Cmo tomar

decisiones en
medicina clnica

Nociones de anlisis de decisiones aplicadas a

ejemplos en Amrica Latina

2a edicin
2008

Jef Van den Ende

Departamento de Ciencias Clnicas
Instituto de Medicina Tropical de Amberes, Blgica

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:

Proyecto de Fortalecimiento de los Servicios

Pblicos de Atencin de Salud en el Distrito
Metropolitano de Quito

Cmo tomar decisiones en medicina clnica:

Nociones de anlisis de decisiones aplicadas
a ejemplos en Amrica Latina
Autores:
Jef Van den Ende
Juan Moreira
Zeno Bisoffi

Primera edicin. Quito 1998, 95 pginas

Segunda edicin. Quito 2008, 132 pginas

ISBN: 978-9978-92-653-6
N de ejemplares: 2000

Ilustracin de portada:Toms Eskola

Diseo e impresin: Imprenta Activa 2557 458

Disponible en:
www.saluddealtura.com

Se autoriza la reproduccin parcial, para fines no comerciales, citando la fuente.

En caso de reproduccin total o adaptaciones, se requiere la autorizacin escrita
de la Cooperacin Tcnica Belga (CTB).

Se termin de imprimir en Octubre 2008

 Contenido

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

RELACIONES ENTRE LOS ARGUMENTOS Y LAS HIPTESIS 29

introduccin 29
ejemplo de criminologa 29
ejemplo de medicina 31
conclusin 34
ejercicios 34

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

FUERZA DE UN ARGUMENTO APLICADA A UN CONTEXTO CLNICO 49

representacin grfica 53
conclusin 62

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

Apndice 1: Las escalas de probabilidad 85

Apndice 2: El teorema de Bayes 95
Apndice 3: Qu son los logaritmos? 105

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.

Juan M. Moreira MD. MSc.

Mdico ecuatoriano nacido en 1964. Hizo sus estudios de medicina en la
Universidad Central de Quito y una maestra en Ciencias Biomdicas
Tropicales en el Instituto de Medicina Tropical de Amberes, Blgica.
Empez su carrera en la provincia de Esmeraldas en 1992 como mdico
rural del Subcentro de San Francisco de Onzole. Entre 1993 y 1995 fue
coordinador de la red de atencin primaria en el rea de Salud Borbn y
desde 1997 hasta 2003 fue director e investigador del Centro de
Epidemiologa Comunitaria y Medicina Tropical (CECOMET) con sede en
la ciudad de Esmeraldas. Actualmente es coordinador cientfico y acadmi-
co en el mismo Instituto e Investigador Asociado del Centro de Biomedicina de la Universidad
Central del Ecuador. Adems es epidemilogo del Ministerio de Salud Pblica del Ecuador.
Ha formado parte de equipos de trabajo que se encargan del control comunitario de malaria,
oncocercosis, pian, tuberculosis y enfermedades cardiovasculares. Ha sido instructor de
Epidemiologa en varios programas universitarios en Ecuador; desde 1998 es profesor invitado

vi
 Autores

de Epidemiologa Clnica en el Postgrado de Medicina Tropical de la Universidad San Simn de

Cochabamba en Bolivia y desde 2003 ha sido invitado como docente auxiliar de Patologa
Analtica en el Diploma de Medicina Tropical del Instituto Prncipe Leopoldo de Amberes,
Blgica.
Desde 1997 ha mantenido una estrecha colaboracin con el Prof. Jef Van den Ende en la inves-
tigacin en toma de decisiones clnicas y actualmente es candidato para un doctorado por la
Universidad de Amberes en ese tema.
Est casado con Elisa Carbo, tiene dos hijos: Martn y Andrea.

Zeno Bisoffi MD. DTM&H

Mdico italiano nacido en 1955. Hizo sus estudios de medicina en la
Universidad de Padova, Italia y la especialidad en Medicina Tropical,
Higiene y Salud Pblica en la Escuela de Medicina Tropical de Londres,
Reino Unido.
Desde 1982 a 1985 trabaj en Nicaragua como cooperante de la
ONG MLAL y desde 1986 a 1990 en Burundi como Primary Health
Care Officer de UNICEF.
Actualmente dirige el Centro para Enfermedades Tropicales del
Hospital S. Cuore de Negrar, Verona; es profesor encargado de epidemiologia clnica de la
Universidad de Brescia y docente invitado de la misma disciplina y de medicina tropical en otras
universidades italianas y europeas.
Es miembro del colegio de docentes del European Course in Tropical Epidemiology (ECTE) y
ha sido director del mismo curso en las ediciones de 2000 y de 2005. Tambin es Secretario
general de la Sociedad Italiana de Medicina Tropical (SIMET) y al mismo tiempo hace parte del
Steering Committee de TROPNETEUROP (European Network on Imported Infectious
Diseases). Actualmente es vice Presidente y Presidente electo de la Federacin de las
Sociedades Europeas de Medicina Tropical (FESTMIH).
Sus intereses cientficos se concentran sobre todo en los aspectos clnicos de la medicina tropi-
cal y en la epidemiologa clnica, en su aplicacion a la toma de decisiones. En estos aspectos cola-
bora desde hace varios aos con el Prof. Jef Van den Ende.
Ha ganado algunas medallas, la ms importante ha sido una de plata por haberse clasificado
segundo de su categora en la Maratn atltica de la Habana en noviembre 2005 (medalla otor-
gada por el gran Alberto Juantorena).
Est casado con Margherita Corradini y tiene tres hijos: Federico, Francesco y Marco.

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.

La presente edicin se pudo realizar gracias al apoyo de la cooperacin

bilateral entre el Municipio del Distrito Metropolitano de Quito y el Reino
de Blgica, en especial gracias al inters de los codirectores del Proyecto
Salud de Altura, Ruth Lucio y Johan Herteleer.

Finalmente queremos agradecer a los mdicos de Ecuador y Bolivia que

han asistido a nuestros cursos, tanto para principiantes como para nivel
avanzado, quienes han dado brillantes ideas para que este sueo siga ade-
lante.

ix
 LEXICO

Argumento: Todos los elementos que son tiles para un

diagnstico: edad, sexo, factores de riesgo, sn-
tomas, signos, resultados de laboratorio e ima-
genologa.

Certeza: La probabilidad de que un paciente tenga la

enfermedad estudiada, despus de reunir una
serie de argumentos a favor y en contra.

Especificidad: La tasa de verdaderos negativos en los pacien-

tes que no tienen la enfermedad estudiada.

Odds (chances en espaol) Probabilidad de que un evento ocurra dividido

para la probabilidad de que no ocurra.

Poder de confirmacin: El poder intrnseco que un argumento tiene

para confirmar una sospecha. La razn entre
los verdaderos positivos y los falsos positivos
en una muestra de pacientes.

Poder de exclusin: El poder intrnseco que un argumento tiene

para excluir una sospecha. La razn entre los
verdaderos negativos y los falsos negativos en
una muestra de pacientes.

Prevalencia: La frecuencia de una enfermedad en la pobla-

cin correspondiente.

Probabilidad: Proporcin de casos favorables dividido para

todos los posibles.

Sensibilidad: La tasa de verdaderos positivos en los enfer-

mos.

Sospecha La probabilidad de que un paciente tenga la

enfermedad estudiada, antes de empezar las
investigaciones

xi
 Presentacin1

Esta publicacin es fruto de aos de experiencia y gestacin de un grupo de eminen-

tes autores: el Prof. Jef Van den Ende del Instituto Tropical de Amberes- Blgica, el Dr.
Zeno Bisoffi del Centro de Enfermedades Tropicales de Verona- Italia y el Dr. Juan
Moreira, del Centro de Enfermedades Tropicales de Esmeraldas - Ecuador; con la con-
tribucin, no menos importante, de muchos mdicos, enfermeros/as, estadsticos e
informticos europeos, africanos y latinoamericanos que han participado en actividades
de docencia e investigacin en el tema.Tiene como objeto abordar un tema fundamen-
tal y complejo en la medicina: cmo tomar decisiones clnicas acertadas?, an cuando
no se disponen de todos los elementos posibles.

La enseanza tradicional de la medicina y su prctica se han orientado por siglos a acu-

mular toda la informacin necesaria para diagnosticar y curar enfermedades, con la
expectativa errnea, tanto de mdicos como de usuarios, de que se llegar a estable-
cer un diagnstico con un grado de certeza cercano al 100%. Muchos asumen que la
acumulacin de argumentos, en muchos casos indiscriminada e irracional, es el camino
para llegar al diagnstico. Sin embargo, quienes trabajan en los servicios de salud, saben
que la incertidumbre es una realidad permanente.

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?

Un da en Azogues, en Ecuador, un mdico general de un centro de salud recibe a

una muchacha de 25 aos proveniente de la amazona, regin tropical del pas. Ella
presenta un estado gripal: fiebre, dolores musculares y articulares. El examen fsi-
co es normal. Tomando en cuenta la ausencia de sntomas que sugieran una patolo-
ga grave le prescribe un antipirtico. Dos das ms tarde se entera de que su
paciente ha sido hospitalizada por un absceso amebiano del hgado.

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?

Puede la lgica diagnstica traducirse en un lenguaje formal, an matemtico? Esto nos

permitira evitar ms fcilmente los eventuales errores de nuestro razonamiento,
dando una base ms cientfica a nuestras actividades.

La enseanza tradicional de la medicina tiene sus bases en la descripcin clsica de las

diferentes patologas, pero forma muy poco a los estudiantes en la toma de decisiones
para los casos menos clsicos. Por ejemplo, ningn mdico va a dudar en iniciar un tra-
tamiento antituberculoso en un hombre adulto que ha adelgazado considerablemen-
te, que tiene tos crnica y hemoptisis y en el cual el examen de esputo muestra baci-
los alcohol cido resistentes (BAAR). Este caso corresponde a una descripcin tpica
de tuberculosis pulmonar. Sin embargo no es raro encontrar, en algn hospital, pacien-
tes con tos crnica, sin disminucin de peso, sin hemoptisis, con exmenes seriados

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)

El grado de certeza de un diagnstico

Escala de certeza

Un hombre de 32 aos, soltero, de Sucumbos, Ecuador, se presenta en la consulta de

un centro de salud con un cuadro de diarrea crnica, episodios de fiebre desde hace
algunos das sin ningn otro signo de infeccin particular, adelgazamiento de 8 kg en
dos meses. Por otra parte se queja de prurito y el examen clnico pone en evidencia
adenopatas generalizadas y una candidiasis bucal. Con este cuadro clnico el mdi-
co hace una referencia al hospital provincial donde piden exmenes complementa-
rios, obteniendo una frmula leucocitaria que nos muestra leucopenia y un test rpi-
do para VIH positivo. Se hace el diagnstico de SIDA.

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%.

Figura 1.1: Escala de certeza.

A la izquierda se observa la escala de probabilidad en porcentaje, a la derecha estn las catego-

ras nominales que podran corresponder a la escala cuantitativa.

2
 Introduccin

Para muchos de nosotros es ms fcil comprender un concepto que una cifra: si un

paciente nos pregunta: Qu probabilidad tengo de tener SIDA? (sin presentar ningn
sntoma de la enfermedad), decirle que tiene una probabilidad de 0.01% le explicar
menos que si le contestamos que es "poco probable" que tenga la enfermedad.

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.

Cada argumento que investigamos en un paciente contribuye a aumentar la certeza

de la enfermedad que sospechamos. Del mismo modo, cuando un argumento es nega-
tivo, por ejemplo el paciente no tiene fiebre, obtenemos informacin que nos hace
reducir la probabilidad de la enfermedad. La integracin de todos estos datos en la
escala de certeza, es lo que nos hace llegar a una probabilidad final de diagnstico.

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.

Figura 1.2: Evolucin de la sospecha clnica de SIDA en la escala de certeza.

Cada argumento aadido a la probabilidad anterior contribuye a cambiar la probabilidad final.

Con la presencia solo de diarrea la probabilidad de SIDA es baja. Si adems de diarrea hay
adelgazamiento la probabilidad va a aumentar.Todo paciente parte de una probabilidad de ini-
cio cuando est en la sala de espera.

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

Figura 1.3 Los umbrales.

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.

El umbral de decisin vara en funcin de la enfermedad que estamos sospechando y

del contexto en el cual estamos trabajando. Una enfermedad grave o muy contagiosa
nos har actuar ms rpidamente, es decir que tendr un umbral bajo. Un tratamiento
caro o peligroso nos har esperar un poco antes de actuar, es decir que pondremos el
umbral ms arriba. Adems de estos factores, que son ms o menos objetivos, existen
otros factores subjetivos como las expectativas del paciente, la situacin socio-econ-
mica, la carga moral que tenga para el mdico la iatrogenia. Esto nos permite compren-
der, por ejemplo, porqu no es necesario confirmar el diagnstico de una gripe con ex-
menes serolgicos mientras que es esencial confirmar el de sarcoma de tibia antes de
decidir la amputacin del miembro inferior. Esto nos permite tambin comprender por-
que el valor de un umbral difiere segn el contexto en el cual se trabaja: en medicina
de catstrofe, la prioridad es salvar el mayor nmero posible de vidas antes que tratar
a todos a cualquier precio. As mismo, el umbral de accin necesario para decidir hacer
una cesrea de emergencia en un hospital rural durante una guardia en la noche ser
mucho ms alto que en un hospital de especialidades.

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

El tamao de cada flecha representa la ganancia en probabilidad que un argumento tiene. Un

argumento dbil nos hace ganar medio paso, un argumento bueno un paso, un argumento
fuerte un paso y medio y un argumento muy fuerte dos pasos.

Si retomamos ahora los argumentos de nuestro paciente tomando en cuenta su fuer-

za y los representamos en una escala de certeza, obtendramos un cuadro mucho ms
preciso como el que se encuentra en la Figura 1.2.

Siguiendo este mismo razonamiento, que podramos decir de la fuerza de argumentos

tales como un estado febril o una gota gruesa positiva en el cuadro del paludismo por
P. falciparum?, qu fuerza tiene el hallazgo de un nio somnoliento para confirmar una
meningitis bacteriana?, cul es la fuerza del "signo de Romaa" (edema bipalpebral uni-
lateral) en la enfermedad de Chagas?, la palidez conjuntival es un buen argumento para
una carencia de hierro?

Un buen ejercicio es tratar de responder a estas preguntas con cuadros similares al de

la Figura 1.4, donde el argumento estudiado est representado por una flecha cuya lon-
gitud es ms o menos proporcional a su fuerza.

Un hombre de 42 aos ingresa por fiebre y dolor abdominal localizado en el hipo-

condrio derecho, irradiado hacia atrs. Se queja adems de hematuria y disuria. Al
examen fsico la fiebre es de 39, se observan movimientos continuos en bsqueda
de una posicin antlgica, los puntos renales son positivos a la palpacin y hay evi-
dencia de dolor a la percusin. El examen de orina est normal, la ecografa no
muestra hidronefrosis ni clculos.Se ha iniciado un tratamiento con antiespasmdi-
cos y antibiticos, pero la evolucin no es favorable: el paciente contina con dolor
intenso.

