Cómo tomar

decisiones en
medicina clínica

Nociones de análisis de decisiones aplicadas a

ejemplos en América Latina

2a edición
2008

Jef Van den Ende

Departamento de Ciencias Clínicas
Instituto de Medicina Tropical de Amberes, Bélgica

Juan Moreira
Centro de Epidemiología Comunitaria y Medicina Tropical
Esmeraldas, Ecuador

Zeno Bisoffi
Centro para las Enfermedades Tropicales, Hospital Sacrocuore
Negrar,Verona, Italia
Una publicación de:

Proyecto de Fortalecimiento de los Servicios

Públicos de Atención de Salud en el Distrito
Metropolitano de Quito

Cómo tomar decisiones en medicina clínica:

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

Primera edición. Quito 1998, 95 páginas

Segunda edición. Quito 2008, 132 páginas

ISBN: 978-9978-92-653-6
Nº de ejemplares: 2000

Ilustración de portada:Tomás Eskola

Diseño e impresión: Imprenta Activa 2557 458

Disponible en:
www.saluddealtura.com

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

En caso de reproducción total o adaptaciones, se requiere la autorización escrita
de la Cooperación Técnica Belga (CTB).

Se terminó de imprimir en Octubre 2008

 Contenido

Tabla de contenidos
Los autores v
Agradecimiento ix
Léxico xii
Presentación xii

INTRODUCCIÓN 1
consideraciones previas 1
el grado de certeza de un diagnostico 2
los umbrales 4
los argumentos 5
el análisis complejo 8
conclusión 11

LOS UMBRALES 13
introducción 13
umbral de decisión 13
factores que afectan el umbral 15
tratar o seguir investigando 19
algunos ejemplos para comprender mejor 26
conclusión 27

RELACIONES ENTRE LOS ARGUMENTOS Y LAS HIPÓTESIS 29

introducción 29
ejemplo de criminología 29
ejemplo de medicina 31
conclusión 34
ejercicios 34

EL PODER DE UN ARGUMENTO 35
introducción 35
definición del poder 35
simetría entre poderes de confirmación y de exclusión 43
patognomónico 45
los determinantes de la fuerza 45

FUERZA DE UN ARGUMENTO APLICADA A UN CONTEXTO CLÍNICO 49

representación gráfica 53
conclusión 62

iii
EL PANORAMA: ANÁLISIS DE RAZONAMIENTO CLÍNICO COMPLEJO 65
introducción 65
las leyes 68
el inventario de datos 70
la construcción del panorama 72
ejemplo de panoramas 76
conclusión 82

Apéndice 1: Las escalas de probabilidad 85

Apéndice 2: El teorema de Bayes 95
Apéndice 3: ¿Qué son los logaritmos? 105

iv
Los Autores
Jef Van den Ende MD. PhD.
Médico internista belga, nacido en 1949. Hizo sus estudios de medicina y
de especialidad en la Universidad Católica de Leuven, Bélgica.
Ha desarrollado gran parte de su carrera en países en desarrollo. Desde
1976 hasta 1982 trabajó para Medicus Mundi en el distrito de Dungu en la
República Democrática del Congo (ex - Zaire). Desde el 2000 hasta el
2002 estuvo a cargo de la coordinación docente en el Hospital
Universitario de Kigali, en Rwanda. Ha colaborado intensamente en pro-
yectos en América Latina, especialmente en Ecuador y Bolivia.
Es profesor de patología tropical y analítica en el Instituto de Medicina Tropical de Amberes,
Bélgica. Actualmente es jefe del Departamento de Ciencias Clínicas en el mismo Instituto.
Hizo su doctorado sobre malaria de importación. Desde hace 20 años ha dedicado gran parte
de su carrera a la epidemiología clínica en enfermedades tropicales, a la inteligencia artificial y a
la enseñanza interactiva con el uso de programas de computadora. Es el creador del programa
Kabisa para la enseñanza del análisis de decisiones clínicas.
Ha realizado varias publicaciones internacionales, principalmente relacionadas con la clínica de la
malaria, malaria de importación, síndrome hipereosinofílico, esplenomegalia tropical y análisis de
decisiones clínicas. Además es revisor de las revistas Tropical Medicine & International Health y
Medical Decision Making.
Es también pianista clásico, ganador de varios premios en Bélgica. Habla 8 idiomas, entre ellos el
español.
Está casado con Marijs y tiene tres hijos: Klara, Bram y Peter.

Juan M. Moreira MD. MSc.

Médico ecuatoriano nacido en 1964. Hizo sus estudios de medicina en la
Universidad Central de Quito y una maestría en Ciencias Biomédicas
Tropicales en el Instituto de Medicina Tropical de Amberes, Bélgica.
Empezó su carrera en la provincia de Esmeraldas en 1992 como médico
rural del Subcentro de San Francisco de Onzole. Entre 1993 y 1995 fue
coordinador de la red de atención primaria en el Área de Salud Borbón y
desde 1997 hasta 2003 fue director e investigador del Centro de
Epidemiología Comunitaria y Medicina Tropical (CECOMET) con sede en
la ciudad de Esmeraldas. Actualmente es coordinador científico y académi-
co en el mismo Instituto e Investigador Asociado del Centro de Biomedicina de la Universidad
Central del Ecuador. Además es epidemiólogo del Ministerio de Salud Pública 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
Epidemiología en varios programas universitarios en Ecuador; desde 1998 es profesor invitado

vi
 Autores

de Epidemiología Clínica en el Postgrado de Medicina Tropical de la Universidad San Simón de

Cochabamba en Bolivia y desde 2003 ha sido invitado como docente auxiliar de Patología
Analítica en el Diploma de Medicina Tropical del Instituto Príncipe Leopoldo de Amberes,
Bélgica.
Desde 1997 ha mantenido una estrecha colaboración con el Prof. Jef Van den Ende en la inves-
tigación en toma de decisiones clínicas y actualmente es candidato para un doctorado por la
Universidad de Amberes en ese tema.
Está casado con Elisa Carbo, tiene dos hijos: Martín y Andrea.

Zeno Bisoffi MD. DTM&H

Médico italiano nacido en 1955. Hizo sus estudios de medicina en la
Universidad de Padova, Italia y la especialidad en Medicina Tropical,
Higiene y Salud Pública en la Escuela de Medicina Tropical de Londres,
Reino Unido.
Desde 1982 a 1985 trabajó 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 clínica 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. También 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 Federación de las
Sociedades Europeas de Medicina Tropical (FESTMIH).
Sus intereses científicos se concentran sobre todo en los aspectos clínicos de la medicina tropi-
cal y en la epidemiología clínica, en su aplicacion a la toma de decisiones. En estos aspectos cola-
bora desde hace varios años con el Prof. Jef Van den Ende.
Ha ganado algunas medallas, la más importante ha sido una de plata por haberse clasificado
segundo de su categoría en la Maratón atlética de la Habana en noviembre 2005 (medalla otor-
gada por el gran Alberto Juantorena).
Está 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 años
han colaborado para el desarrollo de esta propuesta. En la elaboración 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 implementación de los cursos e investigaciones en
América Latina estuvo apoyada al inicio por el equipo técnico del Proyecto
APS en Ecuador, de manera especial por José Castro, Leo Reyntjens y
Pierre De Paepe. En Bolivia por Jan Coenen, Marjan Pirard y Faustino
Torrico. También 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 demás personas que han trabajado en la concep-
ción y el proceso de desarrollo de esta herramienta de tanta utilidad para
los cursos.

La presente edición se pudo realizar gracias al apoyo de la cooperación

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

Finalmente queremos agradecer a los médicos 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 sueño siga ade-
lante.

ix
 LEXICO

Argumento: Todos los elementos que son útiles para un

diagnóstico: edad, sexo, factores de riesgo, sín-
tomas, signos, resultados de laboratorio e ima-
genología.

Certeza: La probabilidad de que un paciente tenga la

enfermedad estudiada, después 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 español) Probabilidad de que un evento ocurra dividido

para la probabilidad de que no ocurra.

Poder de confirmación: El poder intrínseco que un argumento tiene

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

Poder de exclusión: El poder intrínseco que un argumento tiene

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

Prevalencia: La frecuencia de una enfermedad en la pobla-

ción correspondiente.

