el nme-
ro de ladrones es de 20 entre 100 personas requisadas, el hecho de encontrar un arma
en alguna de estas personas llevar a una certeza ms alta que la que se obtendra si
los ladrones fueran 20 entre 1000 personas requisadas.
Con esta misma lgica, la relacin existente entre la presencia de edema en el dorso
del pie y el kwashiorkor es muy diferente si la estudiamos en la poblacin general, entre
los que consultan un centro de salud, o entre los que estn en un centro de recupe-
racin nutricional. La prevalencia de kwashiorkor es muy elevada en este ltimo grupo,
y de esta forma la presencia de edema en el dorso del pie en uno de los nios de este
centro llevar ms fcilmente a pensar en esta patologa. Por el contrario, el mismo
argumento entre quienes consultan en un centro de salud no hace pensar inmediata-
mente en este diagnstico. Esto no quiere decir que hay un cambio en el poder de
confirmacin de edema en el dorso del pie con el kwashiorkor. El poder de este argu-
mento siempre es bueno, ya sea que se trate de un nio en un centro de salud o de
otro en un centro de recuperacin nutricional. Lo que sucede es que en la primera
situacin el kwashiorkor es menos frecuente que en la segunda. En un centro de salud
no solo llegan nios desnutridos, ms bien la mayor parte son nios con estado nutri-
cional normal, entonces el mismo signo puede estar causado por otras patologas
como insuficiencia cardaca, flebitis o sndrome nefrtico. En el centro de recuperacin
nutricional, en cambio, al menos la cuarta parte de los nios que llegan tendrn kwas-
hiorkor, si encontramos el signo es casi seguro que se debe a esta enfermedad.1
1
Para los lectores ms avanzados: la especificidad tambin vara con la situacin, en la medida en que la mezcla de enfermos en
las otras personas, que no presentan la enfermedad en cuestin, vara tambin. Pero esta diferencia en especificidad juega un
rol menos importante que la diferencia en prevalencia.
95
probabilidad de inicio (antes de conocer la condicin de tener edema del pie) es ms
alta que en el segundo caso.
El problema clnico que un mdico tiene en su trabajo de todos los das es que no sabe
si el paciente tiene la enfermedad o no; solo tiene, como elemento de anlisis, el resulta-
do de los diferentes test anamnsicos, clnicos o paraclnicos, y lo que le interesa es inter-
pretar el significado de estos resultados.
Con el siguiente ejemplo trataremos de comprender la lgica que explica este fen-
meno:
Realizamos un estudio de seroprevalencia para VIH en una poblacin determinada
de 1.000.000 habitantes. El test que utilizamos tiene una sensibilidad de 95% y una
especificidad de 99%. Consideremos ahora dos casos, el primero el caso del
Ecuador donde se estima una tasa de prevalencia de infecciones VIH de 0.01%, y
el segundo el caso de un pas africano donde esta tasa es aproximadamente de 10%.
Hemos representado enseguida tres tablas de cuatro entradas (Tabla A 2.1 - A 2.3). En
la primera no hemos puesto valores, mientras que en la segunda y tercera estn escri-
tos los valores de sensibilidad y de especificidad del test (en el centro de la tabla) y la
representacin cifrada de los cuatro sub-grupos de la poblacin segn que sus habi-
tantes sean realmente seropositivos o no y que sean reconocidos como tales por un
test de tamizaje : los verdaderos positivos, los falsos positivos, los verdaderos negativos
y los falsos-negativos:
Tabla A 2.1:Tabla de contingencia sin datos
96
Apndice 2
Tabla A 2.2:Tabla de contingencia con los datos de prevalencia de VIH en Ecuador = 0.01%
Cuando la prevalencia es baja, como en Ecuador, vemos que menos de una de cada
100 personas que tuvieron un test positivo son verdaderos positivos, es decir si 10 per-
sonas tienen un test positivo, 9 de ellos podrn estar tranquilos, pues no sern verda-
deros positivos.