Excluir un diagnstico
Varias preguntas pueden ser hechas:

El dolor en hipocondrio derecho es un argumento fuerte para una colecistitis?

La ausencia de hemates en el examen de orina sera un fuerte argumento de
exclusin de una litiasis renal?

6
 Introduccin

Una ecografa que no muestra hidronefrosis ni clculos excluira el diagnstico de

litiasis renal?
Cul es la fuerza de exclusin de la ausencia de ictericia para colecistitis?

Aunque los mdicos a veces no consideramos la ausencia de un signo o sntoma, el

resultado negativo de un examen contribuye notablemente en el razonamiento clni-
co. Una tarea fundamental en el trabajo de un mdico es excluir enfermedades que
puedan poner en riesgo la vida del paciente o generar una discapacidad severa. As
como un argumento positivo tiene una cierta fuerza para confirmar, los argumentos
negativos tienen tambin una fuerza para excluir, la cual puede ser representada en la
escala de certeza.

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?

Los determinantes del poder de un argumento

Cules son los criterios que determinan la fuerza de confirmacin o de exclusin de
los argumentos? Los argumentos patognomnicos de una enfermedad tienen, cuando
son encontrados, una gran fuerza de confirmacin del diagnstico: as, por ejemplo, la
micrografa en la enfermedad de Parkinson, una imagen radiolgica de balas de can
en metstasis pulmonares de un adenocarcinoma.

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.

La fuerza de un argumento depende de la frecuencia con la que encontremos resul-

tados falsos. La fiebre se encuentra presente en un gran nmero de enfermedades,
adems de la malaria. Eso quiere decir que hay fiebres falsamente positivas para mala-
ria, lo cual le quita fuerza de confirmacin a la fiebre. As mismo, aproximadamente
nueve de cada diez pacientes con tuberculosis menngea presentan un BAAR falsa-
mente negativo en el LCR, lo cual disminuye notablemente la fuerza de exclusin a
este examen.

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)

La primera consiste en reconocer inmediatamente la patologa del paciente cuando

hay elementos fsicos evidentes que corresponden a cierta descripcin clnica; as en
ciertas malformaciones congnitas (labio leporino, pie equino, polidactilia, ...), en ano-
malas cromosmicas (sndrome de Down, Sndrome de Turner, ...) y en diferentes
estados patolgicos en los cuales uno de los signos o el conjunto de ellos son fcil-
mente reconocibles (el aliento del insuficiente heptico, el olor de las heces en una
hemorragia digestiva, el cuadro clnico del Kwashiorkor, la erupcin de la varicela, la
hidrofobia de la rabia, los movimientos del Parkinson,...). A esto se le llama el recono-
cimiento de un patrn.

Es evidente que la capacidad del mdico que le permite reconocer un diagnstico de

la forma antes mencionada depende mucho de su experiencia: a fuerza de haber
encontrado varios pacientes con una misma enfermedad es capaz de reconocer ms
fcilmente su aspecto.

La segunda estrategia se basa en algoritmos, a partir de una informacin o de un grupo

de argumentos se sigue una lista de preguntas en las cuales la respuesta, frecuentemen-
te dicotmica, lleva a una segunda pregunta precisa. sta es la estrategia recomenda-
da por los programas dirigidos a enfermeros o promotores de salud en los dispensa-
rios rurales y permite tamizar una mayora de diagnsticos posibles (diarrea, infeccin
respiratoria aguda, fiebre, ...), quedando gran parte para resolver en ese nivel y otros
para referencia a un nivel de mayor complejidad.

Las universidades frecuentemente ensean la tercera estrategia que permite hacer un

diagnstico en base a un inventario completo (anamnesis, examen fsico, exmenes
paraclnicos). Cuando observamos las fichas de hospitalizacin en los diferentes hos-
pitales, nos damos cuenta de la diversidad de opiniones frente a este concepto de
anamnesis y de examen fsico completos; y es as, por ejemplo, que no es raro obser-
var que un servicio hospitalario pida a sus internos que completen la seccin de ante-
cedentes personales hasta el punto de citar, de forma extensa, todas las enfermedades
de la infancia, incluyendo la reaccin del paciente a todos los frmacos que ha recibi-
do hasta aquel da.

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:

Un hombre de 45 aos, chofer de un camin en la costa ecuatoriana, es transferido a un hos-

pital de especialidades con una historia de fiebre, por la cual un mdico le ha prescrito qui-
nina hace tres das. Al da siguiente la orina est muy oscura. Al momento del ingreso en
urgencias, el clnico constata palidez y una ligera ictericia. El laboratorio confirma una ane-
mia profunda, una bilirrubina indirecta de 3 mg/dl y una gota gruesa ligeramente positiva
para P. falciparum. La combinacin de la quinina, la gota gruesa dbilmente positiva, la
orina oscura, la ictericia y la anemia profunda permiten al clnico "reconocer" inmediata-
mente un "sndrome de fiebre hemoglobinrica biliosa. Tomando en cuenta el riesgo asocia-
do a un tratamiento con quinina o sus anlogos como la mefloquina o halofantrine, instaura
un tratamiento con artemisina. Inmediatamente inicia una bsqueda activa de otras causas de
hemlisis.

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.

En este momento el clnico ha cambiado su estrategia diagnstica: cuestiona su hip-

tesis inicial y trata de combinar todos los argumentos:

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.

El paciente es estabilizado y transferido a sala donde el interno de guardia reconstituye toda

la historia clnica, con el clsico mtodo universitario:"inventario completo".

La anamnesis sistemtica revela un accidente leve en el camin hace un mes, en el cual el

paciente se golpe con la puerta en el hipocondrio izquierdo. Sufri dolores intensos duran-
te algunas horas. Adems el paciente dijo haber tenido picos febriles en los 6 meses prece-
dentes.

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.

Un paciente de 58 aos, faenador de carne en el camal, consulta en un centro de

salud por presentar fiebre reciente, cefalea, dolor muscular, ictericia y decaimien-
to. El mdico en la consulta lo examina y encuentra una hepatomegalia.
Inmediatamente piensa en una hepatitis viral y lo enva a su casa, recomendndole
reposo y prescribiendo antitrmicos. Cinco das ms tarde los familiares del pacien-
te lo llaman con urgencia porque su estado se ha deteriorado mucho. La ictericia ha
aumentado significativamente, se observan prpuras, equimosis, y esclerticas ana-
ranjadas. Est oligrico y se est desarrollando un edema pulmonar. El mdico
decide referirlo de inmediato al hospital en donde se realizan exmenes complemen-
tarios encontrando un aumento significativo de la bilirrubina sin cambios en las
enzimas hepticas y una linfocitosis con aumento de polimorfonucleares. Todo esto,
incluido su antecedente ocupacional lleva a pensar en una leptospirosis, por lo que
se inicia tratamiento con penicilina.

La ictericia tiene un gran panorama de hiptesis diagnsticas entre las cuales se

encuentra efectivamente la hepatitis viral, pero tambin el cncer de pncreas, la cirro-
sis, una colecistitis, una colelitiasis, la malaria, la pancreatitis, la fiebre amarilla y por
supuesto la leptospirosis. El mdico debe, ante este panorama, precisar la hiptesis
correcta en funcin de los diferentes argumentos que pueden estar presentes o ausen-
tes en el cuadro clnico (fiebre, dolor muscular, cefalea, hepatomegalia, aumento de la
bilirrubina...) hasta alcanzar el umbral de confirmacin de este diagnstico y el umbral
de exclusin de otras patologas que tambin podran tener repercusiones graves en
la salud del paciente.

El error en este caso consisti en quedarse con el diagnstico ms frecuente en la

zona de procedencia del paciente, el cual puede efectivamente explicar la ictericia, la
fiebre, la cefalea, la hepatomegalia y el decaimiento; pero esto signific no tomar en
cuenta otras enfermedades que podran ser graves y que adems son tratables, como
es el caso de la leptospirosis. En este paciente, el hecho de no haber considerado la
posibilidad de que la sintomatologa pueda corresponder a una leptospirosis pudo sig-
nificar un retraso del tratamiento con graves consecuencias para la vida del paciente.
Escoger entre una multitud de hiptesis a menudo no es claro y no existen directivas
universales que ofrecer.

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.

Figura 1.5 El panorama diagnstico.

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.

El principal problema, entonces, es el de determinar el nivel de certeza a partir del cual

se justifica iniciar cualquier accin mdica o detener la investigacin de una causa. Este
nivel de certeza constituye un umbral. Si luego de haber hecho la investigacin de una
sospecha clnica, usando los medios diagnsticos disponibles, sobrepasamos este
umbral, podemos iniciar una accin mdica. Si el umbral no ha sido sobrepasado se
hace necesario pensar si la enfermedad que sospechamos no ha sido excluida, es decir
si hemos ido ms all del umbral de exclusin. En varios artculos y libros se pueden
encontrar procedimientos matemticos muy complejos que permiten calcular el valor
de estos umbrales;(1-3) sin embargo nuestra meta en este texto no es la de repetir esos
fundamentos tericos, si no ms bien de poder sensibilizar a nuestros lectores en la
nocin de los umbrales en el contexto de la toma de decisiones mdicas y en los fac-
tores que influyen en sus valores, con el objetivo de que estos puedan ser estimados
de una forma intuitiva pero al mismo tiempo racional.

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.

Ante este cuadro el mdico decidi comunicar el diagnstico de neumona a la madre

y prescribi un tratamiento con amoxicilina - acido clavulnico, recomendndole que
regrese en caso de no haber mejora. No consider indispensable pedir una radiogra-
fa de trax, menos an un cultivo de secreciones. Con los pocos argumentos de su
anamnesis y del examen clnico, lleg a un nivel de certeza suficiente para poder actuar
(comunicar el diagnstico y prescribir el tratamiento), sin haber necesitado ir ms lejos
en su investigacin diagnstica.

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.

Si traducimos esta conducta al lenguaje de toma de decisiones clnicas podramos decir

que el mdico alcanz el umbral necesario para actuar. Por eso comunic el diagns-
tico de neumona a la madre y prescribi al mismo tiempo el tratamiento necesario.

Considerando que no lleg a una certeza absoluta de que en realidad se trataba de

una neumona podramos decir que, al no haber pedido ms exmenes, corri el ries-
go de iniciar un tratamiento con antibitico para alguien que no tena la enfermedad.
Si, por el contrario, hubiera preferido esperar hasta tener un cultivo de secreciones,
hubiera corrido el riesgo de dejar sin tratamiento a alguien que lo necesitaba.

De eso precisamente se trata el umbral de decisin! Es un juego de equilibrio entre

el riesgo de tratar y no tratar. Implica poner en una balanza los pros y los contras, los
beneficios y los riesgos, incluyendo los costos de la decisin. Mientras ms arriba situe-
mos al umbral (acercndose a 100%), ms riesgo corremos de considerar equivocada-
mente a un buen nmero de pacientes como personas sanas mientras que en verdad
sufren de una patologa (falsos negativos) y, por consecuencia, los dejamos sin el trata-
miento que necesitan. Esta situacin es particularmente nefasta cuando la enfermedad
es grave (causa mortalidad o invalidez, por ejemplo, la meningitis bacteriana), cuando
es vulnerable por una accin teraputica (por ejemplo, un antibitico) o cuando se
corre el riesgo de tener graves consecuencias sobre el medio (por ejemplo, una enfer-
medad epidmica) (Figura 2.1).

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

arterial esencial, diabetes) o cuando la enfermedad puede acarrear un rechazo al

paciente por la sociedad (por ejemplo, el SIDA o la lepra).

Factores que afectan el umbral de decisin

Varios factores afectan o influyen en el valor de certeza necesario para la decisin.
Aqu trataremos de mostrar los principales y de examinar su influencia.

Figura 2.2 Factores que influyen en el umbral

Los factores objetivos: la enfermedad y el tratamiento

En la figura 2.2 se encuentran representados los factores clave que influyen en el

umbral de decisin. De hecho, este umbral podra ser definido como el punto de equi-
librio entre los efectos nefastos de una enfermedad no tratada (falsos negativos), por
un lado, y los efectos secundarios del tratamiento en las personas que no tienen la
enfermedad en cuestin (falsos positivos). La mayor parte de los dems factores
actan sobre el umbral de decisin por la influencia que ejercen sobre estos dos fac-
tores clave.

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.

Las consecuencias sobre el ambiente:

Ser necesario emprender precozmente medidas profilcticas contra toda enfer-
medad epidmica grave (clera, peste, fiebre amarilla,...) para evitar la propaga-
cin desastrosa a toda la poblacin circundante1. Su umbral ser bajo (una pro-
babilidad baja puede ser suficiente para emprender una accin en contra). No
solo las enfermedades epidmicas tienen repercusiones en el medio.Tambin las
1
Si con el tiempo estas medidas son intiles, al estar el diagnstico de una de estas enfermedades excluido, se podr dete-
ner las medidas que, por otro lado, no habrn hecho correr un riesgo particular al paciente.

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!

La toxicidad del tratamiento:

Antes de decidir el inicio del tratamiento con Amfotericina B en un paciente con
una sospecha de micosis profunda, ser necesario alcanzar un umbral ms alto.
Por el contrario, ante una sospecha de tuberculosis, que tambin puede evolucio-
nar hacia la gravedad, los efectos adversos serios del tratamiento son muy raros,
por lo tanto la certeza requerida para iniciar el tratamiento no debe ser alta.

El costo del tratamiento:

Cmo ver el efecto de este factor? Supongamos que como director de un hos-
pital de distrito un da le ofrecen la posibilidad de comprar unos antibiticos muy
baratos. Esto cambiar su umbral de decisin para tratar la fiebre tifoidea. Si los
antibiticos que antes tena eran costosos, era conveniente estar bastante seguro
antes de iniciar un tratamiento. La certeza exigida era alta con el fin de reservar
el tratamiento solo para los casos ms seguros. Una vez que el costo de los anti-
biticos baja ya no habr problemas de abastecimiento, entonces la certeza
necesaria para iniciar el tratamiento desciende, es decir escoge un umbral ms
bajo.

Otro ejemplo, si bien una osteosntesis es el tratamiento de eleccin para los

casos de fractura de fmur, en la mayor parte de hospitales con pocos recursos
se preferir a menudo (y lastimosamente) una traccin.

De todas maneras, el costo de un tratamiento no tendra que tener una gran

influencia sobre el umbral, pues ste debera estar relacionado al costo de una
vida. Evidentemente todos pensamos que una vida es invalorable, pero tambin
sabemos que existe un lmite de gastos ms all del cul casi ninguna familia o sis-
tema de seguridad social puede llegar. Por eso se hace necesario definir cul es el
costo de una vida en un determinado contexto. En los EEUU han llegado al con-

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.