Probabilidad: Proporción 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
 Presentación1

Esta publicación es fruto de años de experiencia y gestación de un grupo de eminen-

tes autores: el Prof. Jef Van den Ende del Instituto Tropical de Amberes- Bélgica, 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-
tribución, no menos importante, de muchos médicos, enfermeros/as, estadísticos e
informáticos europeos, africanos y latinoamericanos que han participado en actividades
de docencia e investigación en el tema.Tiene como objeto abordar un tema fundamen-
tal y complejo en la medicina: ¿cómo tomar decisiones clínicas acertadas?, aún cuando
no se disponen de todos los elementos posibles.

La enseñanza tradicional de la medicina y su práctica se han orientado por siglos a acu-

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

La teoría de la toma de decisiones clínicas brinda una respuesta a esta situación, y per-
mite manejar casos complejos con el grado de certeza requerido en cada uno.

Este manual es una herramienta para entender la teoría de la toma de decisiones clí-
nicas y de manera progresiva adentrarse en cada uno de sus conceptos básicos. Parte
de la relación entre los argumentos, que pueden ser signos o síntomas, resultados de
laboratorio o de imágenes, y los posibles diagnósticos, con criterios de exclusión y de
confirmación. Contrariamente a la opinión generalizada, muchas veces es más impor-
tante excluir ciertos diagnósticos que llegar a la certeza absoluta del diagnóstico final.
En un niño con fiebre alta súbita, excluir una meningitis, una neumonía, un cuadro de
malaria, una otitis, puede ser más importante que confirmar la naturaleza de un cuadro
viral mal definido, que se resolverá en pocos días.

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 está suficientemente definido para actuar. Pero tam-
bién, 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
desafíos para el médico.

Las escalas de probabilidad permiten estimar, de manera intuitiva, pero con un respaldo de
un modelo matemático riguroso, la probabilidad de que una persona determinada tenga una

1
Este manual es una versión revisada de una edición inicial que se realizó en el marco del Proyecto CECOMET en
Esmeraldas en los años 90, con un enfoque menos centrado en enfermedades tropicales, y más en enfermedades comu-
nes en climas templados. Los principios básicos se pueden aprender en un curso introductorio de unas 20 horas, aun-
que el doble de tiempo es aconsejable para llegar a un entendimiento más a profundidad. Va acompañado de un CD-
ROM con ejercicios prácticos que se pueden realizar en casa (KABISA).

xiii
cierta afección o enfermedad (la que también se llama la probabilidad “a priori”), para des-
pués de aplicar una serie de argumentos, poder confirmar o descartarla.

Finalmente, están los panoramas diagnósticos, que permiten integrar y aplicar los con-
ceptos anteriores en una toma de decisiones clínica aplicada a la vida real. En un primer
círculo están aquellos posibles diagnósticos urgentes, graves y tratables, mientras que
otros diagnósticos, aunque más comunes, están en círculos más lejanos.

Las ventajas del método 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-
nóstico en grupos determinados de sexo y de edad, se dará cuenta de la fuerza de un
argumento en un contexto determinado. Sabrá que la probabilidad de que una prueba
ELISA positiva en una persona con conducta sexual de riesgo, con pérdida de peso y
diarrea persistente, signifique VIH es altísima; mientras que la misma prueba en un
screening de una población de bajo riesgo tendrá más falsos que verdaderos positivos.
Utilizará de manera espontánea los panoramas diagnósticos: en un niño con fiebre alta,
querrá descartar de manera inmediata una meningitis, una neumonía, un episodio de
malaria o una otitis media; en un recién nacido con vómito persistente, querrá descar-
tar una hipertrofia del píloro, un proceso infeccioso o una invaginación intestinal. Este
esquema de pensamiento a su vez llevará 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 patología.

Las ventajas no se limitan al ámbito clínico, sino que permiten una organización de los
servicios más efectiva, orientada a las necesidades de cada situación y paciente en gene-
ral. Permiten forjar una práctica médica más ética y racional, eliminando algunos sesgos
del mercado, demasiado expuesto a intereses comerciales.También llevan los estándares
de exigencia científica: las normas y protocolos nacionales deberán no solamente basar-
se en evidencias científicas, pero responder también a criterios de costo-efectividad.

La aplicación del método requiere no solamente de una capacitación inicial, que la debe-
rían incluir todas las universidades en su pregrado de medicina, como parte de la for-
mación de base. También requiere de un adiestramiento continuo, mediante su aplica-
ción en la práctica diaria, con círculos de estudio y procesos de capacitación continua.

La toma de decisiones clínicas se debería complementar con otros enfoques, entre los
cuales están: la medicina basada en evidencias, el uso de protocolos, el uso racional de
medicamentos y la relación médico-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 mínimas, mientras que la toma
de decisiones permite llegar a la excelencia y afinar cada vez más el juicio clínico. La
medicina seguirá siendo un arte, tanto como una ciencia.Y con un manejo adecuado de
la toma de decisiones clínicas, podremos contar con artistas más científicos, que mane-
jen las destrezas del manejo racional de las incertidumbres.

Johan Herteleer
Médico Familiar y Co-director Proyecto Salud de Altura
Quito, 30 de septiembre de 2008

xiv
 1 Introduccion

Consideraciones previas
El médico es un científico que posee un gran conocimiento bibliográfico, pero, paradó-
jicamente, no es gracias a este conocimiento que adquiere su prestigio. Este más 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 médico en función de la satisfacción alcanzada.

Tranquilizar a una mujer que presenta un nódulo del seno luego de haber excluido un
tumor mamario maligno, confirmar un diagnóstico de neumonía, prescribir el delicado
tratamiento para una colagenopatía, ordenar una cesárea en un sufrimiento fetal pro-
longado con el objetivo de proteger al niño que está por nacer, pedir una tomografía
en un paciente que no podría asumir el costo.Todos estos son ejemplos de decisiones
con las cuales un médico está confrontado cada día.

¿Cuál es la base lógica de razonamiento que nos permite elaborar diagnósticos? ¿Cuál
es la lógica que nos permite justificar nuestras decisiones y en ciertos casos ponernos
al abrigo de críticas por parte de la sociedad? ¿Cuál es la parte de intuición y de expe-
riencia subjetiva que rige nuestra actitud diagnóstica?

Un día en Azogues, en Ecuador, un médico general de un centro de salud recibe a

una muchacha de 25 años proveniente de la amazonía, región tropical del país. Ella
presenta un estado gripal: fiebre, dolores musculares y articulares. El examen físi-
co es normal. Tomando en cuenta la ausencia de síntomas que sugieran una patolo-
gía grave le prescribe un antipirético. Dos días más tarde se entera de que su
paciente ha sido hospitalizada por un absceso amebiano del hígado.

¿Tuvo razón el médico de no investigar más?, por otro lado ¿tendrá, de ahora en ade-
lante, esta experiencia un peso particular cada vez que reciba un paciente febril?

¿Puede la lógica diagnóstica traducirse en un lenguaje formal, aún matemático? Esto nos
permitiría evitar más fácilmente los eventuales errores de nuestro razonamiento,
dando una base más científica a nuestras actividades.

La enseñanza tradicional de la medicina tiene sus bases en la descripción clásica de las

diferentes patologías, pero forma muy poco a los estudiantes en la toma de decisiones
para los casos menos clásicos. Por ejemplo, ningún médico va a dudar en iniciar un tra-
tamiento antituberculoso en un hombre adulto que ha adelgazado considerablemen-
te, que tiene tos crónica y hemoptisis y en el cual el examen de esputo muestra baci-
los alcohol ácido resistentes (BAAR). Este caso corresponde a una descripción típica
de tuberculosis pulmonar. Sin embargo no es raro encontrar, en algún hospital, pacien-
tes con tos crónica, sin disminución de peso, sin hemoptisis, con exámenes seriados

1
de esputo que no muestran BAAR, ni radiografías que muestren cavernas y que, pese
a ello, tienen tuberculosis pulmonar.(1-3) Estos casos atípicos plantean problemas de
decisiones que todo médico tendría que saber como enfrentar.(4)

El grado de certeza de un diagnóstico

Escala de certeza

Un hombre de 32 años, soltero, de Sucumbíos, Ecuador, se presenta en la consulta de

un centro de salud con un cuadro de diarrea crónica, episodios de fiebre desde hace
algunos días sin ningún otro signo de infección particular, adelgazamiento de 8 kg en
dos meses. Por otra parte se queja de prurito y el examen clínico pone en evidencia
adenopatías generalizadas y una candidiasis bucal. Con este cuadro clínico el médi-
co hace una referencia al hospital provincial donde piden exámenes complementa-
rios, obteniendo una fórmula leucocitaria que nos muestra leucopenia y un test rápi-
do para VIH positivo. Se hace el diagnóstico de SIDA.