Tabla A 2.3:Tabla de contingencia con los datos de prevalencia en Africa=10%
97
Figura A 2.1: situacin de investigacin: igual nmero de infectados que de no infectados, pre-
valencia 50%:
Falsos
negativos
Verdaderos
positivos
Verdaderos
negativos
Falsos
negativos
Verdaderos
negativos
Verdaderos
negativos
Se observa que entre todos los que tuvieron un resultado positivo al test, la propor-
cin de verdaderos positivos va disminuyendo progresivamente a medida que dismi-
nuye la prevalencia. Ntese que la sensibilidad y la especificidad, es decir las relacio-
nes verticales, no han cambiado (En la ltima figura, el nmero de falsos negativos es
tan pequeo que la impresora no logra imprimirlo)
98
Apndice 2
Ntese que lo ltimo no es igual al Valor predictivo negativo. El valor predictivo des-
pus de un test negativo toma en cuenta el cambio en la probabilidad de estar enfer-
mo cuando el resultado del test fue negativo, mientras que el valor predictivo negati-
vo clsico, que se aprende en epidemiologa, toma en cuenta la probabilidad de NO
estar enfermo, lo cual es muy poco til y confuso para la prctica clnica, por lo tanto
no lo estudiaremos aqu.
El teorema de Bayes nos permite calcular estos dos valores. Conociendo la sensibili-
dad y la especificidad del argumento estudiado y la prevalencia de la enfermedad en
la poblacin en la que trabajamos podemos aplicar la siguiente frmula :
Se * Pr
VP+ =
( Se * Pr) + (1 Sp)(1 Pr)
Esto quiere decir que, tomando en cuenta la prevalencia de VIH en Ecuador, un indivi-
duo perteneciente a la poblacin general y que no presenta ningn sntoma, pero que
tuvo un resultado positivo a un examen con una sensibilidad de 95% y una especifici-
dad de 99%, tiene una probabilidad de estar realmente infectado por el VIH de ape-
nas 0.94%. Ntese que para realizar el clculo tuvimos que transformar los porcenta-
jes en probabilidades, es decir que los dividimos para 100, de lo contrario hubiramos
tenido que cambiar la frmula.
99
Es til haber visto e interpretado estas frmulas calculndolas uno mismo por lo
menos una vez, para que se pueda comprender el concepto. De all en adelante ser
mucho ms fcil y til representarlas en una tabla de cuatro entradas; sin embargo es
muy raro que un mdico clnico tenga el tiempo y las ganas de hacerlo. Son muy raras
las personas que se acuerdan de estas frmulas! 1
1
Para poder hacer algunos ejercicios sobre este tpico recomendamos el uso de un programa casero que hemos realizado en
Excel y que se encuentra disponible en el sitio web del Instituto de Medicina Tropical de Amberes www.itg.be. Una vez que
han ingresado al sitio dirigirse a scientific departments, luego clinical sciences, y luego training. All podrn descargar de
forma gratuita el programa Advanced course in Clinical Epidemiology. Este programa est en diferentes idiomas incluido el
espaol. Existen tambin varios artculos y publicaciones que explican esto en profundidad pero quizs las ms importantes
son las de Sackett .(5;6)
100
Apndice 2
de 1 en 5 mil. Del mismo modo un mdico general que trabaja en un centro de salud
puede estimar que la cuarta parte de sus pacientes vienen con un sndrome respira-
torio agudo, una octava parte tienen infeccin de vas urinarias, otra octava parte ten-
drn diabetes o hipertensin; en cambio una insuficiencia cardiaca - que en el consul-
torio de un cardilogo ocupa la cuarta parte - se presentar en 1 de cada 500 pacien-
tes que acuden a la consulta del mdico general.
Estas reflexiones, que parecen demasiado intuitivas ya nos ayudan mucho a establecer
cual es la prevalencia de las enfermedades en nuestro contexto de trabajo.