El contexto social y econmico:

En los pases en desarrollo no existe una buena estructura de sostn para las per-
sonas ms desfavorecidas. Las personas tienen que hacerse cargo de pagar sus
gastos en salud, a veces a costa del presupuesto que tendra que estar destinado
a sostener los gastos corrientes de la familia. Es casi seguro que una persona
pobre con un diagnstico de diabetes, de hipertensin o de cualquier otra enfer-
medad crnica va a terminar abandonando el tratamiento que debera ser toma-
do por el resto de la vida, por no poder pagarlo. El mdico que toma una deci-
sin en estos contextos debe esforzarse por considerar estos factores tratando,
en la medida de lo posible, en no alterar el equilibrio familiar o social, garantizan-
do las medidas ms eficientes posibles.

Las repercusiones psicolgicas y sociales de la enfermedad:

El ser humano pertenece a un grupo social en general bien definido que se dife-
rencia de los otros grupos por una cultura propia; esto le lleva a tener una nocin
relativa del hombre ideal. Si por ejemplo, en una cierta enfermedad, la imagen
del hombre se aparta demasiado de la ideal, su sociedad puede rechazarlo ya
sea fsicamente (por ejemplo aislando a los psicticos, los hurfanos, los ancia-
nos,...) o socialmente (negndoles el acceso a un empleo, o no acercndoseles,
por SIDA, esterilidad, lepra, enfermedades psiquitricas) provocando graves reper-
cusiones psicolgicas. El umbral de decisin necesario para comunicar un diag-
nstico de este tipo de enfermedades a un paciente deber ser muy alto con el
fin de evitar etiquetar con un diagnstico equivocado a una persona que no tiene
la enfermedad en cuestin.

La expectativa del paciente:

La forma como los pacientes ven sus problemas de salud puede cambiar mucho
de un contexto a otro. Una persona joven da mucho valor a los aos que le que-

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.

El temor a cometer errores

El sesgo de omisin (resistencia al riesgo)

Muchas decisiones clnicas estn influenciadas por el miedo a cometer errores que
los mdicos pueden tener. En efecto, ningn mdico est libre de cometer errores, aun
cuando las decisiones hayan sido tomadas de la forma ms racional posible. Sin embar-
go cuando las consecuencias de nuestras decisiones han sido desfavorables nos senti-
mos culpables. Este temor de cometer un error puede hacer que se tomen decisiones
irracionales, sobretodo cuando las consecuencias desfavorables podran ser debidas a
la accin mdica. El efecto obtenido es que, a veces, preferimos dejar de actuar por-
que sobreestimamos el dao que podemos hacer.

Esto se puede ilustrar con un ejemplo.

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.

El efecto de la persona importante

A ningn mdico le gustara estar en los zapatos del cirujano encargado del tratamien-
to del Presidente de los EEUU, a menos que est dominado por el deseo de fama y
honor! Suponga que usted es el cirujano y el Presidente presenta vmito, febrcula y
un dolor en fosa ilaca derecha. En el examen fsico usted encuentra sensibilidad pero
no resistencia. El recuento leucocitario es de 11000/l, y en la ecosonografa no se
alcanza a ver el apndice. Con esto datos Estara usted dispuesto a operar? Pocos ciru-
janos se arriesgaran a retirar un apndice sano en el Presidente de los EEUU; segura-
mente esta conducta sera diferente en el caso de un ciudadano comn.

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.

Tratar o seguir investigando

Los argumentos, es decir las pruebas diagnsticas en el sentido ms amplio (argumen-
tos clnicos y paraclnicos), tienen una influencia sobre el umbral? En principio, no. Los
argumentos los utilizamos ms bien para avanzar en nuestro grado de certeza (y
entonces alcanzar el umbral de decisin), si son positivos, o para retroceder (y alejar-
nos del umbral) si estn ausentes o son negativos. Mientras no impliquen un costo muy
alto, ni un gran riesgo para el paciente, utilizaremos todos los argumentos disponibles
para confirmar o rechazar una hiptesis diagnstica. Pero supongamos ahora que al
terminar nuestro recorrido diagnstico solo nos queda un examen muy caro o difcil-
mente disponible o muy agresivo o peligroso, por ejemplo una resonancia magntica,
o una puncin lumbar en malas condiciones de esterilidad, y por tanto con riesgo de

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)

Figura 2.3: Los dos umbrales

El umbral de accin divide el campo de decisin en dos opciones: hacer el examen (y

tratar al paciente en caso de que sea positivo, o no tratarlo si es negativo); o tratar al
paciente sin hacer el examen. El umbral de exclusin, en cambio, divide el campo de
decisin en la opcin de hacer el examen (y tratar en caso de que sea positivo, o no
tratar si es negativo); o dejar al paciente sin el tratamiento de la enfermedad que sos-
pechamos sin necesidad de hacer ningn examen (pero ms bien buscar otros posibles
diagnsticos).

Campos diagnsticos
Los dos umbrales de exclusin y de accin subdividen la escala de probabilidades en
tres campos (figura 2.4):

El campo de exclusin, correspondiendo a las probabilidades cuyo valor es inferior al

umbral de exclusin. Si nos encontramos en este nivel de probabilidades explicaremos
al paciente que no tiene la enfermedad que sospechbamos.

El campo de accin, correspondiendo a las probabilidades cuyo valor es superior al

umbral de accin. Cuando la probabilidad diagnstica est situada en este campo, debe
iniciarse una accin (tratamiento, comunicacin del diagnstico y de su pronstico) sin
necesidad de hacer el examen ya que, cualquiera que sea el resultado, la opcin tera-
putica no va a cambiar.
El campo del examen, o de la investigacin, que est situado entre los umbrales de
accin y de exclusin. Cuando la probabilidad est situada en este campo, ser nece-
sario hacer el examen para decidir: en funcin de su resultado se tomar la decisin
(tratar si es positivo, excluir y no tratar si es negativo).

20
 Los umbrales

Figure 2.4: Campos decisionales

El siguiente caso clnico nos permitir ilustrar este concepto.

Un nio de tres aos procedente de un pequeo pueblo rural en Colombia es trado

por su madre a un centro de salud con tos, fiebre, y disnea inespecfica. La madre
cuenta que los sntomas aparecieron en las ltimas seis horas. La auscultacin pul-
monar revela crepitantes bilaterales. No hay dolor torcico. El mdico sospecha una
neumona lobar y piensa que podra ser til hacer una radiografa. Sin embargo
decide finalmente tratar al nio con antibiticos de amplio espectro sin hacer la
radiografa.

Primero que nada necesitamos imaginar dnde se encuentra el umbral de decisin

para iniciar un tratamiento antibitico ante una sospecha de neumona en un nio. La
mortalidad y morbilidad de una neumona no tratada son altas. Por otro lado, el ries-
go de tener efectos adversos severos por el tratamiento es bajo y el costo por lo gene-
ral es asequible. No hay estigma ni ningn otro factor subjetivo. Por eso el umbral de
decisin debe de ser bajo (podramos decir que no es mayor a 5%).

En segundo lugar necesitamos estimar cul es la probabilidad de neumona lobar en

este caso. Para esto, necesitamos estimar un punto de partida de nuestra sospecha, es
decir la prevalencia de la enfermedad en cualquier centro de salud rural de Sud
Amrica. Digamos que uno de cada 100 nios que llegan a un centro de salud tiene
neumona, entonces el punto de partida est en 1%. Como parece razonable decir que
la combinacin de fiebre, tos y disnea es un buen predictor de neumona lobar en un
nio, podemos estar confiados en decir que el umbral de decisin de 5% ha sido
sobrepasado. Incluso podemos presumir que hemos alcanzado una probabilidad cer-
cana al 50%. Si a esto aumentamos los crepitantes en la auscultacin llegamos a una
probabilidad cercana a 90%. Ahora, para lograr resolver la incertidumbre de hacer o
no la radiografa de trax en busca de consolidaciones necesitamos conocer cul es el
poder de este examen. Como ya hemos sobrepasado el umbral de decisin, debemos
hacer este examen solo si este puede disminuir la probabilidad por debajo de 5%.
Aparte de esto, el costo del examen tambin tiene que ser tomado en cuenta.

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?

Si representamos la influencia de los diferentes factores (utilidad del tratamiento, ries-

go ligado al tratamiento, riesgo ligado a los exmenes complementarios) sobre el valor
de los umbrales de accin y de exclusin, obtendramos el esquema representado en
la Figura 2.5:

Figure 2.5: Factores que influyen sobre los dos umbrales

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.

La calidad de un examen se evala por su poder de confirmacin y su poder de exclu-

sin, los mismos que sern tratados a profundidad en los siguientes captulos. Para que
la realizacin de un examen sea pertinente, este nos debera permitir cambiar una
decisin: un resultado negativo tendra que ser capaz de disminuir la probabilidad de
la enfermedad por debajo del umbral de decisin, y un resultado positivo tendra que
aumentar la probabilidad por encima del umbral de decisin. Por eso la amplitud entre
el umbral de decisin y el umbral de accin est definida por el poder de exclusin,
mientras que la amplitud entre el umbral de decisin y el umbral de exclusin est
definida por el poder de confirmacin.

22
 Los umbrales

Ocasionalmente el poder de un examen se evala mediante su odds ratio. En efec-

to este ltimo no es otra cosa que el poder discriminativo total del examen, compues-
to por la suma del poder de confirmacin y el poder exclusin. Por eso la amplitud
total del campo de investigacin est definida por el odds ratio del examen (Figura
2.6). Sin embargo no debemos olvidar que el costo del examen y su riesgo siempre
reducirn la amplitud de este campo.

Figure 2.6: Efecto de la calidad del examen en el campo de investigacin

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.

Cmo estimar el umbral de decisin en el lecho del enfermo?

Hemos visto que el umbral de decisin se expresa en grado de certeza, es decir en
probabilidades. El umbral de decisin no es ms que el grado de certeza mnimo que
necesitamos antes de iniciar una intervencin teraputica o de comunicar un diagnos-
tico a un paciente.(1) Si decimos que nuestro umbral de decisin est situado en 20%
quiere decir que nos exigimos estar en 20% seguros de que el paciente tiene la enfer-
medad antes de actuar, pero por otro lado tambin quiere decir que aceptamos equi-
vocarnos en 20% de pacientes. Es muy importante darse cuenta que hemos subraya-
do la palabra aceptamos. En efecto, tener un umbral del 80% no quiere decir que
vamos a equivocarnos en 20%, solo quiere decir que aceptamos tener esa proporcin
de falsos positivos. Esto lo explicaremos en detalle ms adelante.

Tomando en cuenta lo anterior, para estimar el umbral de decisin podramos hacer-

nos la siguiente pregunta: si tuviera diez (o cien) pacientes con caractersticas pareci-
das al actual; a cuantos yo aceptara tratar, a pesar de que no tienen la enfermedad,

23
para no dejar sin tratamiento a una persona (que no sabemos quien es) que est ver-
daderamente enferma?

Si la respuesta es 9 contra 1 el umbral de decisin est en 10%. Si la respuesta es 4

contra 1 el umbral de decisin est en 20% (4+1=5, entonces 1 es el 20% de 5). Esta
pregunta nos da una buena aproximacin a la definicin de Pauker y Kassirer que dice
que el umbral de decisin para una enfermedad, en determinado contexto, es el punto
de equilibrio en el cual los riesgos y beneficios del tratamiento se igualan a los riesgos
y beneficios de dejar de tratar, de manera que ninguna de las dos opciones sea prefe-
rida.(1)

Tomemos el siguiente ejemplo:

Un militar de 22 aos, se presenta en el servicio de urgencias del hospital con una

temperatura axilar de 40C, una rigidez de nuca ligera y una erupcin purprica
leve en las muecas y los codos.

El cuadro hace sospechar en una meningitis meningoccica. Se trata de una enferme-

dad con una evolucin muy rpida, que si no se trata puede llevar en pocas horas a la
muerte o dejar secuelas muy serias. Adems hay que considerar que es una enferme-
dad altamente transmisible. El tratamiento con penicilina parenteral es muy eficaz, muy
barato y el riesgo de efectos adversos es muy bajo. Por consecuencia, todos estarn
de acuerdo en que, si estamos frente a diez personas con sospecha de meningitis
meningoccica, pero no sabemos cual de ellos tiene en verdad la enfermedad, est jus-
tificado tratar intilmente hasta nueve que en realidad no la tienen, con tal de no dejar
a un verdadero enfermo sin tratamiento. En otras palabras, estamos situando nuestro
umbral de decisin en 10%. Esto significa que, ante un paciente con estas caractersti-
cas, aceptamos estar 10% seguros de que tiene meningitis meningoccica para iniciar
el tratamiento. En el ejemplo presentado seguramente este nivel de probabilidad ya ha
sido alcanzado.

Tomemos un ejemplo en el otro extremo:

Una mujer de 54 aos se presenta en un centro de salud con un ndulo palpable en

el seno izquierdo y retraccin de la piel; ltimamente, dice haber perdido peso.

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%.

Certeza requerida vs. Certeza alcanzada

Como dijimos antes, cuando estimamos un valor muy bajo para el umbral existe un

24
 Los umbrales

malentendido: Muchos mdicos piensan que un nmero demasiado importante de

pacientes que no tienen la enfermedad van a ser tratados en vano.

Tomemos como ejemplo a la apendicitis. Cuando no es tratada las complicaciones son

graves. El tratamiento estndar es la laparotoma abdominal, el cual es un procedimien-
to eficaz pero - como toda ciruga - no est exenta de riesgos y - por toda la logstica
necesaria - tiene un costo relativamente alto. Por todo esto la mayora de los cirujanos
aceptan un umbral de decisin de alrededor de 30%, lo que quiere decir que si en un
determinado paciente ya se alcanza un 30% de certeza est justificado hacer la ciruga.
Sin embargo algunos cirujanos piensan que tener un umbral de decisin de 30% signi-
fica que 70% de los casos son operados intilmente. Esto es completamente falso! Un
umbral de decisin de 30% significa que aceptamos equivocarnos en el 70% y no que
vamos a equivocarnos en este porcentaje. El umbral de decisin, que es la certeza
mnima requerida, es completamente diferente a la certeza alcanzada en el paciente
individual. Un mdico que recibe a un paciente con sospecha de apendicitis realiza una
serie de preguntas de anamnesis, hace un examen fsico y pide examenes complemen-
tarios. Con esta informacin el mdico alcanza una cierta probabilidad de la enferme-
dad. En la mayor parte de los casos la probabilidad es alta, estando el promedio cerca
del 90%. Una pequea parte de pacientes presenta un cuadro atpico, alcanzando pro-
babilidades ms bajas. Son nicamente estos pacientes los que podran ser falsos posi-
tivos. El umbral es sobretodo til para justificar la decisin de tratamiento en estos
casos, en quienes la incertidumbre es mayor. La figura 2.7 ilustra esta reparticin.