De ahora en adelante vamos a llamar “argumentos” a todos los elementos que son úti-
les para un diagnóstico: edad, sexo, factores de riesgo, síntomas, signos, resultados de
laboratorio e imágenes. En este caso los argumentos que nos permiten avanzar hacia
la certeza de nuestro diagnóstico de SIDA son: edad joven, diarrea crónica, adelgaza-
miento, prurito, adenopatías, candidiasis, leucopenia y el test VIH. Desde una probabili-
dad muy inverosímil hasta la certeza casi absoluta, pasamos por ciertos grados de cer-
teza que podrían ser calificados con adjetivos.(Figura 1.1) En nuestro caso podemos
decir que, solo con el argumento de la edad, este paciente tenía una probabilidad cer-
cana a 0% de estar enfermo de SIDA; la edad y la diarrea crónica, luego la fiebre y el
adelgazamiento nos hacen avanzar en la escala de certeza; los exámenes hematológi-
cos y serológicos permiten afirmar con certeza el diagnóstico 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 están las catego-

rías nominales que podrían corresponder a la escala cuantitativa.

2
 Introducción

Para muchos de nosotros es más fácil comprender un concepto que una cifra: si un
paciente nos pregunta: ¿Qué probabilidad tengo de tener SIDA? (sin presentar ningún
síntoma de la enfermedad), decirle que tiene una probabilidad de 0.01% le explicará
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 difícil. Si pedimos a algunos médicos que califiquen con adjetivos las probabilida-
des expresadas en porcentajes las respuestas van a ser muy diferentes. Para algunos
decir “poco probable” corresponderá a una probabilidad de 30%, mientras que para
otros corresponderá a una probabilidad del 1%. Por esta razón en lo que sigue del
texto no continuamos con categorías fijas, puesto que ellas difieren mucho entre las
personas, sin embargo trataremos de hacer que las probabilidades matemáticas sean
fácilmente 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 información que nos hace
reducir la probabilidad de la enfermedad. La integración de todos estos datos en la
escala de certeza, es lo que nos hace llegar a una probabilidad final de diagnóstico.

En la figura 1.2 vemos una serie de argumentos que representan la evolución del valor
de la probabilidad del diagnóstico de SIDA sobre una escala de certeza: cada argumen-
to anamnésico, clínico o paraclínico suplementario actúa sobre el valor de esta proba-
bilidad; sin embargo, un solo argumento (por ejemplo el test serológico rápido para
VIH) tiene un valor relativo y, por sí solo, no es suficiente para alcanzar un nivel de cer-
teza absoluto.

Figura 1.2: Evolución de la sospecha clínica de SIDA en la escala de certeza.

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

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

3
El punto de partida en la sala de espera
Todo paciente que está en la sala de espera de nuestro consultorio es sospechoso de
padecer algún problema de salud. Cuando vemos a todos los pacientes que están allí
sentados identificaremos a algunos que ya conocemos previamente: son aquellos que
vienen para un seguimiento o están siendo investigados para conocer mejor la causa
del problema. En estos pacientes conocidos ya tenemos una idea de cuál es la proba-
bilidad del problema que les aqueja; sin embargo hay otros a quienes nunca antes
hemos visto. Estos pacientes “desconocidos” también son sospechosos de tener alguna
enfermedad, aún si no conocemos nada de ellos. Por algo están en la sala de espera.

Si somos médicos generales la mayor parte de los pacientes tendrán una infección res-
piratoria o una infección de vías urinarias, si somos neumólogos la mayor parte ten-
drán un EPOC. La primera pregunta de anamnesis que haremos tiene que ser añadi-
da a esta probabilidad inicial o sospecha. Si no lo hacemos todo el resto de nuestro
razonamiento estará equivocado.

Los umbrales
¿Qué grado de certeza debemos alcanzar para anunciar a un paciente que tiene lepra
cuando esta enfermedad es aún considerada como una maldición? ¿Cuándo ordena-
remos una pielografía ascendente en un paciente con una hidronefrosis? sabiendo que
dicho examen podría provocar una sepsis, o que podría hacerse una perforación del
uréter ¿Cuándo tenemos argumentos suficientes para comenzar un tratamiento de
una neumonía con una fluoroquinolona de tercera generación, conociendo que el
costo de un tratamiento de 10 días podría llegar a ser de más de 100 dólares? ¿Cuándo
podemos tranquilizar a un paciente que tiene un test VIH positivo y decirle que no era
más que un falso positivo?

Toda hipótesis diagnóstica tiene una cierta probabilidad de ser la patología 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 está el “umbral” que tenemos que sobrepasar para iniciar
cualquier tipo de acción médica (umbral de acción). Así mismo, si los argumentos son
negativos, estos van a disminuir nuestra certeza frente a la hipótesis. Sin embargo es
necesario conocer dónde se encuentra el “umbral” que nos permita abandonar dicha
hipótesis (umbral de exclusión). 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 evolución en el tiempo como un argumento suple-
mentario (Figura 1.3). (5; 6)

4
 Introducción

Figura 1.3 Los umbrales.

Los dos umbrales, de acción y de exclusión subdividen la certeza en tres campos: el campo
de acción, el campo de investigación y el campo de exclusión.

El umbral de decisión varía en función de la enfermedad que estamos sospechando y

del contexto en el cual estamos trabajando. Una enfermedad grave o muy contagiosa
nos hará actuar más rápidamente, es decir que tendrá un umbral bajo. Un tratamiento
caro o peligroso nos hará esperar un poco antes de actuar, es decir que pondremos el
umbral más arriba. Además de estos factores, que son más o menos objetivos, existen
otros factores subjetivos como las expectativas del paciente, la situación socio-econó-
mica, la carga moral que tenga para el médico la iatrogenia. Esto nos permite compren-
der, por ejemplo, porqué no es necesario confirmar el diagnóstico de una gripe con exá-
menes serológicos mientras que es esencial confirmar el de sarcoma de tibia antes de
decidir la amputación del miembro inferior. Esto nos permite también comprender por-
que el valor de un umbral difiere según el contexto en el cual se trabaja: en medicina
de catástrofe, la prioridad es salvar el mayor número posible de vidas antes que tratar
a todos a cualquier precio. Así mismo, el umbral de acción necesario para decidir hacer
una cesárea de emergencia en un hospital rural durante una guardia en la noche será
mucho más alto que en un hospital de especialidades.

Los argumentos
Confirmar un diagnóstico
Las adenopatías pueden ser causadas por un gran número de patologías mientras que
una candidiasis bucal en un adulto joven es más específica que el diagnóstico de SIDA.
Podemos entonces subdividir los argumentos en función de su fuerza: argumentos
débiles, argumentos buenos, argumentos fuertes y argumentos muy fuertes, estos últi-
mos por sí solos nos permitirán subir mucho en la escala de certeza (Fig. 1.4).

5
Figura 1.4 Escala de certeza con la fuerza de los argumentos

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

argumento débil 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, obtendríamos un cuadro mucho más
preciso como el que se encuentra en la Figura 1.2.

Siguiendo este mismo razonamiento, ¿que podríamos decir de la fuerza de argumentos

tales como un estado febril o una gota gruesa positiva en el cuadro del paludismo por
P. falciparum?, ¿qué fuerza tiene el hallazgo de un niño somnoliento para confirmar una
meningitis bacteriana?, ¿cuál es la fuerza del "signo de Romaña" (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 está representado por una flecha cuya lon-
gitud es más o menos proporcional a su fuerza.

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

condrio derecho, irradiado hacia atrás. Se queja además de hematuria y disuria. Al
examen físico la fiebre es de 39°, se observan movimientos continuos en búsqueda
de una posición antálgica, los puntos renales son positivos a la palpación y hay evi-
dencia de dolor a la percusión. El examen de orina está normal, la ecografía no
muestra hidronefrosis ni cálculos.Se ha iniciado un tratamiento con antiespasmódi-
cos y antibióticos, pero la evolución no es favorable: el paciente continúa con dolor
intenso.