En clnica, decimos que tenemos una cierta sospecha de una enfermedad: esta sospe-
cha para nuestro paciente corresponde a la prevalencia. Si ya hemos estimado esta pre-
valencia de enfermedades en nuestro contexto, ya tenemos el punto de partida. La pre-
cisin que logramos con esta estimacin ya es suficiente como para empezar el razo-
namiento diagnstico. El descubrimiento o la ausencia de un argumento investigado
harn variar esta sospecha inicial (tambin conocida como probabilidad pre - test)
segn la fuerza del argumento en cuestin. Si el argumento es positivo, su poder de
confirmar el diagnstico sospechado va a aadirse al valor de la probabilidad pre-test;
si es negativo su poder de exclusin se sustraer del valor de la probabilidad pre-test.
Resumiendo, podramos retomar las prevalencias de infeccin VIH en los dos pases
como sospecha para nuestros dos casos clnicos, el obispo y la prostituta. Para la pros-
tituta, podramos asumir como si el test VIH ha sido efectuado en una poblacin de
10.000 prostitutas de las cuales 1040 resultaron positivas (950 verdaderas-positivas y
90 falsas-positivas). Siendo la tasa de prevalencia de la seropositividad para VIH de
10%; la tasa de prevalencia o de verdadera-positividad en la poblacin de prostitu-
tas con un test VIH positivo es de 91% (950/1040).
Estos resultados no dejan de sorprender a cualquiera que los vea por primera vez.
Cmo es posible que un test tan fuerte, en el obispo ayude a llegar solamente hasta
9% de certeza? Esto se debe a que es necesario distinguir dos elementos claves en la
estimacin de probabilidades. Uno es el poder o fuerza intrnseca del test, que depen-
de de su sensibilidad y especificidad. Otro muy diferente es el contexto o sospecha ini-
cial del individuo a quien se aplique el test. Si la sospecha inicial que tiene un paciente
es muy baja, an si aplicamos un test muy fuerte, el resultado positivo incrementar la
probabilidad hasta un nivel todava bajo. Por el contrario en un individuo en el cual la
sospecha inicial ya es muy alta, la aplicacin de un test dbil puede llevar a alcanzar una
certeza considerablemente alta. Por increble que parezca, este es el origen de muchos
errores de interpretacin de exmenes en la prctica clnica, as como tambin de mala
interpretacin de resultados de estudios clnicos que han sido publicados en famosas
revistas internacionales.(7)
101
Podemos representar estos datos en la Figura A 2.4. Eso fue lo que se explic en el
captulo 5.
Figura A 2.4: Diferencia entre el significado de un test VIH (elisa) positivo en un obispo com-
parado con una prostituta.
La frmula para calcular para calcular el likelihood ratio positivo es bsicamente la misma
que vimos en el captulo 4 para la estimacin del poder de confirmacin, pero aqu la
PT | E
LHR + =
PT | E
Notaran que esta formula equivale a decir verdaderos positivos / falsos positivos.
En cambio la formula para calcular el likelihood ratio negativo difiere un poco de la for-
PT | E
LHR =
PT | E
mula para calcular el poder de exclusin que aprendimos en el captulo 4.
En este caso LHR- significa likelihood ratio negativo, PT significa probabilidad de tener
un test negativo, el resto de smbolos son los mismos que se utilizaron en la frmula
de arriba.
102
Apndice 2
As mismo podrn notar que esta frmula equivale a decir falsos negativos / verdade-
ros negativos. Por eso decimos que difiere un poco de la que se mostr en el captu-
lo 4 para el poder de exclusin, pues dicha formula era verdaderos negativos / falsos
negativos. Como se podr observar esta ltima frmula no es ms que el inverso de
la primera. Esta es una astucia matemtica realizada con el fin de obtener resultados
superiores a 1, que facilitan el clculo con el mtodo explicado en el captulo 4.
Debido a que los likelihood ratio son exponenciales, no pueden ser multiplicados direc-
tamente por la probabilidad de una enfermedad. Para eso necesitamos transformar la
probabilidad pre test en odds. El resultado final que se obtiene es entonces una pro-
babilidad final en odds, que una vez ms requerir una transformacin en probabilida-
des. Esto est explicado en el apndice relacionado con la escala logartmica.
Es por eso que ahora al Teorema de Bayes se lo llama Bayes ingenuo. Para superar
estas limitaciones se ha desarrollado el mtodo de las redes Bayesianas que permiten
diagnsticos mltiples y utilizan relaciones de dependencia mucho ms ricas que el
mtodo clsico.