Figura 2.7 : Certeza requerida vs. Certeza alcanzada para apendicitis

El eje y representa la probabilidad alcanzada. El eje x representa el nmero de pacientes

que alcanza cada probabilidad. Las barras horizontales representan la distribucin del total de
pacientes. La lnea horizontal inferior representa la certeza requerida (umbral de decisin), la
lnea horizontal superior representa el promedio de probabilidad alcanzado en el total de
pacientes.

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%

En una mujer campesina, divorciada y madre de 6 nios. Durante un chequeo gene-

ral que realiza el mdico rural de la comunidad se le detecta una glicemia en ayu-
nas de 130 mg/dl.

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%

Una campesina de la regin de Cochabamba en Bolivia es llevada en marzo de 1997

al servicio de emergencias del hospital de distrito en estado comatoso febril, con
ictericia y cilindruria; siendo la gota gruesa negativa. De esta regin fueron repor-
tados 12 casos de fiebre amarilla en los dos meses anteriores de los cuales 10 murie-
ron, y el ao anterior fueron reportados algunos casos ms.

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.

No hay que hacer un diagnstico: hay

que llegar a una certeza lo suficiente-
mente alta para actuar.

Los factores subjetivos y generales

influyen mucho ms sobre nuestras
decisiones que los datos objetivos.

Si no podemos obtener bastante eviden-

cia para tratar o referir, no podemos
olvidar de excluir la enfermedad.

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).

Tabla 3.1 Relacin entre hiptesis y argumentos

hiptesis + hiptesis -
(ladrn) (transente)

argumento + verdaderos Falsos

(armado) positivos positivos

argumento - falsos Verdaderos

(no-armado) negativos negativos

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.

Estas representaciones permiten visualizar fcilmente la relacin que existe entre un

argumento y una hiptesis.
Cuando la razn entre verdaderos positivos y falsos positivos es muy alta la pre-
sencia del argumento confirma ampliamente la hiptesis (primer caso),
Cuando la razn entre verdaderos negativos y falsos negativos es muy alta la
ausencia del argumento niega ampliamente la hiptesis (primer caso),
Cuando el nmero de verdaderos positivos y falsos positivos es similar, el argu-
mento no tiene mayor relacin con la hiptesis estudiada. Al igual si el nmero
de falsos negativos y verdaderos negativos es parecido (tercer caso).

En la segunda situacin (Figura 3.3), nos encontramos en una situacin intermedia: el

argumento no es muy vlido ni para confirmacin, ni para exclusin.

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:

Un paciente de 25 aos que pas durante un tiempo trabajando en un pozo petrole-

ro en la amazona es hospitalizado en Quito para la investigacin de una fiebre de
instalacin reciente. Sigui una quimioprofilaxis regular con cloroquina durante su
estada en la amazona y, luego de treinta das despus de su regreso a Quito.
Present un episodio de diarrea durante el ao precedente. En el examen fsico se
evidencia una temperatura de 39 grados C, un pulso regular de 110/min, una TA de
110/80, el examen abdominal pone en evidencia un hipocondrio derecho doloroso a
la palpacin y una hepatomegalia dolorosa. La maniobra de Murphy es positiva. La
ecografa de hgado pone en evidencia tres abscesos de ms de cinco cm de dimetro
a nivel de lbulo derecho, la serologa para amebiasis es positiva en inmunofluores-
cencia a una dilucin 1/800. Diagnstico: Mltiples abscesos hepticos amebianos.

Consideremos un grupo de 100 casos de abscesos hepticos amebianos y un segun-

do de 100 pacientes hospitalizados por otra razn diferente a un absceso heptico.
Repartamos los 200 pacientes en cuatro grupos segn tengan o no un absceso hep-
tico amebiano, por una parte, y segn presenten el argumento estudiado o no (Tabla
3.2).

31
Tabla 3.2 Relacin entre argumentos e hiptesis clnicas

Absceso amebia- No absceso ame-

no de hgado biano de hgado

Argumento + verdaderos falsos

(Ej.: antecedente de diarrea, hiper- positivos positivos
termia, hepatomegalia, serologia +)

Argumento - falsos verdaderos

(Ej.: no antecedente de diarrea, negativos negativos
no hipertermia, no hepatomegalia,
serologia -)

Obtenemos una representacin grfica similar al modelo de criminologa estudiado

ms arriba donde la superficie de cada cuadrado es proporcional al nmero de perso-
nas que representa:

Argumento 1 : antecedentes de diarrea en el ao precedente

Figura 3.5
Dentro del grupo de pacientes que tienen un
absceso amebiano del hgado y aquel que repre-
absceso + absceso -
senta a los 100 pacientes que no tienen esta
diarrea + diarrea +
enfermedad, la proporcin de personas con
antecedentes de diarrea en el ao precedente es
ms o menos igual a aquella de las personas que
absceso + absceso - no han tenido diarrea. El antecedente de haber
diarrea - diarrea - tenido diarrea en el ltimo ao es igual de fre-
cuente en ambos grupos. Por eso la imagen gr-
fica representa cuatro cuadrados con una super-
ficie idntica y podemos decir que no existe ninguna relacin entre este argumento y
la hiptesis diagnstica; dicho de otra forma, este argumento no cambia la certeza fren-
te a nuestra hiptesis.

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

Argumento 3 : hgado doloroso

Figura 3.7
Este tercer ejemplo nos da una representacin
grfica opuesta a la del ejemplo precedente:
absceso +
dolor + entre los pacientes afectados por un absceso
amebiano de hgado, la palpacin del hgado ser
dolorosa en alrededor de la mitad de los casos;
pero por otro lado la presencia de este signo en
absceso + absceso -
dolor - la poblacin de referencia es raro.
diarrea -
Por esta razn el hallazgo de un hgado doloro-
so aumenta la sospecha de absceso amebiano de hgado. Su ausencia, por el contrario,
ayuda poco para excluir.

Argumento 4 : la serologa de amebiasis positiva (superior 1/200)

Figura 3.8
La relacin entre este argumento y el diagnsti-
absceso + co de absceso amebiano de hgado es esta vez
sero muy positiva: casi todos los enfermos tendrn
>1/200 una serologa positiva, mientras que sern muy
raros los positivos entre las personas del grupo
absceso - de referencia. Una serologa positiva para un
sero absceso amebiano de hgado es un argumento
<1/200 fuerte para confirmacin del diagnstico; su
ausencia es tambin un argumento fuerte para
su exclusin.

Resumiendo, podemos decir que un argumento que raramente se encuentre presen-

te en una poblacin de referencia (ejemplo, imagen ecogrfica sospechosa de absceso
heptico amebiano) tiene cuando se lo encuentra un valor fuerte de confirmacin
de nuestra hiptesis. Al contrario, un argumento que raramente se encuentre ausen-
te en los enfermos (por ejemplo, serologa positiva para amebiasis), tiene un fuerte
poder de exclusin. Por ltimo, un argumento presente en la mitad del grupo de enfer-
mos y de la poblacin de referencia (ejemplo, antecedentes de diarrea), no tiene rela-
cin con la hiptesis estudiada y es intil en el proceso diagnstico.

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.

Para cuantificar la fuerza de un argumento es necesario primero considerar que exis-

ten dos grandes tipos. El primero corresponde a aquellos que se expresan de forma
categrica y dicotmica (por ejemplo presencia de fiebre, de diarrea o de erupcin
cutnea). Cuando estos estn presentes sealan una anormalidad en la salud del
paciente examinado; la respuesta que obtenemos cuando los indagamos es SI o
NO. El segundo grupo corresponde a los que se expresan de forma cuantitativa.
Para stos es necesario determinar valores precisos (por ejemplo, tasa de hemoglobi-
na, peso, tensin arterial,...). Su fuerza depende de la precisin con la cual se determi-
nen los valores normales. Es lo que tambin se conoce como el punto de corte.

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.

Definicin del poder

El poder de confirmacin de un argumento
Observemos lo que ocurre durante una consulta peditrica en Puyo, Ecuador:
Caso 1: nio de 6 aos con disnea espiratoria y sibilancias en la auscultacin.
Caso 2: lactante de cuatro meses que presenta taquipnea desde el nacimiento.Tiene
tos, expectoracin amarillenta, fiebre, tiraje intercostal, cianosis, crepitaciones
en pulmones, soplo sisto-diastlico en foco mitral.

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.

Argumentos con un fuerte poder de confirmacin

Los primeros cinco casos de esta consulta parecen simples al ser el argumento descri-
to en cada uno de ellos tan demostrativo de la patologa subyacente: disnea y sibilan-
cias para un asma, soplo sisto-diastlico en foco mitral de un lactante con taquipnea
desde el nacimiento para una cardiopata congnita, el tenesmo acompaado de dia-
rrea con sangre para una disentera amebiana, la fiebre y dolor de garganta para una
faringitis y la extraccin de una larva para una miasis fornculosa (tupe).

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

pacientes enfermos con asma tendrn disnea

espiratoria mientras que en los pacientes
verdaderos
ausente que tienen otras enfermedades este signo
negativos
est casi siempre ausente. Uno podra decir
que debera estar siempre ausente en los
que no tienen asma; pero no hay que olvidar
que tambin se puede encontrar disnea espiratoria en otras enfermedades como la
bronquitis, la bronquiolitis, la difteria, los cuales vendran a ser falsos positivos.

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.

En otros ejemplos la situacin es diferente.Tomemos el caso de la diarrea con sangre y

la amebiasis. Sabemos que no encontramos siempre diarrea con sangre en las personas
con amebiasis. Por otra parte encontrar este signo en otras enfermedades es raro, aun-
que siempre hay unos falsos positivos.

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

de confirmacin es menos fuerte. Tambin se

DIARREA

observa que los verdaderos negativos y falsos

falsos verdaderos negativos estn equilibrados; pero eso no nos
ausente negativos negativos interesa por ahora (por eso la hemos dejado en
gris), ya que en este caso el nio si tiene el argu-
mento. El poder de confirmacin de un argu-
mento se evala por el equilibrio en trminos
matemticos la razn que existe entre verdaderos positivos y falsos positivos.
Mientras menos falsos positivos haya, ms fuerte ser el poder.

Argumento con un poder de confirmacin dbil

El caso 6 es aquel del nio trado al hospital con un cuadro altamente febril. Este argu-
mento no permite por s solo tener la certeza de un diagnstico en particular, palu-
dismo por ejemplo. Existen numerosas patologas que pueden acompaarse de un
estado altamente febril en un nio pequeo.
Figura 4.3
Este argumento se encuentra presente en casi
otras 100% de casos de paludismo, pero tambin es
paludismo enfermedades
frecuente en otras enfermedades. De esta forma
presente verdaderos el equilibrio entre el nmero de verdaderos
positivos falsos
positivos (nios en los que la fiebre alta es cau-
FIEBRE ALTA

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).

El poder de exclusin de un argumento

Pasemos ahora a una consulta de ginecologa y obstetricia en Santa Cruz de la Sierra,
Bolivia:
Caso 7: test de embarazo negativo en una paciente de 22 aos que presenta un
dolor plvico agudo.
Caso 8: Pap test de rutina negativo en una trabajadora sexual.
Caso 9: ausencia de defensa abdominal en una paciente con sospecha de embarazo
extrauterino.
Argumentos con un gran poder de exclusin
Nuestra experiencia clnica ya nos permite decir que el diagnstico de embarazo
extrauterino puede ser excluido en el caso 7, al igual que el de cncer de cuello de
tero en el caso 8.

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

es improbable que este argumento se presente

TEST

en una mujer no embarazada. Al haber tenido un

resultado negativo en el test, ahora es la parte
verdaderos inferior de la tabla de cuatro entradas la que nos
negativo negativos interesa y en particular el equilibrio entre las
superficies que representan a los verdaderos
negativos y los falsos negativos. De acuerdo a la
figura podemos decir que el test de embarazo tiene un poder de exclusin muy fuer-
te para embarazo extrauterino.

Argumento con un dbil poder de exclusin

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

secundaria a una ruptura de un embarazo

DEFENSA

extrauterino no presentarn defensa abdominal,

falsos por lo menos en el comienzo de la enfermedad.
verdaderos
negativos
ausente negativos Evidentemente, la mayor parte de pacientes del
grupo sin embarazo extrauterino tampoco pre-
sentarn este argumento.

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.

Estimar el poder de un argumento positivo

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

verdaderos y falsos positivos. Matemticamente este equilibrio no es ms que una

razn, es decir la divisin de los verdaderos positivos para los falsos positivos. El poder
de confirmacin es la razn entre la probabilidad de tener un argumento positivo
entre los enfermos y la probabilidad de tener un argumento positivo entre los que no
tienen la enfermedad en cuestin.
Para la disnea espiratoria y el asma, es claro que hay muchos ms verdaderos positi-
vos que falsos positivos: podramos decir que hay 100 verdaderos positivos por 2 fal-
sos positivos. Entonces el poder es de 50 (100 dividido para 2 = 50), y podemos decir
que es un argumento con un poder de confirmacin fuerte.
En el caso de la diarrea con sangre y la amebiasis, hay 40 verdaderos positivos por 1
falso positivo: la razn es 40.Tambin decimos que el poder es fuerte.
En el caso de la fiebre y el paludismo, hay 100 verdaderos positivos por cada 30 falsos
positivos. El resultado es 3, por lo tanto la fuerza es dbil.

Estimar el poder de un argumento negativo

Siguiendo el mismo razonamiento, el poder de un argumento negativo es la razn
entre los verdaderos negativos y los falsos negativos. En otras palabras, la probabilidad
de encontrar un argumento negativo en los que no tienen la enfermedad contra la
probabilidad de encontrar un argumento negativo en los enfermos.
De nuevo aqu, considerando los tres ejemplos que vimos ms arriba, observamos una
gran diferencia en los valores de los poderes para cada uno de ellos:
En el caso de la paciente de 22 aos que presenta un dolor plvico agudo, es evi-
dente que casi todos los casos de embarazo extrauterino tienen un test positivo,
lo que quiere decir que casi no hay falsos negativos. Hay muchos ms verdaderos
negativos que falsos negativos. Sin temor a equivocarnos podemos decir que hay
100 verdaderos negativos contra solo un falso negativo, lo que da como resulta-
do 100. Por lo tanto el poder de exclusin es muy fuerte.

En el caso de la trabajadora sexual, es posible que a veces un Pap test resulta

negativo a pesar de haber una displasia o un cncer. Sin embargo hay algunos
casos en los que el Pap test resulta positivo en personas que en realidad no tie-
nen ni cncer ni displasia, es decir que el nmero de verdaderos negativos se
reduce. Por esto podemos decir que la razn de verdaderos negativos contra fal-
sos negativos es de 10 contra 1, es decir 10; por lo tanto el poder de exclusin
es bueno.

En el caso de la ausencia de defensa abdominal, sabemos que la sangre no irrita

mucho el peritoneo, por lo menos no como una peritonitis o la presencia de
material fecal. Una defensa se observa en menos de la mitad de casos de emba-
razo extra uterino. Por otro lado una defensa puede encontrarse en una apendi-
citis o en una colecistitis, por lo tanto se puede decir que hay 30 falsos positivos,
por consecuencia hay 70 verdaderos negativos. Considerando que puede haber
al menos 50 falsos negativos el resultado es 70 contra 50, prcticamente 1: el
poder de exclusin es intil.