Excluir un diagnóstico
Varias preguntas pueden ser hechas:

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

¿La ausencia de hematíes en el examen de orina sería un fuerte argumento de
exclusión de una litiasis renal?

6
 Introducción

¿Una ecografía que no muestra hidronefrosis ni cálculos excluiría el diagnóstico de

litiasis renal?
¿Cuál es la fuerza de exclusión de la ausencia de ictericia para colecistitis?

Aunque los médicos a veces no consideramos la ausencia de un signo o síntoma, el

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

Asimetría de un argumento
Si la presencia de un argumento tiene un fuerte poder de confirmación, ¿tiene nece-
sariamente su ausencia un fuerte poder de exclusión? Las fuerzas de confirmación y
de exclusión de un argumento pueden ser asimétricas. Por ejemplo, si encontramos
un cálculo en una ecografía renal el diagnóstico de litiasis es indudable, pero ¿qué pasa
si la ecografía renal está normal? ¿Podemos, con este dato, excluir una litiasis?; por otro
lado, la presencia de fiebre contribuye un poco a pensar en el diagnóstico de colecis-
titis, pero ¿qué pasaría si el paciente no tuviera fiebre?, ¿podríamos excluir una colecis-
titis?

Los determinantes del poder de un argumento

¿Cuáles son los criterios que determinan la fuerza de confirmación o de exclusión de
los argumentos? Los argumentos patognomónicos de una enfermedad tienen, cuando
son encontrados, una gran fuerza de confirmación del diagnóstico: así, por ejemplo, la
micrografía en la enfermedad de Parkinson, una imagen radiológica de balas de cañón
en metástasis pulmonares de un adenocarcinoma.

La fuerza de exclusión de un diagnóstico será por el contrario máxima para los argu-
mentos indispensables en la definición de caso, cuando estos están ausentes: la ausen-
cia de hiperglicemia en un niño comatoso que antes se encontraba en buen estado de
salud excluye el diagnóstico de diabetes, así mismo la ausencia de hipotensión excluye
un choque hipovolémico. Entre estas dos clases extremas se encuentran los argumen-
tos que son encontrados con más frecuencia y que tienen variable poder de confirma-
ción y de exclusión de los diagnósticos: la presencia de palidez en una paciente que se
queja de fatiga crónica es, por ejemplo, un buen argumento de una carencia de hierro,
su ausencia, por el contrario, no tiene prácticamente ninguna fuerza de exclusión de
dicho diagnóstico.

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

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

7
El análisis complejo
Las diferentes estrategias diagnósticas
Al principio de su obra de epidemiología clínica el profesor Sackett cita cuatro estra-
tegias principales que son utilizadas regularmente por los médicos, en su actividad coti-
diana de diagnóstico:(7)

La primera consiste en reconocer inmediatamente la patología del paciente cuando

hay elementos físicos evidentes que corresponden a cierta descripción clínica; así en
ciertas malformaciones congénitas (labio leporino, pie equino, polidactilia, ...), en ano-
malías cromosómicas (síndrome de Down, Síndrome de Turner, ...) y en diferentes
estados patológicos en los cuales uno de los signos o el conjunto de ellos son fácil-
mente reconocibles (el aliento del insuficiente hepático, el olor de las heces en una
hemorragia digestiva, el cuadro clínico del Kwashiorkor, la erupción de la varicela, la
hidrofobia de la rabia, los movimientos del Parkinson,...). A esto se le llama el recono-
cimiento de un patrón.

Es evidente que la capacidad del médico que le permite reconocer un diagnóstico 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 más
fácilmente su aspecto.

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

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

Las universidades frecuentemente enseñan la tercera estrategia que permite hacer un

diagnóstico en base a un inventario completo (anamnesis, examen físico, exámenes
paraclínicos). Cuando observamos las fichas de hospitalización en los diferentes hos-
pitales, nos damos cuenta de la diversidad de opiniones frente a este concepto de
anamnesis y de examen físico completos; y es así, por ejemplo, que no es raro obser-
var que un servicio hospitalario pida a sus internos que completen la sección de ante-
cedentes personales hasta el punto de citar, de forma extensa, todas las enfermedades
de la infancia, incluyendo la reacción del paciente a todos los fármacos que ha recibi-
do hasta aquel día.

Es evidente, por una parte, que esta práctica aumenta mucho el trabajo del médico
desde el ingreso de su paciente sin que esto le aporte muchos argumentos pertinen-
tes sobre el problema actual de éste; por otra parte se puede esperar que las respues-
tas del paciente no siempre correspondan a la realidad. Luego de esta observación,
podríamos decir que cada estudiante debería ser capaz, al final de su formación, de eje-
cutar una anamnesis y un examen físico con todos los detalles, pero que debería ser
rara la ocasión en la que todos los argumentos tendrían que ser pedidos.

8
 Introducción

La cuarta estrategia es la que nos interesa y que tiene sus bases en una investigación
orientada (Sackett la llama “hypothetico-deductive strategy”) a uno o varios argumen-
tos (anamnésicos, clínicos o paraclínicos). El médico elabora una lista de hipótesis com-
patibles con sus primeros argumentos. Enseguida investiga argumentos suplementa-
rios, con un fuerte poder de confirmación o de exclusión, que le permiten así discer-
nir poco a poco la hipótesis que le parece más probable. Aceptará esta hipótesis como
el diagnóstico 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 años, chofer de un camión en la costa ecuatoriana, es transferido a un hos-

pital de especialidades con una historia de fiebre, por la cual un médico le ha prescrito qui-
nina hace tres días. Al día siguiente la orina está muy oscura. Al momento del ingreso en
urgencias, el clínico 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 combinación de la quinina, la gota gruesa débilmente positiva, la
orina oscura, la ictericia y la anemia profunda permiten al clínico "reconocer" inmediata-
mente un "síndrome de fiebre hemoglobinúrica biliosa”. Tomando en cuenta el riesgo asocia-
do a un tratamiento con quinina o sus análogos como la mefloquina o halofantrine, instaura
un tratamiento con artemisina. Inmediatamente inicia una búsqueda activa de otras causas de
hemólisis.

El paciente se queja también de dolor abdominal y en el examen físico hay una ligera sensi-
bilidad del abdomen. Una ecotomografía abdominal muestra esplenomegalia moderada (14
cm) y un poco de líquido en la cavidad peritoneal. Estos datos y el tinte vidrioso del pacien-
te no le agradan para nada al clínico; además su intuición le incita a pedir una hospitaliza-
ción en cuidados intensivos para una supervisión más cercana. El médico jefe del servicio de
cuidados intensivos lo admite, pero no comprende la inquietud del clínico y cuestiona su moti-
vación.

En este momento el clínico ha cambiado su estrategia diagnóstica: cuestiona su hipó-

tesis inicial y trata de combinar todos los argumentos:

“Supongamos que la orina negra era solamente orina muy oscura, podría tratarse de un
paludismo tratado insuficientemente. Por otra parte, la combinación de paludismo y de líqui-
do en el vientre no concuerda más que con una hipótesis: ruptura espontánea del bazo”

De esta forma cambió su estrategia de "reconocimiento del cuadro clínico" por "inves-
tigación orientada". Ordena una transfusión y profundiza la anamnesis, esto lo lleva a
obtener información sobre dos síncopes en los días precedentes.

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

la historia clínica, con el clásico método universitario:"inventario completo".

La anamnesis sistemática revela un accidente leve en el camión hace un mes, en el cual el

paciente se golpeó con la puerta en el hipocondrio izquierdo. Sufrió dolores intensos duran-
te algunas horas. Además 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 provocó una fisura del bazo con

9
hemorragia subcapsular, la última crisis de malaria provocó un aumento del tamaño
del bazo que a su vez provocó 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 diagnóstico
Hasta aquí hemos considerado los argumentos frente a una sola hipótesis diagnóstica
y esta reflexión es muy teórica; en la realidad, en una consulta, jugamos con varios argu-
mentos con el fin de alcanzar un umbral de acción para una de las hipótesis compati-
bles con los síntomas y signos del paciente, habiendo al mismo tiempo alcanzado el
nivel máximo de exclusión de otras patologías sospechadas.