Explicar en detalle las redes Bayesianas est fuera del propsito de este texto, sin
embargo tienen un gran potencial para el desarrollo de sistemas expertos en medici-
na. Para quien tenga curiosidad en conocer ms sobre este mtodo recomendamos
visitar el sitio web del Proyecto ELVIRA desarrollado por la Universidad Nacional de
Educacin a Distancia en Espaa.
103
Conclusin
A manera de conclusin de este anexo, podemos decir que:
Las redes Bayesianas son mtodos avanzados que superan algunas limitaciones del
Teorema de Bayes y pueden ser usadas para el desarrollo de sistemas expertos.
Referencias
(1) Bayes T. An Essay Toward Solving a Problem in the Doctrine of Chances. Philosophical
Transactions of the Royal Society of London 1764;53:370-418.
(2) Wiggins C.What is Bayes' theorem, and how it can be used to assign probabilities to ques-
tions such as the existence of God? What scientific value does it have? Scientific American
. 4-12-2006.
(3) Fagan TJ. Letter: Nomogram for Bayes theorem. N Engl J Med 1975 Jul 31;293(5):257.
(4) Grimes DA, Schulz KF. Refining clinical diagnosis with likelihood ratios. Lancet 2005 Apr
23;365(9469):1500-5.
(5) Sackett D, Haynes R, Guyatt GH, Tugwell P. Clinical Epidemiology: a basic science for clini-
cal medicine. 2 ed. Boston: Little, Brown and Company; 1991.
(6) Jaeschke R, Guyatt G, Sackett DL. Users' guides to the medical literature. III. How to use an
article about a diagnostic test. A. Are the results of the study valid? Evidence-Based
Medicine Working Group. JAMA 1994 Feb 2;271(5):389-91.
(7) Ioannidis JP.Why most published research findings are false. PLoS Med 2005 Aug;2(8):e124.
104
Apndice 3
Qu son los logaritmos?
En varios captulos del libro hemos mencionado a los logaritmos. Casi siempre este
tema causa alguna resistencia entre los mdicos. En este anexo trataremos de explicar
de que se trata. Si ax=m, entonces se puede decir que x, que es el exponente, es el
logaritmo de m de base a.
Aunque a puede ser cualquier nmero vamos a enfocarnos en los logaritmos simples
en los cuales a=10, o sea los logaritmos de base 10.
Esto se puede hacer fcilmente con una hoja de Excel.(Figura A 3.1) Hacemos una pri-
mera columna en la que ponemos nmeros del 0.001 hasta el 1000 y en una segun-
da columna insertamos la funcin del logaritmo de base 10 que se encuentra en el
men insertar/funciones, escogiendo la funcin LOG10 y escribiendo en el parntesis
la celda del nmero que queremos transformar a logaritmo. En este ejemplo transfor-
mamos el nmero 0.001, que se encuentra en la celda A2.
Figure 1: Insertando la funcion logaritmo en excel.
105
Ahora podemos copiar esta funcin en las otras celdas y obtenemos los logaritmos de
cada uno de los nmeros.(figura A 3.2) Ntese que el logaritmo de uno (1) es cero
(0).
Figura A 3.2:
Los exponentes no necesitan ser nmeros enteros, pueden ser decimales. Por ejem-
plo 10 elevado a la potencia 0.25 es igual a 1.778, eso quiere decir que el logaritmo
de 1.778 es 0.25. Del mismo modo 10 elevado a la potencia 0.7 es 5.012, lo que quie-
re decir que el logaritmo de 5.012 es 0.7.
No hasta hace mucho tiempo, en los aos 60, nuestros padres y tos todava usaban
las reglas de calculo, ya que no contaban con calculadoras electrnicas, y con el uso de
stas pudieron hacer grandes obras de ingeniera, como el clculo estructural del
Empire State Building en Nueva York.
106
Apndice 3
Ahora le proponemos, que a manera de ejercicio, usted intente hacer algunas trans-
formaciones logartmicas con el uso de Excel.
107
9 789978 926536