39
 Veamos aqu una representacin grfica de los poderes:
Figura 4.6

Verdaderos Falsos Verdaderos Falsos

positivos positivos negativos negativos

PODER DE CONFIRMACION PODER DE EXCLUSION

Estimar los verdaderos y falsos positivos y negativos

De esta manera se puede ver que el procedimiento para estimar el poder de un argu-
mento es muy sencillo. Sin embargo muchos dirn que lo difcil es estimar el nmero
de personas que entran en cada casillero de la tabla de cuatro entradas.
En realidad no es tn difcil. Para hacerlo correctamente, hay que empezar consideran-
do un grupo de personas con la enfermedad para la cual queremos analizar el poder
de un argumento y otro grupo de personas que no tienen esa enfermedad, pero que
pueden tener cualquier otra, e incluso pueden tener el argumento sin estar enfermos.
Para calcular fcilmente, es preferible considerar grupos de 100 pacientes. Podramos
imaginar un estudio en un grupo de 100 pacientes con neumona, escogidos al azar.
Haciendo una estimacin intuitiva podemos decir que, en este grupo, el dolor torci-
co puede estar presente en 20% de los casos. Entonces deducimos que hay 20% de
verdaderos positivos, por lo tanto 80% de falsos negativos. A la tasa de verdaderos
positivos se le conoce tambin como la sensibilidad. Es muy frecuente encontrar datos
de sensibilidad como resultado de investigaciones sobre valor diagnstico de un argu-
mento, y muchos clnicos piensan errneamente que esto es suficiente para cono-
cer el poder de un argumento. Sin embargo, la sensibilidad no ayuda mucho en la prc-
tica clnica si no se la combina con la tasa de falsos positivos. De esta manera obtene-
mos el poder de confirmacin.(1)

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

torcico. Si decimos uno en 10 significa que es

DOLOR

el 10% de casos; si decimos dos en 10 ser el

20%. Como veremos ms adelante no hace falta
Falsos Verdaderos
ausente ser exactos.
negativos negativos

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.

Tabla 4.1 Dolor torcico en neumona

Neumona Pacientes sin
neumona

Dolor torcico 20 5

Sin dolor torcico 80 95

Total 100 100

Ahora que hemos estimado la tasa de los verdaderos y falsos positivos y negativos,
podramos calcular los poderes:

Figura 4.9

Verdaderos Falsos Verdaderos Falsos

positivos positivos negativos negativos

PODER DE CONFIRMACION PODER DE EXCLUSION

Verdaderos positivos 20%

Falsos negativos 80%
Verdaderos negativos 95%
Falsos positivos 5%

Poder de confirmacin: 20/5= 4

Poder de exclusin: 95/80= 1.2

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

En realidad el resultado del poder de confirmacin es exponencial, y como tal debe

ser representado en una escala logartmica, lo cual nos da categoras de poderes. Si en
una hoja de clculo de excel calculamos el logaritmo de base 10 (usando la funcin
Log10) de todos los valores de poder de confirmacin desde el 1 hasta el 100 pode-
mos identificar 5 categoras de poder ms o menos bien definidas: intil, dbil,
bueno, fuerte y muy fuerte (Tabla 4.2, apndice 1).

Tabla 4.2 Clasificacin categrica de los poderes de un argumento

Poder calculado Poder transformado en

Razn verdaderos / falsos Logaritmo de base 10 Categora de poder

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.

La aplicacin de estas fuerzas en una escala fcil de comprender y aplicar en la prcti-

ca ser explicada en el siguiente captulo.

Simetra entre poderes de confirmacin y de exclusin

El poder de exclusin de un argumento no depende del poder de confirmacin. Esto
quiere decir que si un argumento tiene un poder de confirmacin fuerte para un diag-
nstico particular, no necesariamente su poder de exclusin va a ser fuerte tambin.
Por ejemplo si encontramos defensa abdominal sospechamos fuertemente en una
apendicitis, pero si la defensa abdominal est ausente no podemos excluir este diag-
nstico. As mismo una muestra de esputo negativa tiene un dbil poder de exclusin
frente a una tuberculosis pulmonar, mientras que si es positiva tiene un fuerte poder
de confirmacin. Este es un error muy frecuente que cometen los clnicos con poca
experiencia que trae como consecuencia, tanto el uso excesivo de exmenes diagns-

43
ticos, como el hecho de que muchos pacientes que ameritan un tratamiento se que-
den sin el mismo.

Del mismo modo, si la ausencia de un argumento excluye un diagnstico, su presencia

no necesariamente lo confirma: la fiebre no ayuda mucho para confirmar un diagns-
tico de paludismo, mientras que en un paciente afebril prcticamente excluimos la
posibilidad de esta enfermedad.

Examinemos el caso de una paciente hospitalizada en Esmeraldas, Ecuador, por una

embolia pulmonar.

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.

Podemos decir que la probabilidad de encontrar taquicardia en un grupo de pacien-

tes con embolia pulmonar es muy alta. Por otra parte, la probabilidad de tener taqui-
cardia en personas sin enfermedad no es baja: basta pensar en todos los pacientes con
fiebre, por ejemplo. El signo est casi siempre presente, pero no es nico para embo-
lia, entonces es un argumento bueno para excluir y dbil para confirmar.

Para el argumento edema de miembros inferiores el poder de confirmacin de la hip-

tesis diagnstica embolia pulmonar es fuerte mientras que su poder de exclusin es
ms bien dbil: el argumento es raro en pacientes sin embolia, pero en embolia no es
tan frecuente. El sntoma no est siempre presente, pero es ms nico.

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.

Tabla 4.3: Poder de los argumentos para embolia pulmonar

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"?

Patognomnico quiere decir que el poder de confirmacin es infinitamente alto. Es decir

que hacemos el diagnstico sobre la base de un solo argumento. Como vimos antes,
para que el poder de confirmacin sea infinitamente alto es necesario que no existan
falsos positivos. Un ejemplo es el aspecto de un herpes zonal tpico: no hay ninguna otra
enfermedad que simule a esta presentacin. Solo observando el aspecto hacemos el
diagnstico.

Existe su equivalente en negativo? S: el hecho de ser un hombre excluye un embarazo

extrauterino, el hecho de vivir en los Andes excluye la enfermedad del sueo. Solo que
nunca utilizamos el trmino patognomnico en negativo. Podramos llamarlo un argu-
mento obligatorio.

De todas maneras, un argumento patognomnico debe ser interpretado con precau-

cin.

Los determinantes de la fuerza

Varios factores influyen sobre la validez de un argumento y, por consecuencia, sobre su
fuerza. Aqu analizamos los factores ms importantes.

La recoleccin de los datos clnicos

Ya en el principio de cualquier contacto clnico, varios factores influirn sobre la fuerza

de los argumentos:

El mdico comprendi bien a su paciente? Problemas de idioma, de dialecto. (Trate,

por ejemplo, de hacer un examen de sensibilidad cutnea en una vieja mujer shuar
no habiendo ningn mdico ni auxiliar de enfermera que pueda hacer de traductor).
Dispone en verdad el paciente de la terminologa adecuada para expresar lo que
siente?
Si el paciente tiene ya en mente una causa probable, dar una informacin objetiva?
Teniendo ya el mdico en su mente una hiptesis probable, ser selectivo en la inter-
pretacin de la historia y de los argumentos?

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.

En principio, estos argumentos podran ser ms fiables. No podemos olvidar, por el

contrario, que estos argumentos nos llegan a travs de una cadena de transmisin, en
la cual los "errores" pueden ser frecuentes: error de etiqueta, intercambio de sueros,
contaminacin con otro suero, error de clasificacin. An en los laboratorios con ms
alta reputacin es normal encontrar del 1 a 2% de errores en la transmisin de datos.
Al contrario, en el aspecto de una pitiriasis rosea de Gilbert, no hay ninguna transmi-
sin de datos, es el clnico el que observa.

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?

El efecto se puede observar en la Figura 4.10 A la izquierda est representado por

puntos un grupo de pacientes con apendicitis; a la derecha un grupo de pacientes con
otras enfermedades. El tamao de los crculos se corresponde con la cantidad de
pacientes existente en cada grupo. Existen tres lneas horizontales que corresponden
a diferentes puntos de corte. La lnea roja est colocada en 16 mil leucocitos, es decir
consideramos positivo si los leucocitos son ms de 16 mil; la lnea amarilla est colo-
cada en 14 mil leucocitos; finalmente la lnea verde est colocada en 10 mil leucocitos.
Si colocamos nuestro punto de corte en 16 mil, habr pocos pacientes con otras
enfermedades que alcancen este valor, por lo tanto el argumento ser fuerte si est
presente. Por el contrario, ms de la mitad de las apendicitis no alcanzan este valor, su
poder de exclusin ser dbil, por consecuencia, la ausencia de este argumento no nos
permite excluir una apendicitis.
Si en cambio colocamos nuestro punto de corte en 14 mil, el argumento tendr un
buen poder de confirmacin si est presente: hay algunos pacientes con otras enfer-
medades diferentes a la apendicitis que tendrn una leucocitosis de 14 mil. Tampoco
ayudara mucho a excluir, puesto que hay pacientes con apendicitis que no alcanzaran
este valor. Finalmente si el punto de corte est en 10 mil el argumento se vuelve fuer-
te para excluir, son muy pocos los pacientes con apendicitis que tienen menos de 10
mil leucocitos; sin embargo es dbil para confirmar, por cuanto hay bastantes pacien-
tes sin apendicitis que tienen valores superiores a 10 mil.

En nuestra interpretacin, combinamos todo lo precedente: si la leucocitosis es alta, lo

utilizamos para confirmar, si es baja para excluir.

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)

Efectivamente este famoso teorema, que no es ms que el clculo de las probabilida-

des condicionales, constituye el mtodo ms apropiado para conocer la probabilidad
de que un enfermo que se encuentra en un determinado contexto, tenga una cierta
enfermedad, en funcin de los datos clnicos encontrados. Aunque parece tan sencillo
su uso no se ha divulgado en medicina por un lado porque, hasta ahora, ha sido abor-
dado casi exclusivamente por los epidemilogos y, por otro lado, porque se le ha dado
un excesivo nfasis a las frmulas matemticas sin tratar de explicar y comprender el
principio lgico que est por detrs, con un lenguaje accesible para la mayora.(7)

De qu manera un argumento cambia la probabilidad de una enfermedad? Esta es jus-

tamente la pregunta que se trata de resolver con el teorema de Bayes y que, en este
captulo, intentaremos explicar. Para comprender mejor vamos a partir de un ejemplo
prctico.
Un joven estudiante de 17 aos acude a la consulta de un mdico general de su con-
fianza. Est extremadamente ansioso: hace unas horas acaba de retirar el resultado
de la prueba para VIH del laboratorio de la Cruz Roja. En el papel se lee en letras
maysculas la etiqueta REACTIVO. l no tiene ningn sntoma. Se hizo el examen
porque se lo pedan como requisito para ingreso a la Universidad. Aunque es solte-
ro, no se considera alguien que se involucre en prcticas sexuales de riesgo. Desde
hace unos meses tiene una enamorada, siempre ha tenido relaciones sexuales con
preservativo y nunca ha pagado a nadie por tener sexo. Ahora quiere saber cul es
su futuro. Le pregunta al mdico: Cul es la probabilidad de estar realmente infec-
tado con VIH? En la Cruz Roja le dijeron que este resultado no necesariamente sig-
nifica que tiene el virus y, que para saberlo, haca falta repetir el examen con otro
mtodo, pero Cmo se explica eso?, No deberan ser siempre confiables los ex-
menes de laboratorio?

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?

Tomemos un segundo ejemplo, para ver lo que pasara en otra situacin.

El programa nacional de VIH-SIDA decide hacer una investigacin para conocer la
prevalencia de infeccin VIH en las trabajadoras sexuales que deambulan por las
calles del centro de Guayaquil. Durante una semana logran hacer un test rpido a
100 mujeres. Luego de procesar las muestras encuentran un resultado REACTIVO
en tres de ellas. Asumimos que el test usado fue exactamente el mismo que en el
ejemplo anterior. Cul es la probabilidad de que cada una de estas tres mujeres se
encuentre realmente infectada por el VIH?

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.

En el caso de las trabajadoras sexuales sabemos que estn permanentemente expues-

tas a la infeccin, ms aun si no se protegen con preservativos durante las relaciones.
Sin temor a equivocarnos podemos decir intuitivamente que al menos 1 de cada 100
trabajadoras sexuales que deambulan por las calles de Guayaquil tienen la infeccin. El
caso del joven es diferente: aun cuando sabemos que muchos adolescentes tienen rela-
ciones sexuales de riesgo, el nivel de exposicin al que llegan no se acerca a aquel de
las trabajadoras sexuales. Si juntramos a un grupo de 5000 adolescentes tpicos de

50
 Fuerza de un argumento

Quito, que ms o menos corresponde a la poblacin de estudiantes de cualquier cole-

gio pblico, quizs solo 1 o 2 de ellos estn infectados por el VIH, es decir 0,04%. Aqu
se encuentra la gran diferencia! Cualquier trabajadora sexual ya tiene una sospecha
mnima de 1% de estar infectada, antes de hacer una prueba, mientras que en un ado-
lescente tpico esta sospecha inicial ser solo de 0,04%.

La prueba a la cual se sometieron, tanto el joven como las trabajadoras sexuales, es la

misma. Su poder de confirmacin no cambia, pues es intrnseco de la prueba y, como
vimos antes, este poder es de 48, lo que significa que es FUERTE (Tabla 5.1). Sin embar-
go, el efecto provocado por esta fuerza de la prueba debe ser interpretado en funcin
del contexto en que se encuentra cada persona en la cual ha sido aplicada. Este con-
texto no es otra cosa que la sospecha inicial: en el caso del joven al que le pidieron la
prueba para entrar a la universidad vimos que sta es muy baja; en el caso de las tra-
bajadoras sexuales la situacin es diferente. Si partimos de una sospecha inicial baja, la
probabilidad despus de la prueba ser ms alta, pero no tanto como cuando parti-
mos de la sospecha inicial que tendra una trabajadora sexual. Este efecto vamos a
verlo en la Figura 5.1
Figura 5.1 Efecto del mismo test en dos personas diferentes.

En el eje y se encuentran las probabilidades en porcentajes, pero representadas en una escala

logartmica. Cada lnea representa a un sujeto. En el extremo izquierdo de cada lnea se encuen-
tra la probabilidad antes de hacer la prueba, en el extremo derecho la probabilidad obtenida des-
pus de la prueba.