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

salud por presentar fiebre reciente, cefalea, dolor muscular, ictericia y decaimien-
to. El médico en la consulta lo examina y encuentra una hepatomegalia.
Inmediatamente piensa en una hepatitis viral y lo envía a su casa, recomendándole
reposo y prescribiendo antitérmicos. Cinco días más tarde los familiares del pacien-
te lo llaman con urgencia porque su estado se ha deteriorado mucho. La ictericia ha
aumentado significativamente, se observan púrpuras, equimosis, y escleróticas ana-
ranjadas. Está oligúrico y se está desarrollando un edema pulmonar. El médico
decide referirlo de inmediato al hospital en donde se realizan exámenes complemen-
tarios encontrando un aumento significativo de la bilirrubina sin cambios en las
enzimas hepáticas 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 hipótesis diagnósticas entre las cuales se

encuentra efectivamente la hepatitis viral, pero también el cáncer de páncreas, la cirro-
sis, una colecistitis, una colelitiasis, la malaria, la pancreatitis, la fiebre amarilla y por
supuesto la leptospirosis. El médico debe, ante este panorama, precisar la hipótesis
correcta en función de los diferentes argumentos que pueden estar presentes o ausen-
tes en el cuadro clínico (fiebre, dolor muscular, cefalea, hepatomegalia, aumento de la
bilirrubina...) hasta alcanzar el umbral de confirmación de este diagnóstico y el umbral
de exclusión de otras patologías que también podrían tener repercusiones graves en
la salud del paciente.

El error en este caso consistió en quedarse con el diagnóstico más 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 significó no tomar en
cuenta otras enfermedades que podrían ser graves y que además son tratables, como
es el caso de la leptospirosis. En este paciente, el hecho de no haber considerado la
posibilidad de que la sintomatología 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 hipótesis a menudo no es claro y no existen directivas
universales que ofrecer.

10
 Introducción

Las apariencias engañan. Por un lado, no es conveniente dejarse seducir por una hipó-
tesis plausible con todos los argumentos que se tienen hasta el momento, pero por
otra parte, nuestro rol como médicos es el de ponderar nuestros esfuerzos en la inves-
tigación de un diagnóstico grave, pero que no es tratable.

Figura 1.5 El panorama diagnóstico.

En el primer círculo se encuentran las enfermedades graves y/o tratables, en el segundo las
menos graves o sin tratamiento específico, que pueden esperar hasta que se hayan excluido
todas las del primer círculo.

Conclusión
Luego de esta introducción queda claro que:
• No es necesario alcanzar una certeza absoluta sea cual fuere el diagnóstico que
tengamos para emprender una acción: cada enfermedad tiene su propio grado de
certeza requerido, dependiendo de una multitud de factores. Podríamos decir
que en medicina la meta no es dar un diagnóstico, sino ayudar al paciente, resol-
ver su problema, sirviéndose de una sospecha de causa, de un diagnóstico.
• Tampoco es necesario llegar siempre a una probabilidad cero en un determina-
do paciente para excluir una hipótesis.
• Salvo en casos excepcionales un solo argumento no es suficiente para hacer un
diagnóstico, o para alcanzar un grado de certeza suficiente para actuar.
• Cada argumento tiene un poder de confirmación y de exclusión para una pato-
logía determinada.
• Estos poderes (de confirmación y de exclusión) no son necesariamente simétri-
cos, en la mayoría de casos son asimétricos.
• La sospecha clínica (“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 hipótesis en un paciente en particular puede
ser difícil y no sigue reglas fijas, sin embargo un esquema panorámico que permi-
ta priorizar lo grave y tratable, valorando la fuerza de los argumentos a pedir,
podría hacer más eficiente el razonamiento clínico.

11
En el transcurso de los diferentes
capítulos que seguirán intentare- Los 5 grandes principios de la lógica clínica:
mos desarrollar estas nociones 1. Si una enfermedad es poco frecuente en
para terminar en una tentativa de una región, necesitamos más o mejores
modelo de análisis complejo: el argumentos, o argumentos que en una
"panorama". región donde es frecuente.
2. La fuerza de un argumento jamás es infini-
Este texto tiene sobretodo la tamente grande.
3. La mayoría de los argumentos son asimé-
ambición de sensibilizar al lector
tricos
respecto a las bases del análisis de 4. Cada enfermedad tiene un umbral de
decisiones. Los ejercicios pro- acción y de exclusión.
puestos no son más que una ilus- 5. Un diagnóstico diferencial sigue priorida-
tración y no reemplazan de ningu- des bien definidas.
na forma una enseñanza interacti-
va entre un profesor y varios gru-
pos pequeños conformados por 4 a 5 participantes: en una enseñanza de este tipo
algunos argumentos son propuestos a los diferentes grupos, los cuales tratan en con-
junto de describir el panorama de hipótesis con estos argumentos y de identificar los
argumentos suplementarios que tienen un fuerte poder de confirmación y de exclu-
sión, permitiendo así llegar al diagnóstico más probable (o más útil). El trabajo de
grupo permite a cada participante confrontar su razonamiento al de sus colegas y per-
cibir la pertinencia o los errores.

Una enseñanza completa tendrá una fase de comprensión del análisis de decisiones (el
objetivo de estudio de esta obra). Luego vendrá una fase de aprendizaje durante la
cual cada participante, con la ayuda de un cierto número de ejercicios, se familiarizará
con la metodología. Esto le permitirá llegar a una fase de dominio en la que será capaz
de utilizarla sin esfuerzo en su práctica 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

Introducción
En los libros de medicina se pueden encontrar los diagnósticos diferenciales de los
diversos cuadros clínicos, los exámenes complementarios para confirmar las hipótesis
y los tratamientos de cada una de las patologías sospechadas. Sin embargo, la verda-
dera dificultad en el trabajo del médico no es la adquisición de este conocimiento
libresco, sino confirmar o excluir una hipótesis, comunicar el diagnóstico de una pato-
logía grave, justificar la prescripción de un tratamiento caro o peligroso, ordenar exá-
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 acción médica o detener la investigación de una causa. Este
nivel de certeza constituye un umbral. Si luego de haber hecho la investigación de una
sospecha clínica, usando los medios diagnósticos disponibles, sobrepasamos este
umbral, podemos iniciar una acción médica. 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 más allá del umbral de exclusión. En varios artículos y libros se pueden
encontrar procedimientos matemáticos 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 teóricos, si no más bien de poder sensibilizar a nuestros lectores en la
noción de los umbrales en el contexto de la toma de decisiones médicas 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 decisión
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 acción contra esta enfermedad?
Empecemos con un ejemplo:

Una niña de 4 años fue llevada por su madre a la consulta de un centro de salud de
la capital. La niña empezó 12 horas antes con un estado febril y taquipnea. Durante
el examen físico el médico encontró crepitantes en la auscultación. El resto del exa-
men físico fue normal.

Ante este cuadro el médico decidió comunicar el diagnóstico de neumonía a la madre

y prescribió un tratamiento con amoxicilina - acido clavulánico, recomendándole que
regrese en caso de no haber mejoría. No consideró indispensable pedir una radiogra-
fía de tórax, menos aún un cultivo de secreciones. Con los pocos argumentos de su
anamnesis y del examen clínico, llegó a un nivel de certeza suficiente para poder actuar
(comunicar el diagnóstico y prescribir el tratamiento), sin haber necesitado ir más lejos
en su investigación diagnóstica.

13
Figura 2.1 Umbral de decisión

El umbral de decisión puede encontrarse en cualquier lugar dentro del rango de cero a 100
%. Mientras más alto está, más seguros debemos estar antes de actuar.

Si traducimos esta conducta al lenguaje de toma de decisiones clínicas podríamos decir

que el médico alcanzó el umbral necesario para actuar. Por eso comunicó el diagnós-
tico de neumonía a la madre y prescribió al mismo tiempo el tratamiento necesario.

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

una neumonía podríamos decir que, al no haber pedido más exámenes, corrió el ries-
go de iniciar un tratamiento con antibiótico para alguien que no tenía 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 decisión! 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 decisión. Mientras más arriba situe-
mos al umbral (acercándose a 100%), más riesgo corremos de considerar equivocada-
mente a un buen número de pacientes como personas sanas mientras que en verdad
sufren de una patología (falsos negativos) y, por consecuencia, los dejamos sin el trata-
miento que necesitan. Esta situación es particularmente nefasta cuando la enfermedad
es grave (causa mortalidad o invalidez, por ejemplo, la meningitis bacteriana), cuando
es vulnerable por una acción terapéutica (por ejemplo, un antibiótico) o cuando se
corre el riesgo de tener graves consecuencias sobre el medio (por ejemplo, una enfer-
medad epidémica) (Figura 2.1).