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

A la izquierda se encuentra la escala en logaritmos de base 10 del odds de las probabilidades.A

la derecha se encuentran las correspondientes probabilidades en porcentaje. La escala logartmi-
ca tiene un eje de simetra cero que corresponde a una probabilidad de 50%. Es una escala infi-
nita tanto hacia abajo como hacia arriba.
En este tipo de escala tenemos un eje de simetra cero que corresponde a una proba-
bilidad de 50%. Esta nocin es muy compatible con nuestra intuicin: un paciente que
tiene una probabilidad de 50% de estar afectado por una enfermedad se encuentra situa-
do en una posicin neutra, en la que tiene tanto riesgo de presentar la enfermedad como
de no presentarla. A partir de esta posicin neutra la escala sube con valores positivos o
baja con valores negativos, los cuales se miran como en espejo, el uno en relacin al
otro. La imagen en espejo de 10% ser 90%, la de 1% ser 99%, la de 0,1% ser 99,9%
y as sucesivamente. Otra caracterstica interesante es que la escala es infinita, tanto para
arriba como para abajo, lo cual tambin tiene su racionalidad: en una gran parte de
pacientes nunca llegamos a estar absolutamente seguros de que tenga una enfermedad,
as como tampoco de que no la tenga.
1
Para los interesados en conocer en detalle la escala logartmica sugerimos leer el apndice, tampoco esto
es indispensable para continuar con la lectura del texto.

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

Esto todaba sigue siendo demasiado complicado. Finalmente la forma ms sencilla de

aplicar todo esto, y la que aconsejamos que se utilice en la prctica, es la de un grfi-
co. Para empezar hay que pensar en la escala logartmica como si fueran los pasos de
una escalera. Un argumento intil no nos ayuda ni a avanzar ni a retroceder. Un argu-
mento dbil nos hace mover medio paso (hacia arriba si el argumento est presente,
hacia abajo si est ausente). Un argumento bueno har mover 1 paso; uno fuerte 1
paso y medio y uno muy fuerte permitir un movimiento de 2 pasos. (Figura 5.3)

Figura 5.3: Representacin de los poderes en la escala

El uso de varios argumentos en serie

Cuando nos aproximamos al problema clnico de un paciente en particular hacemos
varias preguntas en serie. Empezamos con una anamnesis, continuamos con un exa-
men fsico, luego pedimos exmenes de laboratorio y de imgenes. Cada pregunta
tiene el objetivo de hacer variar nuestra sospecha inicial. Si la respuesta es afirmativa la
probabilidad de tener la enfermedad que sospechamos sube, si es negativa en cambio

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):

Figura 5.4 Efecto de dos tests en serie en dos personas diferentes.

En el eje y se encuentran las probabilidades en porcentajes, pero representadas en una esca-

la logartmica. Cada lnea representa a un sujeto. En el extremo izquierdo de cada lnea se
encuentra la probabilidad antes de hacer la prueba, en la mitad la probabilidad obtenida des-
pus de la primera prueba y en el extremo derecho la probabilidad obtenida despus de la
segunda prueba.

Vemos que la probabilidad final alcanzada en el caso de la trabajadora sexual ya es muy

alta, cercana al 99%, mientras que en el caso del joven apenas alcanzamos una proba-
bilidad que est alrededor de 50%. Es la misma explicacin que cuando veamos el
efecto de una sola prueba: mientras ms arriba se encuentre el punto de partida ms
alta va a ser la probabilidad alcanzada, aunque la prueba sigue teniendo el mismo
poder intrnseco. El mensaje que daremos a cada paciente ser distinto: al joven le
recomendaremos confirmar con una tercera prueba, con la trabajadora sexual ya esta-
mos en un nivel en el que casi le podemos asegurar que est infectada.

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.

En el eje y se encuentran las probabilidades en porcentajes, pero representadas en una esca-

la logartmica. Cada lnea representa a un sujeto. En el extremo izquierdo de cada lnea se
encuentra la probabilidad antes de hacer la prueba, en la mitad la probabilidad obtenida des-
pus de la primera prueba y en el extremo derecho la probabilidad obtenida despus de la
segunda prueba

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.

Si no disponemos de datos sobre la distribucin de enfermedades en el servicio de

salud en el que trabajamos, no nos queda otra alternativa que basarnos en nuestra

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.

Hemos visto que un argumento modificar, por su poder de confirmacin o de exclu-

sin, esta probabilidad pre-test en una probabilidad post-test. Al finalizar toda la bs-
queda de argumentos llegaremos a una probabilidad post-test final, o mejor dicho a
una certeza. Veamos cmo evoluciona el valor de esa probabilidad.

El primer argumento que la paciente de nuestro ejemplo presenta es la tos crnica.

Necesitamos conocer cul es el poder de confirmacin de este argumento. Como
vimos en el captulo anterior, requerimos conocer la proporcin de verdaderos posi-
tivos y falsos positivos. Intuitivamente podemos decir que 9 de cada 10 pacientes con
tuberculosis presentan tos crnica, es decir que la proporcin de verdaderos positivos,
tambin conocida como sensibilidad, es de 90%. Estimar la proporcin de falsos posi-
tivos es un poco ms difcil. Para eso necesitamos imaginar un grupo de personas que
NO tienen tuberculosis pulmonar, pero que acuden a la consulta con cualquier otra
enfermedad, y preguntarnos en cuntos de ellos se encuentra tambin tos crnica.
Supongamos 100 pacientes en un consultorio de medicina general como el del ejem-
plo, Cuntos pacientes de stos tienen tos crnica? Entre stos estarn quienes tienen
una bronquitis crnica, un asma, una alergia, una fibrosis pulmonar, habr algunos fuma-
dores, etc. A partir de aqu podemos ensayar algunas estimaciones: Sern la mitad?

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

Este argumento ya lo podemos representar en nuestra escala de certeza: dibujaremos

una flecha que haga subir medio escaln desde la probabilidad pre-test que, como
vimos antes, es de 1%, con esto llegamos a una probabilidad post-test que est alre-
dedor de 5% (Figura 5.6).
Figura 5.7: Evolucin de un argumento desde la probabilidad inicial

Los siguientes argumentos tendrn que ser representados a partir de la probabilidad

alcanzada con la tos crnica. En caso de estar presentes la probabilidad subir, si en
cambio estn ausentes la probabilidad disminuir. Para resumir presentamos en la Tabla
5.4 los datos necesarios para calcular los poderes de confirmacin de los argumentos

58
 Fuerza de un argumento

presentes y el poder de exclusin del BAAR de esputo, que es el nico argumento

ausente en la paciente del ejemplo.
Tabla 5.4: Argumentos para tuberculosis

De esta manera se puede representar toda la evolucin de la probabilidad en un solo

grfico, como sigue (Figura 5.7)
Figura 5.7: Evolucin de varios argumentos en serie desde la probabilidad inicial

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.

La exactitud de los datos

A menudo nuestro mtodo es criticado porque basamos la estimacin de probabili-
dades en muchos datos intuitivos. Se dice que: si se calcula con basura se obtiene
basura. Sin embargo esto no es tan cierto. Se podra decir que la situacin ideal sera
que la estimacin de sensibilidad y especificidad de todos los datos clnicos estuviera
basada en estudios realizados con una metodologa apropiada. Lamentablemente ese
no es el caso, pero tampoco es algo imprescindible. Por un lado existe una ausencia
casi absoluta de estudios que evalen la sensibilidad y la especificidad de los sntomas
y signos de las diferentes enfermedades. Esto debido a que hay poco inters en hacer-
lo pero tambin a que la organizacin de este tipo de investigaciones no es tan fcil.
Por otro lado el trabajo de un mdico clnico se desarrolla en una diversidad de con-
textos epidemiolgicos, cada uno con una frecuencia diferente de enfermedades, lo
que trae como consecuencia que las tasas de falsos positivos cambian de un sitio a
otro. Esto implica que la estimacin de la fuerza de un test y de la frecuencia de enfer-
medades tiene que, necesariamente, ser un anlisis intuitivo que cada mdico realiza
para el contexto en el cual ejerce sus actividades. Por ltimo hay que sealar que, al
usar un mtodo de representacin en categoras de poder, las pequeas variaciones
que se pueden encontrar en los porcentajes de sensibilidad y especificidad afectan muy
poco el resultado final, tanto para la estimacin de la fuerza de un test como para el
clculo de probabilidades.

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.

La representacin grfica de las fuerzas de un argumento, en una escala de certeza

logartmica, facilita la aplicacin del teorema de Bayes y permite visualizar el efecto que
se obtiene luego de varios argumentos en serie.

El valor predictivo es una nocin utilizada en epidemiologa: de hecho no da el valor

de un argumento, sino el valor de un argumento en una poblacin dada, lo que no se
aplica en clnica, donde cada paciente tiene su propia historia, y por consecuencia, su
propia sospecha.

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 competencia del mdico est basada en su conocimiento y en un saber-hacer. Est

comprobado que existe poca diferencia entre los conocimientos que moviliza por una
parte un clnico y por otra parte un estudiante. La diferencia se encuentra en la utili-
zacin de la informacin : un clnico experimentado utiliza la informacin con una lgi-
ca ms elaborada, ms fina.(2, 3)

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.

La primera podra ser que, contrariamente a la estructura de un algoritmo que es

esencialmente serial, el razonamiento humano utiliza sobre todo pasos paralelos, cuya
lgica compleja es difcil de entender. Este razonamiento paralelo permite hacer el
"reconocimiento de un patrn", actividad para la cual el cerebro humano es muy
bueno.(5, 6)

La segunda podra estar relacionada con la ponderacin de los estmulos.

Contrariamente a los transistores de una computadora, las neuronas reaccionan de
manera ponderada y analgica1; un transistor toma una decisin digital, dicotmica. Un
transistor puede captar y emitir una sola palabra, o mensaje: si o no, + o -. En
cambio, las neuronas pueden captar mensajes intermedios, como un poco, mucho
etc., y enviar una respuesta tambin ponderada, como estamos mas o menos con-
vencidos que. En lenguaje de computadora la ltima frase sera redondeada en un
sencillo si, que es totalmente diferente y mucho menos rico.

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.

En el enfoque algortmico el razonamiento intuitivo, paralelo y analgico, es traducido

en un enfoque serial y dicotmico, de complejidad variable (Fig. 6.1 y 6.2). Este enfo-
que es perfecto para una computadora, para delegar tareas simples a personal menos
calificado, y para la solucin de problemas bien delimitados.

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

Figura 6.1 Algoritmo en escalera

La debilidad de los algoritmos es fcil de mostrar: de acuerdo a la figura 6.1, en un

paciente con una neumona, que no presenta fiebre, el diagnostico no ser hecho!

El algoritmo presentado en la figura 6.2 es un poco ms complejo; sin embargo eso no

lo hace ms eficaz.

Figura 6.2 Algoritmo complejo

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.

Estas representaciones algortmicas no representan la lgica intuitiva del mdico, y por

consecuencia es obvio que en un cierto momento van a ser rechazadas. Quizs algu-
nos algoritmos que indican el camino para la realizacin de tareas o intervenciones
especficas puedan ser ms tiles como recordatorios. De hecho, muchos mdicos
dicen que no siguen los algoritmos de forma rgida pero que, sin embargo, los usan
como una plantilla de control para verificar que todo lo que est previsto ha sido
hecho.

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.

El espectro de enfermedades: En los libros de medicina interna el espectro de enfer-

medades consideradas en el diagnstico diferencial de ciertos sntomas clave suele ser
exhaustivo y, por eso, se hace difcil de manejar. La mayora de mdicos no nos acor-
damos, por ejemplo, de todas las enfermedades que estn dentro del diagnstico dife-

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.

Ms de una enfermedad: Siempre es posible que un paciente est afectado por ms

de una sola enfermedad. Muchos clnicos piensan que un argumento favorable para
una enfermedad disminuye la probabilidad de otras enfermedades. Aunque esto puede
ser correcto desde el punto de vista probabilstico nicamente sera vlido cuando
tenemos la seguridad de que el paciente est afectado por una sola enfermedad a la
vez, es decir cuando las enfermedades son mutuamente exclusivas, lo que nunca es
cierto.

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.

Describimos un anlisis complejo en 5 pasos. Los 3 primeros siguen ms o menos el

mismo mtodo que la generacin de hiptesis clsica. El paso de "los puntos nodales"
ha sido aumentado para fundir mejor los diagnsticos, evitando conclusiones demasia-
do simplistas, y para poner en marcha la discusin de los argumentos "confusores". El
paso "prioridades" ha sido insertado a causa del efecto "imagen congelada".

La lista de los diagnsticos diferenciales.

Ante un sntoma dado, una serie de causas probables aparecen espontneamente en
nuestra mente. Esta serie no es exhaustiva, pero debera incluir las enfermedades en
las cuales una intervencin mdica es necesaria: enfermedades graves y tratables.
Adems incluiremos las causas ms frecuentes. No hay ninguna lgica detrs de esta
lista: est basada en asociaciones espontaneas que hace nuestra mente.

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.

Fisiopatologa del sntoma o del signo.

Otra forma de llegar a la lista de causas podra ser un enfoque del tipo causa - efecto,
en el que se analicen la naturaleza del sntoma o del signo y las formas como estos
podran producirse. En realidad, el paso 1 y 2 son complementarios: el momento en el
cual las asociaciones espontneas han sido agotadas, el paso 2 permite re-encontrar
familias o captulos enteros (en caso de ictericia, todas las ictericias hemolticas; en caso
de vmitos, las patologas cerebrales).

El primer enfoque se parece ms a la forma realista de llegar al diagnstico, el segun-

do enfoque a la forma acadmica. Como ya lo hemos dicho, en la prctica los dos son
complementarios. Es importante subrayar que el enfoque fisiopatolgico solo lo utili-
zamos aqu para completar la lista de causas.

El inventario y el anlisis del peso de los argumentos

Para cada diagnstico posible, se investigarn los sntomas y signos clave (los argumen-
tos). De nuevo, no tiene sentido una enumeracin exhaustiva. Lo que nos interesa son
los argumentos con un fuerte poder de confirmacin y/o de exclusin. Las petequias
son raras en caso de meningitis, pero si estn presentes, tienen un fuerte poder de
confirmacin, por lo tanto es muy importante investigar este signo. Al contrario, el
poder de confirmacin y de exclusin que tiene el estreimiento para una hepatitis es
bajo, por tanto no ser necesario incluirlo dentro de nuestra lista de argumentos a
investigar ante tal sospecha.1

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.

Los puntos nodales

En la lista de los signos y de los sntomas, se busca los argumentos comunes a varias
enfermedades. Estos elementos constituirn los puntos nodales del camino lgico.

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.

Definicin de las prioridades

Muy a menudo, el clnico piensa primero en las enfermedades ms comunes. Esto en
cierto modo tiene sentido, sin embargo tambin puede inducir a cometer errores. Por
ejemplo, algunas normas de manejo de la fiebre, en reas donde existe transmisin de
malaria dicen: "ante toda fiebre, piense primero en malaria". El problema es que el
mdico sin experiencia, para quien esta estrategia habra sido concebida, puede olvi-
darse de que existen otros problemas menos frecuentes, pero tan o ms graves que
la malaria, como la meningitis. Esto es ms peligroso an si se considera que, para esta
ltima, el pronstico depende del inicio temprano de un tratamiento antibitico.