En cambio, si situamos el umbral muy abajo (cerca de 0%), más riesgo tenemos de con-
siderar erróneamente a un buen número de personas sanas como enfermas afectadas
por cierta patología (falsos positivos), tratándolas 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
antiofídico para la mordedura de una serpiente que no ha sido identificada, dado el
riesgo que se corre de tener una reacción anafiláctica o, como cuando se piensa hacer
una cirugía que pueda acarrear hemorragias, infecciones o lesiones de órganos. Esto
también se aplica cuando el tratamiento es caro o largo (por ejemplo, hipertensión

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 decisión

Varios factores afectan o influyen en el valor de certeza necesario para la decisión.
Aquí 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 decisión. De hecho, este umbral podría 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 cuestión (falsos positivos). La mayor parte de los demás factores
actúan sobre el umbral de decisión 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
evolución puede ser fatal para la paciente y el feto: en caso de una enfermedad
grave y tratable, el umbral de decisión a partir del cual se decide iniciar un trata-
miento será bajo con el fin de tener muy pocos “falsos negativos”, es decir enfer-
mos sin tratar. La gravedad hay que entenderla como lo que podría pasar si deja-
mos a un enfermo sin su tratamiento.

• Las consecuencias sobre el ambiente:

Será necesario emprender precozmente medidas profilácticas contra toda enfer-
medad epidémica grave (cólera, peste, fiebre amarilla,...) para evitar la propaga-
ción desastrosa a toda la población circundante1. Su umbral será bajo (una pro-
babilidad baja puede ser suficiente para emprender una acción en contra). No
solo las enfermedades epidémicas tienen repercusiones en el medio.También las
1
Si con el tiempo estas medidas son inútiles, al estar el diagnóstico de una de estas enfermedades excluido, se podrá dete-
ner las medidas que, por otro lado, no habrán 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 epilépticas. ¡Imaginen las consecuencias desastrosas que
pueden ocurrir!

El tratamiento
• La eficacia
Es obvio que si una enfermedad es tratable bajará el umbral de decisión. Por el
contrario, muchas enfermedades no son tratables, o la logística de un tratamien-
to es muy complicada en algunos contextos (SIDA, enfermedades tumorales,
infecciones multirresistentes, insuficiencia renal crónica, enfermedades muy gra-
ves que necesitan una estructura de cuidados intensivos, hipertensión arterial
esencial). Esto explica la razón por la cual para algunas enfermedades el umbral
de decisión es más elevado en un país con escasos recursos que en un país rico.
Sin embargo, esto no justifica el hecho de que en un país 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 sería 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, será necesario alcanzar un umbral más alto.
Por el contrario, ante una sospecha de tuberculosis, que también 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:

¿Cómo ver el efecto de este factor? Supongamos que como director de un hos-
pital de distrito un día le ofrecen la posibilidad de comprar unos antibióticos muy
baratos. Esto cambiará su umbral de decisión para tratar la fiebre tifoidea. Si los
antibióticos que antes tenía 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 más seguros. Una vez que el costo de los anti-
bióticos baja ya no habrá problemas de abastecimiento, entonces la certeza
necesaria para iniciar el tratamiento desciende, es decir escoge un umbral más
bajo.

Otro ejemplo, si bien una osteosíntesis es el tratamiento de elección para los

casos de fractura de fémur, en la mayor parte de hospitales con pocos recursos
se preferirá a menudo (y lastimosamente) una tracción.

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

influencia sobre el umbral, pues éste debería estar relacionado al “costo de una
vida”. Evidentemente todos pensamos que una vida es invalorable, pero también
sabemos que existe un límite de gastos más allá del cuál casi ninguna familia o sis-
tema de seguridad social puede llegar. Por eso se hace necesario definir cuál 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 debería garantizar una diálisis, en caso de nece-
sitarla. En este caso podríamos inferir que el costo de una vida en ese país es el
equivalente al costo de una diálisis, es decir alrededor de 50 mil dólares.(4) En paí-
ses con extrema escasez de recursos, como algunos del África subsahariana, casi
ninguna familia promedio puede permitirse gastar más de 20 dólares para salvar la
vida de un niño y el Estado tiene pocas alternativas de sostén. Una alternativa en
ese caso podría ser la de preguntar a un grupo promedio de médicos cuál sería la
cantidad máxima de dinero que cada uno de ellos estaría dispuesto a pagar para
salvar su propia vida. Un estudio realizado en Ruanda reveló que el costo prome-
dio de una vida, estimado de esta manera, fue de 5 mil dólares, mientras que el
costo total de un tratamiento estándar de 6 meses para tuberculosis fue de apenas
13 dólares.(5)

Otros factores
Existen factores que dependen del contexto en el cual se trabaja y de quién y para
quién se toma la decisión. Ciertamente son estos factores y su influencia sobre el
umbral los que crean la gran diferencia en la práctica de la medicina entre los países
con pocos recursos y los países ricos.

El contexto social y económico:

En los países en desarrollo no existe una buena estructura de sostén para las per-
sonas más desfavorecidas. Las personas tienen que hacerse cargo de pagar sus
gastos en salud, a veces a costa del presupuesto que tendría que estar destinado
a sostener los gastos corrientes de la familia. Es casi seguro que una persona
pobre con un diagnóstico de diabetes, de hipertensión o de cualquier otra enfer-
medad crónica va a terminar abandonando el tratamiento que debería ser toma-
do por el resto de la vida, por no poder pagarlo. El médico que toma una deci-
sión 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 más eficientes posibles.

Las repercusiones psicológicas 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 noción
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 físicamente (por ejemplo aislando a los psicóticos, los huérfanos, los ancia-
nos,...) o socialmente (negándoles el acceso a un empleo, o no acercándoseles,
por SIDA, esterilidad, lepra, enfermedades psiquiátricas) provocando graves reper-
cusiones psicológicas. El umbral de decisión necesario para comunicar un diag-
nóstico de este tipo de enfermedades a un paciente deberá ser muy alto con el
fin de evitar etiquetar con un diagnóstico equivocado a una persona que no tiene
la enfermedad en cuestión.

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 años que le que-

17
 dan por vivir mientras que una persona anciana aprecia más la calidad de vida
antes que la cantidad de años. Del mismo modo una mujer nulípara que consul-
ta por un problema de esterilidad estará dispuesta a consagrar mucho más esfuer-
zos en la búsqueda de una etiología para la cual exista un tratamiento satisfacto-
rio, mientras que una madre de varios hijos que presenta una esterilidad secun-
daria no dará mayor importancia al problema. Idealmente toda decisión clínica
debería tomarse en función de las expectativas del paciente. De hecho las deci-
siones deberían ser compartidas, sin embargo, en los casos en que esto no se
pueda o cuando el paciente prefiera dejar todo en las manos del médico, es
importante que siempre se considere el mayor beneficio, o el menor daño, para
el paciente y su familia.

El contexto político:
En algunos casos de situaciones extremas, por ejemplo en situaciones de catástro-
fe (erupciones volcánicas, terremotos, desplazamiento masivo de poblaciones, cam-
pos de refugiados, epidemias,...) el objetivo principal del personal médico será más
bien de salvar el mayor número posible de personas, antes que de salvar a todo
paciente a cualquier precio. Por ejemplo, el umbral de toda cirugía electiva será muy
elevado.

El temor a cometer errores

El sesgo de omisión (resistencia al riesgo)

Muchas decisiones clínicas están influenciadas por el “miedo” a cometer errores que
los médicos pueden tener. En efecto, ningún médico está libre de cometer errores, aun
cuando las decisiones hayan sido tomadas de la forma más 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 podrían ser debidas a
la acción médica. El efecto obtenido es que, a veces, preferimos dejar de actuar por-
que sobreestimamos el daño que podemos hacer.

Esto se puede ilustrar con un ejemplo.

La encargada del control de una epidemia de peste en Ecuador tenía que recomen-
dar un tratamiento profiláctico para algunos niños menores de 1 año que estuvieron
en contacto cercano con un enfermo. La literatura sugiere que para los niños meno-
res de 8 años se use cotrimoxazol y que, tanto las tetraciclinas como el cloramfeni-
col, se reserven para los niños mayores de 8 años.(6) En ese momento solo disponía
de cloramfenicol pero le preocupaba el riesgo de que los niños mueran a causa de
una depresión 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 días. Finalmente decidió no recomendar el cloramfenicol a
pesar de los riesgos.

¿Fue una decisión correcta? Es cierto que un niño que toma cloramfenicol puede
desarrollar una depresión medular, pero este importante efecto adverso solo se pre-
senta en uno de cada 100 mil tratamientos.(7;8) Además no todos los niños con depre-
sión medular llegan a morir, siendo la probabilidad de muerte a causa del tratamiento

18
 Los umbrales

mucho más baja. Por otro lado El riesgo que estos niños tenían 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 daño por el tratamiento es extremadamente baja comparada
con los riesgos de la enfermedad y en esta ocasión las personas que tomaron la deci-
sión omitieron el tratamiento por el temor a causar daño. Debe considerarse que, para
este ejemplo, se ha considerado un tratamiento profiláctico en lugar de un tratamien-
to curativo. En efecto, las decisiones no solo toman en cuenta la probabilidad de estar
enfermo si no también la probabilidad de contraer una enfermedad en el futuro.
Este fenómeno es conocido en el lenguaje de las decisiones clínicas como el sesgo de
omisión: se prefiere omitir un tratamiento o una acción terapéutica por el temor a cau-
sar daño, lo cual es particularmente nefasto cuando los riesgos de la enfermedad son
mayores.(9)

Todo médico que hace una decisión debe tomar en cuenta que no solamente se
puede hacer daño al actuar. En ocasiones también se hace daño al dejar de actuar y el
nivel de responsabilidad no deja de ser menor en este último caso.

El efecto de “la persona importante”

A ningún médico le gustaría estar en los zapatos del cirujano encargado del tratamien-
to del Presidente de los EEUU, ¡a menos que esté dominado por el deseo de fama y
honor! Suponga que usted es el cirujano y el Presidente presenta vómito, febrícula y
un dolor en fosa ilíaca derecha. En el examen físico usted encuentra sensibilidad pero
no resistencia. El recuento leucocitario es de 11000/μl, y en la ecosonografía no se
alcanza a ver el apéndice. Con esto datos ¿Estaría usted dispuesto a operar? Pocos ciru-
janos se arriesgarían a retirar un apéndice sano en el Presidente de los EEUU; segura-
mente esta conducta sería diferente en el caso de un ciudadano común.

Este fenómeno no solo ocurre con el Presidente de los EEUU o con cualquier otro
líder político. Aunque esto va contra el principio de igualdad de las personas, el umbral
de decisión toma en cuenta las características sociales de los pacientes. Si nos trasla-
damos a una escala más familiar todos estamos de acuerdo en que haremos todo lo
que está a nuestro alcance para salvar la vida de un niño mientras que aceptaremos
más fácilmente la muerte de un anciano.

Tratar o seguir investigando

Los argumentos, es decir las pruebas diagnósticas en el sentido más amplio (argumen-
tos clínicos y paraclínicos), ¿tienen una influencia sobre el umbral? En principio, no. Los
argumentos los utilizamos más bien para avanzar en nuestro grado de certeza (y
entonces alcanzar el umbral de decisión), si son positivos, o para retroceder (y alejar-
nos del umbral) si están 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 hipótesis diagnóstica. Pero supongamos ahora que al
terminar nuestro recorrido diagnóstico solo nos queda un examen muy caro o difícil-
mente disponible o muy agresivo o peligroso, por ejemplo una resonancia magnética,
o una punción lumbar en malas condiciones de esterilidad, y por tanto con riesgo de

19
infección provocada. Es en ese momento que nuestro trabajo se complica un poco.
La elección ya no es solo de “tratar o no tratar”: aquí debemos decidir si hacemos el
examen o no, antes de tomar la decisión final.

En este caso el examen tiene el efecto de escindir nuestro umbral de decisión único
(tratar o no hacer nada) en dos nuevos umbrales: el umbral de acción y el umbral de
exclusión (Figura 2.3).(2)

Figura 2.3: Los dos umbrales

El umbral de acción divide el campo de decisión 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 exclusión, en cambio, divide el campo de
decisión en la opción 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 ningún examen (pero más bien buscar otros posibles
diagnósticos).

Campos diagnósticos
Los dos umbrales de exclusión y de acción subdividen la escala de probabilidades en
tres campos (figura 2.4):

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

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

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

umbral de acción. Cuando la probabilidad diagnóstica está situada en este campo, debe
iniciarse una acción (tratamiento, comunicación del diagnóstico y de su pronóstico) sin
necesidad de hacer el examen ya que, cualquiera que sea el resultado, la opción tera-
péutica no va a cambiar.
El campo del examen, o de la investigación, que está situado entre los umbrales de
acción y de exclusión. Cuando la probabilidad está situada en este campo, será nece-
sario hacer el examen para decidir: en función de su resultado se tomará la decisión
(tratar si es positivo, excluir y no tratar si es negativo).

20
 Los umbrales

Figure 2.4: Campos decisionales

El siguiente caso clínico nos permitirá ilustrar este concepto.

Un niño de tres años procedente de un pequeño pueblo rural en Colombia es traído

por su madre a un centro de salud con tos, fiebre, y disnea inespecífica. La madre
cuenta que los síntomas aparecieron en las últimas seis horas. La auscultación pul-
monar revela crepitantes bilaterales. No hay dolor torácico. El médico sospecha una
neumonía lobar y piensa que podría ser útil hacer una radiografía. Sin embargo
decide finalmente tratar al niño con antibióticos de amplio espectro sin hacer la
radiografía.

Primero que nada necesitamos imaginar dónde se encuentra el umbral de decisión

para iniciar un tratamiento antibiótico ante una sospecha de neumonía en un niño. La
mortalidad y morbilidad de una neumonía 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 ningún otro factor subjetivo. Por eso el umbral de
decisión debe de ser bajo (podríamos decir que no es mayor a 5%).

En segundo lugar necesitamos estimar cuál es la probabilidad de neumonía 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
América. Digamos que uno de cada 100 niños que llegan a un centro de salud tiene
neumonía, entonces el punto de partida está en 1%. Como parece razonable decir que
la combinación de fiebre, tos y disnea es un buen predictor de neumonía lobar en un
niño, podemos estar confiados en decir que el umbral de decisión 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 auscultación llegamos a una
probabilidad cercana a 90%. Ahora, para lograr resolver la incertidumbre de hacer o
no la radiografía de tórax en busca de consolidaciones necesitamos conocer cuál es el
poder de este examen. Como ya hemos sobrepasado el umbral de decisión, debemos
hacer este examen solo si este puede disminuir la probabilidad por debajo de 5%.
Aparte de esto, el costo del examen también tiene que ser tomado en cuenta.

21
La amplitud del campo de investigación depende ante todo de las características del
examen en cuestión, las que se analizarán en los siguientes capítulos; ¿qué información
adicional me traerá este examen?, ¿es de buena calidad?, ¿es costoso?, ¿está 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 exámenes complementarios) sobre el valor
de los umbrales de acción y de exclusión, obtendríamos el esquema representado en
la Figura 2.5:

Figure 2.5: Factores que influyen sobre los dos umbrales

Aquí 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 acción y bajar el umbral de exclusión. Por el contrario, los factores
ligados al examen tienen un efecto simétricamente opuesto, es decir bajan el umbral
de acción cuando suben el umbral de exclusión 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, más grande será el campo de inves-
tigación. 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-
tigación será restringido y los dos umbrales se aproximarán.

La calidad de un examen se evalúa por su poder de confirmación y su poder de exclu-

sión, los mismos que serán tratados a profundidad en los siguientes capítulos. Para que
la realización de un examen sea pertinente, este nos debería permitir cambiar una
decisión: un resultado negativo tendría que ser capaz de disminuir la probabilidad de
la enfermedad por debajo del umbral de decisión, y un resultado positivo tendría que
aumentar la probabilidad por encima del umbral de decisión. Por eso la amplitud entre
el umbral de decisión y el umbral de acción está definida por el poder de exclusión,
mientras que la amplitud entre el umbral de decisión y el umbral de exclusión está
definida por el poder de confirmación.