Como lo sealamos ms arriba, a este efecto lo llamamos imagen congelada e indu-

ce a un sesgo de confirmacin.Toda estrategia diagnostica debe incluir reglas que evi-
ten esta imagen congelada" sobre una enfermedad plausible que esconde otra enfer-
medad ms grave. Es por eso que algunas prioridades deben ser determinadas antes
de iniciar la construccin de cualquier representacin grfica.

Pensar en la gravedad, la urgencia y la vulnerabilidad (del problema) es la clave para

evitar este error. En la prctica, estos tres parmetros pueden ser reducidos a dos,
combinando la gravedad y la urgencia. La patologa urgente siempre es grave, y en los
panoramas, el factor tiempo no juega ningn rol.

Los diferentes diagnsticos deben ser evaluados de acuerdo a su gravedad y su vulne-

rabilidad (en el terreno de trabajo) y, en caso de empate, la frecuencia (prevalencia)
puede constituir el criterio dirimente.

La construccin del panorama

Cmo representar el trabajo hecho hasta ahora en un esquema utilizable? La cons-
truccin de una representacin grfica, de un marco de trabajo sigue leyes muy pre-
cisas.

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.

Lo que proponemos es una representacin grfica paralela y ponderada, que hemos

llamado el panorama diagnstico, considerando que tiene la forma del cuadro de
un panorama, donde podemos ver un volcn en el centro que representan el sntoma
clave, algunas colinas que rodean a este volcn, que representan a las enfermedades
prioritarias, y otras colinas ms alejadas que representan las enfermedades menos prio-
ritarias. Las colinas pueden estar rodeadas de arboles que representan los argumen-
tos.(Figura 6.3)

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.

En el crculo externo a veces se encuentran algunas enfermedades frecuentes. Por

ejemplo en un panorama para la fiebre en el nio se encontrar la gripe. En casi cual-
quier contexto lo ms probable es que un nio con fiebre tenga solamente una gripe,
sin embargo para la gripe no tenemos ninguna intervencin eficaz. Lo nico que pode-
mos hacer es reducir las molestias y evitar que la temperatura suba excesivamente
provocando convulsiones. Por esa razn la gripe, como causa de fiebre en un nio, no
necesitar mayor investigacin, por lo tanto se la ubica en el segundo crculo. Esto sig-
nifica que solamente se la tomar en cuenta cuando todas las enfermedades del crcu-
lo interno hayan sido excluidas.

Tambin en el crculo externo se encontrarn enfermedades graves, muchas veces mor-

tales, pero para las cuales no hay ningn tratamiento. Por ejemplo en el panorama para
tos crnica en un adulto se encontrar el cncer de pulmn. El diagnstico de cncer
de pulmn es muy importante para el paciente, por las consecuencias fatales que va a
tener. Es nuestro deber asegurar de que, en caso de que ese sea el diagnstico, se hagan
todas las investigaciones necesarias para confirmar el mismo de manera que el paciente
y la familia sean adecuadamente informados, sin embargo esta investigacin solo se har
cuando las enfermedades del primer crculo hayan sido excluidas.

En cambio en el crculo interno a veces nos vamos a encontrar con enfermedades

poco frecuentes, pero para las cuales es importante actuar rpidamente. En el pano-
rama para ictericia en un adulto una de las hiptesis ser una leptospirosis. Esta es
una enfermedad infecciosa poco frecuente en la poblacin general, aunque puede
haber situaciones sanitarias especiales en las cuales muchas personas pueden conta-
giarse. El hecho de que la leptospirosis sea una enfermedad con consecuencias gra-
ves si no se trata y que, adems, sea fcilmente tratable hace que tenga que estar en
el primer circulo. Una hepatitis viral es siempre ms probable, pero para esta no hay
mucho que hacer, por lo tanto se la pondr en el circulo externo.

Este enfoque constituye un cambio de paradigma en la forma de analizar un problema

clnico. La gravedad y la vulnerabilidad de las enfermedades son el criterio de prioriza-
cin ms importante, mientras que la frecuencia ser tomada en cuenta luego, cuando
lo urgente y tratable haya sido excluido para definir cual es finalmente la enfermedad
ms probable. Este enfoque es compatible con la teora del umbral de decisin, que
abordamos en el segundo captulo. De hecho, las enfermedades del crculo interno son
justamente las que tienen un umbral bajo.

Resumiendo, en el panorama las enfermedades graves y tratables irn en el crculo

interno de colinas, mientras que las menos graves o poco tratables irn en el crculo
externo, sin tomar en consideracin la frecuencia.

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.

El grupo de rboles (argumentos) ms importante es el que se encuentra al interior

del crculo interno de patologas. Estos argumentos son cruciales porque nos deben
permitir confirmar y-o excluir todas y cada una de las patologas que se encuentran en
el crculo interno, es decir las que hemos considerado prioritarias. Constituyen los
argumentos que obligatoriamente debemos preguntar-pedir a todo paciente que se
presente con el sntoma clave.

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.

Ejemplo de panorama: ascitis en un adulto.

Las patologas
Si estamos ante un caso de ascitis (en un adulto), pensamos inmediatamente en una
serie ms o menos larga de patologas:

Descompensacin cardaca
Beriberi
Cirrosis
Estadio terminal de una fibrosis
Una ascitis falsa: sangre en el peritoneo: ruptura del bazo, embarazo extra-uterino.
Tuberculosis peritoneal

Luego de un anlisis ms profundo, algunas enfermedades ms raras se aaden:

Metastasis o carcinomatosis peritoneales

Sindrome nefrtico
Pericarditis
Enfermedad veno-oclusiva1

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.

En este caso, la fisiopatologa es esencialmente la del equilibrio de Starling que gobier-

na toda formacin de edema.

La presin en aumento de los capilares no juega ningn papel, conociendo que

los esfnteres de las arteriolas siempre son competentes.

La permeabilidad de las paredes de los capilares puede estar afectada, lo que

juega un rol en las infecciones, como la tuberculosis, y en las carcinomatosis.
1
Se debe a un dao txico de los sinusoides hepticos. Puede sobrevenir por el uso de altas dosis de quimioterapia o de aza-
tioprina en pacientes receptores de transplantes.Tambin se ha documentado la intoxicacin por alcaloides pirrolizidinicos pre-
sentes en heliotropos u otras plantas. En 1992 se present una epidemia en Tadjikistan debido a trigo contaminado con helio-
tropos causando cerca de 4000 casos. En Per se ha documentado casos en personas que han consumido tisanas prepara-
das con Senecio tephrosioides, conocido como huamanrripa, como agente antitusgeno.

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.

La presin en descenso juega un rol extremadamente importante en las des-

compensaciones, en la cirrosis y en la enfermedad veno-oclusiva. Ntese, sin
embargo, que una cirrosis (y por consecuencia una fibrosis) no causa ascitis en
ausencia de hipoproteinemia. Lo mismo se aplica para las trombosis idiopticas de
la vena porta.

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")

El inventario de los argumentos; los puntos nodales.

Despus de haber encontrado los argumentos con poderes de confirmacin o de
exclusin buena o fuerte, buscamos los sntomas o signos comunes, y ponemos todo
en una matriz que nos permita analizar los puntos nodales (Tabla 6.1). Escogeremos
aquellos que tengan un fuerte poder de confirmacin y o de exclusin y que, por lo
tanto, sirvan para discriminar entre las diferentes patologas:

77
 Tabla 6.1 Matriz para analizar puntos nodales. Ejemplo ascitis.

78
 El panorama

Construccin del panorama

En primer lugar, dibujamos las patologas prioritarias para que formen el crculo inter-
no. Luego colocamos, al interior del crculo interno los grandes argumentos, es decir
aquellos argumentos que disponen de un poder de confirmacin o de exclusin
importante y que van a ser pedidos - preguntados obligatoriamente a todas las per-
sonas con el sntoma clave. Estos argumentos son los puntos nodales que hemos esco-
gido de la matriz de anlisis de los puntos nodales. Alrededor de las patologas, colo-
camos los otros argumentos fuertes que preguntaremos cuando las dems enferme-
dades del crculo interno hayan sido excluidas y nos ayudan a llevar el diagnstico en
una o varias direcciones ms restringidas (Figura 6.4).
Figura 6.4 Panorama simple para ascitis.

Ya en este momento, podemos mostrar como utilizar el panorama. Si el paciente se

presenta con ascitis, fiebre y dolor, ya es claro que nos dirigimos hasta una tuberculo-
sis peritoneal; la ley de la imagen congelada nos obliga a agotar todos los argumen-
tos en el crculo interior. Podra ser que se trata de un paciente con pericarditis, que
tiene dolor abdominal solo por casualidad! De esta manera una buena investigacin de
todos los argumentos centrales permite una combinacin inteligente, y previene que
nos equivoquemos.

Luego, aadimos en un crculo ms lejano al centro, "en el horizonte", las enfermeda-

des no prioritarias, igualmente con sus "grandes argumentos". Por ltimo, ligamos los
argumentos a sus respectivas patologas (Figura 6.5).

79
Figura 6.5 Panorama completo para ascitis.

Evidentemente, se trata aqu de un panorama completo, que casi nunca es necesario.

Sin embargo, como ejercicio en la universidad o en una capacitacin continua, puede
ser til.

Otro ejemplo: dolor plvico en la mujer

El siguiente panorama (Figura 6.6) presenta otro anlisis complejo con su algoritmo
elaborado para un problema muy frecuente: el dolor plvico en la mujer.

80
 El panorama

Figura 6.6 Panorama para dolor plvico en la mujer

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

En el lado izquierdo se encuentra la probabilidad pre test. En el lado derecho la probabilidad

post test. En el centro se encuentra el likelihood ratio.Trazando una lnea que parta de la pro-
babilidad pre test pasando por el likelihood ratio se obtiene la probabilidad post test.

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.

Lmites de una escala nominal

De acuerdo a su experiencia personal y su intuicin, un mdico sabe que una enfer-
medad en particular es frecuente mientras que otra le parece extremadamente rara;
siente que un argumento es ms o menos fuerte en la confirmacin o en la exclu-
1
Para el poder de exclusin hacemos la divisin de verdaderos negativos para falsos negativos. En cambio para el likelihood
ratio negativo tenemos que dividir falsos negativos para verdaderos negativos. Como casi siempre los falsos negativos son
menos que los verdaderos negativos su resultado es un decimal inferior a 1.

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.

Nuestro razonamiento no funciona con cifras si no con conceptos que ms o menos

respetan una escala nominal, una escala basada en palabras que representan catego-
ras. Lo mismo les sucede a los pacientes : si una mujer de 60 aos le pregunta a usted
cual es su probabilidad de que ella se enferme de SIDA (no presentando ningn sn-
toma de la enfermedad), le comprender mejor si usted le dice que esa posibilidad es
inverosmil que si usted le dice que en su caso la probabilidad pre-test es de 0,01%.

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.

El mayor problema de una escala nominal est ligado a su subjetividad: si pedimos a

varios mdicos que califiquen con adjetivos las probabilidades expresadas en porcen-
tajes las respuestas sern muy diferentes!

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.

Figura A 1.2: Categoras intuitivas representadas en una escala de probabilidad

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%.

Aparte de la subjetividad, una escala nominal no nos permite aplicar el teorema de

Bayes, es decir aplicar un argumento a un paciente particular. Habra que encontrar
una transformacin matemtica que junte la escala nominal del clnico con la escala
numrica del epidemilogo.

Lmites de una escala numrica lineal

Hemos visto, en los captulos del libro, que cada hiptesis tiene una cierta probabilidad
pre-test de corresponder con el diagnstico del paciente, y que los argumentos reco-
gidos nos llevan a una cierta probabilidad post-test cuyo valor depender de la fuerza
de sus argumentos : imaginemos un caso en el cual la probabilidad pre-test es de 1%
y que los dos argumentos encontrados nos dan una probabilidad post-test de 10% con
el primer argumento y de 19% con el segundo : podemos representar todos estos
datos sobre una escala de certeza que va desde 0 hasta 50%, y el esquema que se
obtiene es el de la figura A 1.3:

Figura A 1.3: Efecto de la linearidad con dos tests

A menudo esto no puede ser representado grficamente porque el mdico trabaja

por lo general en el campo situado muy cerca de 0% o de 100%,: la probabilidad pre-
test es casi siempre muy baja (0,1%, 0,01%, ...) y los umbrales de accin de tratamien-
to de los enfermos hospitalizados muy elevados (99,9%, 99,99%, ...). Las probabilida-
des situadas entre los valores de 10 y 90% son casi siempre menos decisivas que
aquellas cuyo valor se acerca a 0 o a 100% y no se pueden ver en una escala linear.
Por este motivo sera necesario estirar los extremos y la nica manera de lograrlo es
con una escala logartmica.

88
 Apndice 1

Lmites de la expresin numrica de la razn de verosimilitud

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 :

Por una parte un argumento con un poder de confirmacin (PC) de 100 no es

10 veces ms fuerte que un argumento con un PC de 10. Consideremos, por
ejemplo, una enfermedad con una probabilidad pre-test de 1% y dos argumentos
cuyos PC son de 10 y de 100 respectivamente: el valor post-test con el primer
ejemplo ser de 9%, mientras que con el segundo ser de 50%. Este segundo
valor no es 10 veces mayor que el primero, en realidad es bastante inferior de lo
que podamos esperar

Por otro lado, la ganancia en certeza

Para realizar una ganancia en certeza
lograda con un argumento vara con el desde 90 % hasta la proximidad de la
valor de la probabilidad pre-test. certeza absoluta, hace falta un argumen-
to tan fuerte como que el que se requiere
Consideremos por ejemplo, un argu- para ir desde 10 hasta 90%: esto se
mento cuyo PC es de 100. La ganan- explica por el hecho de que nuestra apre-
cia en certeza lograda por este argu- ciacin sigue una escala logartmica.
mento depende de la probabilidad
pre-test de la enfermedad considerada: si sta es de 10%, la probabilidad post-
test ser de 90% y la ganancia en certeza de 80%; si sta es de 90% la probabili-
dad post-test ser de 99,9% y la ganancia en certeza solo de 9,9%. El mismo argu-
mento parece entonces dar una gran ganancia en certeza cuando la probabilidad
pre-test es baja y una pequea ganancia si esta es alta. Este fenmeno se puede
ver en la Figura A 1.4.

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

Estamos acostumbrados a estimar las probabilidades como proporciones aritmticas,

lo ms a menudo en porcentaje, sin embargo la intuicin se adapta mucho mejor a una
escala logartmica. Esto no tiene nada de sorprendente. Cuando hace 400 aos Napier
desarroll el principio de los logaritmos lo hizo justamente para facilitar el clculo intui-
tivo.(8) En ese entonces no existan las calculadoras y a la gente se le haca extremada-
mente difcil realizar multiplicaciones y divisiones con ms dos cifras. Lo ms adecuado
era tener una escala categrica que permita hacer sumas en lugar de multiplicaciones
y restas en lugar de divisiones. Un poco ms tarde Oughtred desarroll la primera
regla de clculo que nuestros padres usaron hasta los aos sesenta del siglo pasado y
que sirvi para hacer trabajos tan complejos como el clculo estructural del Empire
State Building.(9) La genialidad de la regla de clculo es que estaba basada en operacio-
nes logartmicas.Vendra a ser algo as como el nomograma de Fagan pero que gracias
a operaciones con logartmicos permita hacer clculos matemticos muy complejos.

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

Tabla A 1.1 Equivalencia de probabilidades expresadas en porcentaje, en odds, y en log10 odds

Probabilidades expresadas en % En odds En log10 odds

0,0009 0,00001 -5
0,009 0,0001 -4
0,09 0,001 -3
0,9 0,01 -2
9 0,1 -1
50 1 0
91 10 1
99 100 2
99,9 1000 3
99,99 10000 4
99,999 100000 5

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.

Figura A 1.5: Probabilidades en Log10 odds y en porcentajes

91
Esta nueva escala logartmica presenta varias ventajas:

Est construida alrededor de un eje de simetra que corresponde a una probabi-

lidad de 50% : el valor log10 odds de 50% es 0. Esta nocin es muy compatible
con nuestra intuicin: un paciente que tiene una probabilidad de 50% de estar
afectado por una enfermedad se encuentra como situado en una posicin neu-
tra en la que tiene tanto riesgo de presentar la enfermedad como de no presen-
tarla.
Permite un trabajo mucho ms ligero con las probabilidades extremas, cercanas a
0 o a 100%: las probabilidades de 99,9% et 99,99% que parecen muy cercanas, se
expresan en la nueva escala por valores bien distintos de 3 y 4.
Est globalmente ms adaptada a la escala nominal utilizada intuitivamente por la
mayora de los clnicos.

Ventajas en relacin a los poderes de un argumento

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.

Tabla A 1.2: Poderes de los argumentos calculados y en categoras

Poder del argumento Poderes en log10 Clasificacin cate-

calculado y rango grica de la fuerza
Para confirmar Para excluir del argumento

100 (>56) 2 -2 Muy fuerte

30 (18-56) 1.5 -1.5 Fuerte

10 (6-17) 1 -1 Bueno

3 (2-5) 0.5 -0.5 Dbil

1 0 0 Intil

92
 Apndice 1

Aplicacin del teorema de Bayes en una escala logartmica

Todo lo anterior ya permite utilizar el Teorema de Bayes sin utilizar clculos complica-
dos. Para hacerlo vamos a usar la escala de probabilidades en log10 odds que vimos
en los prrafos precedentes y aplicaremos las categoras de fuerza del argumento.

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:

log10 de la probabilidad pre-test + log10 del Poder = log10 de la probabilidad post-test

As, por ejemplo, si recibimos a un paciente en quien sospechamos una enfermedad

rara (entonces asumimos que el valor de probabilidad pre-test es 0,001, por lo tanto
su log10 ser de - 3) en quien ponemos en evidencia un argumento que tiene un
poder de confirmacin muy fuerte (cuyo poder de confirmacin es de 100, por lo
tanto su log10 de +2). Con esto llegamos a una certeza (en log10 odds) de -1, ya que
-3+2=-1. Por lo tanto podemos decir que es poco probable que este paciente pueda
estar afectado, an si el test es positivo. Una certeza de -1 en log10 odds significa una
probabilidad de 10%. El detalle de este clculo con los tres mtodos, el clsico Bayes,
el categrico y el intuitivo se puede ver en la Tabla A 1.3

Tabla A 1.3: Clculo de probabilidades con tres mtodos

Escala Probabilidad PC de los Probabilidad

pre-test argumentos post-test

Linear (%) 0.1% calculo 100 10%

imposible

Linear 0,001 x 100 = 0.1

(odds)

Logartmica -3 + 2 = -1

una enfermedad un argumento

Clnica rara sospecha- que con un poder es probable
(intuitiva) da en un pacien- presenta de confirmacin
te muy fuerte

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.

En este apndice hemos presentado un modelo para la representacin de las bases de

la epidemiologa diagnostica clnica que ofrece tres ventajas principales :

1. Permite hacer ejercicios prcticos mucho ms ligeros porque ya no requieren cl-

culos complicados;
2. Se facilita la comprensin de la evolucin del valor de la probabilidad post-test
luego de cada argumento encontrado en el paciente, nocin necesaria para
poder analizar problemas clnicos complejos;
3. Ofrece una estructura lgica que permite a los clnicos efectuar su trabajo coti-
diano de una manera ms cientfica.

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

Ponindolo en el lenguaje de Bayes, la probabilidad de kwashiorkor, cuando se tiene la

condicin de edema del pie, es ms alta cuando un nio est en un centro de recupe-
racin nutricional, que cuando est en un centro de salud; porque en el primer caso la

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.

Cuando no se aplica el Teorema de Bayes, se comparan dos muestras de personas, las

unas que padecen de la patologa y las otras no; pero sin que estas muestras sean
representativas de la poblacin general, tomando en cuenta solamente a la sensibilidad
y la especificidad del test pero no a la prevalencia de la enfermedad en la poblacin.

En cambio, cuando se toma en cuenta a la prevalencia nos acercamos mucho a la situa-

cin real en la que est situado el mdico el momento en que realiza su trabajo de
bsqueda del diagnstico de su paciente. La poblacin de enfermos y no enfermos,
con la cual el mdico trabaja, es realmente una muestra representativa de la poblacin,
permitiendo interpretar los resultados de un test aplicado a un paciente individual.

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%

Al contrario, cuando la prevalencia es elevada, como en el caso del frica, nueve de

cada 10 personas que tienen un test VIH positivo sern verdaderos positivos.

Mostremos estos dos ejemplos con nuestros diagramas de cuadrados (Figuras A 2. 1,

2 y 3):

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

Figura A 2.2: endemia importante: 10% de personas infectadas

Verdaderos
negativos

Figura A 2.: endemia mnima: 0,01% de personas infectadas

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)

Estas consideraciones nos llevan a hablar de la nocin que en epidemiologa se cono-

ce como el Valor predictivo de un argumento, o de un test en una poblacin dada:

98
 Apndice 2

El valor predictivo despus de un argumento positivo es la probabilidad que tiene un

individuo de tener la enfermedad cuando tiene un test positivo.

Tambin nos permite conocer el valor predictivo despus de un argumento negativo

(VP -), el cual es la probabilidad que tiene un individuo de tener la enfermedad cuan-
do tiene un test negativo.

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.

A partir de esto ya podemos deducir la primera conclusin importante, es decir que

tanto el valor predictivo positivo como el valor predictivo despus de un test negati-
vo varan con la prevalencia de la enfermedad en un determinado contexto.

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)

En la que Se significa sensibilidad, Sp significa especificidad y Pr significa probabilidad de

tener la enfermedad.

Entonces, si la sensibilidad de un test para el diagnstico de VIH es 95%, la especifici-

dad es 99% y la probabilidad de tener VIH para una persona perteneciente a la pobla-
cin del Ecuador es de 0.01%, entonces podemos reemplazar los smbolos en la fr-
mula de la siguiente manera:
0.95 * 0.0001 0.000095
VP + = = = 0.0095 *100 = 0.94%
[(0.95 * 0.0001)+ (1 0.99)* (1 0.0001)] 0.01009

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.

De igual manera, se puede calcular el valor predictivo despus de un resultado nega-

tivo al test con la siguiente frmula:
(1 Se) * Pr
VP =
[(1 Se) * Pr] + [ Sp * (1 Pr)]

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

Fuerza de un argumento aplicado a un paciente en particular

Hasta aqu hemos visto el teorema de Bayes segn la prevalencia de la enfermedad en
la poblacin. Ahora veamos este mismo teorema aplicado a un paciente en particular.
Que pensamos nosotros de un test VIH positivo en una prostituta y de un test igual-
mente positivo en el obispo de la regin donde trabajamos? De hecho estas personas
pertenecen a dos sub-poblaciones diferentes: la sub-poblacin de prostitutas y la de
religiosos de cualquier pas no tienen para nada la misma prevalencia de infeccin por
VIH. De esta forma como para el caso de los dos pases con prevalencias que difieren
en un factor de 1000, el nmero de falsos positivos ser muy diferente segn se con-
sidere la sub-poblacin de prostitutas (prevalencia de personas VIH+ muy elevada) o
la subpoblacin de religiosos (prevalencia extremadamente baja). La probabilidad de
que una prostituta sea realmente positiva para VIH cuando tiene un resultado positivo
para el test es muy alta, mientras que esta probabilidad es baja para nuestro obispo a
quien podremos seguramente tranquilizarlo.

La fuerza de un argumento segn el contexto de trabajo

La tasa de prevalencia en una poblacin nos informa sobre la proporcin de personas
afectadas por esta enfermedad en la poblacin general. Esta tasa es entonces utiliza-
da durante los estudios epidemiolgicos de una poblacin. Cuando recibimos a un
paciente en la consulta, la tasa de prevalencia ya no nos interesa, si no la probabilidad
de que nuestro paciente pueda estar realmente afectado por una determinada pato-
loga.

Por esta razn debemos acostumbrarnos a pensar en la frecuencia de enfermedades

en nuestro contexto de trabajo. Cuando un paciente llega a la consulta del mdico y
se sienta en la sala de espera tiene casi con seguridad algn problema de salud. Si un
da cualquiera nos detenemos a observar a todos los pacientes sentados en la sala de
espera, incluso antes de escucharlos y examinarlos podemos, con bastante certeza,
predecir la prevalencia de una enfermedad en nuestro contexto. Es suficiente hacer la
siguiente reflexin: en los ltimos 100 pacientes que he visto qu enfermedades he
encontrado? Supongamos el caso de un cardilogo que por un momento analiza la
prevalencia de enfermedades de los pacientes que se encuentran en su sala de espe-
ra. Podr decir que la cuarta parte son hipertensos, otra cuarta parte corresponde a
los que tienen insuficiencia cardiaca, una octava parte tienen arritmias. En cambio un
bloqueo atrioventricular por el sndrome de Adams Stokes se presenta muy rara vez
en la carrera profesional de cualquier cardilogo, por tanto su frecuencia ser, al menos

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).

Por el contrario, cuando recibimos a un obispo, podramos estimar su probabilidad pre-

test en 0.1%. Si el test rpido para VIH - que tiene la misma sensibilidad y especificidad
del que se aplic a la prostituta - resulta ser positivo, llegara entonces a una probabi-
lidad post-test de solamente 9% de ser efectivamente seropositivo.

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)

La probabilidad post-test se traduce en lenguaje clnico como certeza: el grado de

certeza es la probabilidad alcanzada con nuestro argumento.

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.

Los poderes de un argumento en lenguaje Bayesiano

En el captulo 4 aprendimos como estimar el poder de un argumento. En lenguaje
Bayesiano a los poderes de un argumento se les conoce como likelihood ratio, cuya
traduccin al castellano sera razn de probabilidad. El poder de confirmacin sera el
likelihood ratio positivo, mientras que el poder de exclusin sera el likelihood ratio
negativo

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

vamos a escribir en lenguaje matemtico.

En donde LHR+ significa likelihood ratio positivo, PT significa probabilidad de tener un

resultado positivo, E significa estar enfermo, E significa no estar enfermo, y el signo | sig-
nifica a condicin.

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 el likelihood ratio se deriva de la sensibilidad y de la especificidad es lgi-

co que lo podemos utilizar para calcular el valor predictivo positivo y el valor predic-
tivo despus de un resultado negativo de un test. Sin embargo esto requiere de otra
transformacin matemtica.

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.

Redes Bayesianas y Bayes ingenuo

El teorema de Bayes tiene dos limitaciones. La primera es que supone que las enfer-
medades son mutualmente exclusivas, es decir que uno no puede tener ms de un
diagnstico a la vez. La otra limitacin es que supone que los argumentos son condi-
cionalmente independientes, por ejemplo que la deshidratacin es independiente de
la diarrea.

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:

El teorema de Bayes es el mtodo con el cual se calculan las probabilidades de

que una persona tenga un determinado diagnstico a condicin de que tenga un
determinado argumento.

Con el Teorema de Bayes podemos calcular el Valor Predictivo de un examen

El Valor Predictivo de un examen vara con la prevalencia de la enfermedad en la

poblacin.

Se puede calcular el Valor Predictivo usando los poderes de un argumento, que en

lenguaje clsico se conocen como likelihood ratio, pero eso requiere de una trans-
formacin compleja.

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.

El logaritmo simple de 1000 es 3 porque al elevar 10 a la 3ra potencia (103) obtene-

mos 1000 (103=1000). A la inversa, el antilog de 3 es 1000

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.

Cul es la utilidad de esto? Al expresar todo en trminos de 10 elevado a una poten-

cia podemos multiplicar nmeros simplemente sumando los exponentes. De esta
manera si queremos multiplicar 1.788 x 5.012, que es lo mismo que multiplicar
100.25x100.7 simplemente hacemos 100.25+0.7, que da como resultado 100.95. Si ahora bus-
camos el antilog de 0.95 obtenemos 8.912, que es el mismo resultado que obtendra-
mos al multiplicar 1.788 x 5.012. Esto era de una importancia enorme hace 400 aos,
en el tiempo en que Napier desarroll el concepto de los logaritmos. En ese enton-
ces no haba calculadoras, por lo cual era imposible hacer operaciones matemticas
complejas como multiplicaciones y divisiones, pero existan tablas logartmicas y reglas
de clculo, que fueron las precursoras de las calculadoras, las que permitan convertir
toda multiplicacin o divisin en una suma o resta). Exactamente de la misma manera
como para multiplicar hacemos sumas, para dividir podemos usar substracciones.

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.

Cul es la importancia de esto en medicina? En casi todos los dominios de la ciencia

se utilizan logaritmos para explicar el peso de un evento al ciudadano comn. Por

106
 Apndice 3

ejemplo, los geofsicos explican la intensidad de un terremoto mediante la escala de

Richter, que no es ms que una escala logartmica, los msicos aprenden las notas en
el teclado de un piano con una escala logartmica, en el colegio nos explican el grado
de acidez o alcalinidad con el pH, que es otra escala logartmica. Por qu en medicina
no tenemos una escala que sirva para medir el peso de un argumento?, de manera
que solo tengamos que aadir o sustraer pesos, en lugar de aplicar formulas comple-
jas como las del teorema de Bayes.

Eso es lo que tratamos de hacer al convertir los poderes de confirmacin y de exclu-

sin, as como la escala de probabilidades en logaritmos.

Ahora le proponemos, que a manera de ejercicio, usted intente hacer algunas trans-
formaciones logartmicas con el uso de Excel.

107
9 789978 926536