22
 Los umbrales

Ocasionalmente el poder de un examen se evalúa mediante su “odds ratio”. En efec-

to este último no es otra cosa que el poder discriminativo total del examen, compues-
to por la suma del poder de confirmación y el poder exclusión. Por eso la amplitud
total del campo de investigación está definida por el “odds ratio” del examen (Figura
2.6). Sin embargo no debemos olvidar que el costo del examen y su riesgo siempre
reducirán la amplitud de este campo.

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

El eje “y” es una escala logarítmica que representa la probabilidad de enfermedad. En este caso
hipotético el umbral de decisión (en rosado) está situado en una probabilidad de alrededor de
5%. Cuando se necesita un nuevo examen el umbral de decisión se escinde en dos nuevos
umbrales: el umbral de acción (azul) y el umbral de exclusión (amarillo). El campo entre el
umbral de acción y el umbral de exclusión es el campo de investigación. El campo máximo
entre el umbral de acción y el umbral de decisión está definido por el impacto de un resulta-
do negativo (poder de exclusión), mientras que el campo entre el umbral de exclusión y el
umbral de decisión está definido por el impacto de un resultado positivo (poder de confirma-
ción). La amplitud del campo de investigación está definida por el odds ratio.

¿Cómo estimar el umbral de decisión en el “lecho del enfermo”?

Hemos visto que el umbral de decisión se expresa en grado de certeza, es decir en
probabilidades. El umbral de decisión no es más que el grado de certeza mínimo que
necesitamos antes de iniciar una intervención terapéutica o de comunicar un diagnos-
tico a un paciente.(1) Si decimos que nuestro umbral de decisión está 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 también 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 proporción
de falsos positivos. Esto lo explicaremos en detalle más adelante.

Tomando en cuenta lo anterior, para estimar el umbral de decisión podríamos hacer-

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

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

Si la respuesta es 9 contra 1 el umbral de decisión está en 10%. Si la respuesta es 4

contra 1 el umbral de decisión está en 20% (4+1=5, entonces 1 es el 20% de 5). Esta
pregunta nos da una buena aproximación a la definición de Pauker y Kassirer que dice
que el umbral de decisión 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 años, se presenta en el servicio de urgencias del hospital con una

temperatura axilar de 40°C, una rigidez de nuca ligera y una erupción purpúrica
leve en las muñecas y los codos.

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

dad con una evolución muy rápida, que si no se trata puede llevar en pocas horas a la
muerte o dejar secuelas muy serias. Además 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 estarán
de acuerdo en que, si estamos frente a diez personas con sospecha de meningitis
meningocócica, pero no sabemos cual de ellos tiene en verdad la enfermedad, está jus-
tificado tratar inútilmente 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 decisión en 10%. Esto significa que, ante un paciente con estas característi-
cas, aceptamos estar 10% seguros de que tiene meningitis meningocócica 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 años se presenta en un centro de salud con un nódulo palpable en

el seno izquierdo y retracción de la piel; últimamente, dice haber perdido peso.

El caso hace pensar de inmediato en un cáncer mamario. El tratamiento sería una mas-
tectomía, aunque de eficacia dudosa porque la enfermedad en la paciente parece estar
en estado avanzado. Por otro lado, este tratamiento tiene serias repercusiones psico-
lógicas. Seguramente ningún médico que se encuentre frente a diez mujeres que pre-
sentan un nódulo mamario, va a proponer hacer una mastectomía sin antes haber
hecho una biopsia para estar completamente seguro del diagnóstico. Además hay que
tomar en cuenta que debemos comunicar el diagnóstico, explicando de una forma
clara cuál es el pronóstico. ¡No aceptamos equivocarnos con nadie! El umbral de deci-
sión está 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 médicos piensan que un número 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 estándar es la laparotomía abdominal, el cual es un procedimien-
to eficaz pero - como toda cirugía - no está exenta de riesgos y - por toda la logística
necesaria - tiene un costo relativamente alto. Por todo esto la mayoría de los cirujanos
aceptan un umbral de decisión de alrededor de 30%, lo que quiere decir que si en un
determinado paciente ya se alcanza un 30% de certeza está justificado hacer la cirugía.
Sin embargo algunos cirujanos piensan que tener un umbral de decisión de 30% signi-
fica que 70% de los casos son operados inútilmente. ¡Esto es completamente falso! Un
umbral de decisión de 30% significa que aceptamos equivocarnos en el 70% y no que
vamos a equivocarnos en este porcentaje. El umbral de decisión, que es la certeza
mínima requerida, es completamente diferente a la certeza alcanzada en el paciente
individual. Un médico que recibe a un paciente con sospecha de apendicitis realiza una
serie de preguntas de anamnesis, hace un examen físico y pide examenes complemen-
tarios. Con esta información el médico 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 pequeña parte de pacientes presenta un cuadro atípico, alcanzando pro-
babilidades más bajas. Son únicamente estos pacientes los que podrían ser falsos posi-
tivos. El umbral es sobretodo útil para justificar la decisión de tratamiento en estos
casos, en quienes la incertidumbre es mayor. La figura 2.7 ilustra esta repartición.

Figura 2.7 : Certeza requerida vs. Certeza alcanzada para apendicitis

El eje “y” representa la probabilidad alcanzada. El eje “x” representa el número de pacientes
que alcanza cada probabilidad. Las barras horizontales representan la distribución del total de
pacientes. La línea horizontal inferior representa la certeza requerida (umbral de decisión), la
línea horizontal superior representa el promedio de probabilidad alcanzado en el total de
pacientes.

25
Algunos ejemplos clínicos para comprender mejor
Diabetes
¿A partir de qué valor de probabilidad podemos comunicar el diagnóstico de diabe-
tes? Ejemplo de un campo de investigación grande con umbral de acción cercano a
100%

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

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

Discusión:
La diabetes es una enfermedad crónica que tiene consecuencias muy graves cuando
no es tratada. El tratamiento no cura la enfermedad, solo la controla. Sin embargo una
vez que está bajo control el pronóstico es aceptablemente bueno. Por otro lado, el
lograr un control eficaz es muy difícil: los hábitos dietéticos deberán cambiar drástica-
mente, el tratamiento deberá ser tomado de forma ininterrumpida para el resto de la
vida, tendrá que complementarlo con una serie de medidas de autocuidado. Lo más
importante, en un país que no cuente con un sistema de seguridad social bien estable-
cido, la paciente deberá 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 tendrá que elegir entre alimentar a sus hijos o com-
prar su tratamiento.

Por todo esto hará falta estar prácticamente seguro del diagnóstico antes de comuni-
carlo y decidir iniciar el tratamiento. El umbral de acción está 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-
ción es muy grande: haré todos los examenes necesarios para llegar a confirmar la
enfermedad o para excluirla: ¡ante todo caso dudoso, haremos los examenes!

Fiebre amarilla
¿Desde qué valor de probabilidad podemos excluir una fiebre amarilla? : ejemplo de
campo de investigación grande con un umbral de exclusión que tiene un valor cerca-
no a 0%

Una campesina de la región 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 región fueron repor-
tados 12 casos de fiebre amarilla en los dos meses anteriores de los cuales 10 murie-
ron, y el año anterior fueron reportados algunos casos más.

Discusión :
La fiebre amarilla es una enfermedad grave no solamente para el paciente sino para
toda la población de la región y del país si algunas medidas de prevención no son pues-
tas en marcha rápidamente.También es una enfermedad contra la cual solamente exis-
te un tratamiento sintomático, en la que los exámenes serológicos que tienen un fuer-
te poder de confirmación y de exclusión no hacen correr ningún riesgo al paciente, y
donde el costo del test seguramente será tomado a cargo por la comunidad mundial.

26
 Los umbrales

Por otro lado, a pesar de existir una vacuna muy eficaz, organizar una campaña de vacu-
nación masiva implica un esfuerzo considerable y un costo elevado, tanto por la orga-
nización, como por la vacuna misma.

Para excluir una fiebre amarilla, en un contexto de gran sospecha, será entonces nece-
sario alcanzar una probabilidad cercana a 0%: un falso negativo puede engendrar con-
secuencias graves mientras que para los falsos positivos, el médico establecerá medi-
das profilácticas que podrá detener una vez que regresen los resultados de los exáme-
nes serológicos. Por otra parte las consecuencias de una falsa alerta mundial no pue-
den ser subestimadas, entre otras razones por las repercusiones que eso podría tener
en el turismo internacional.

Conclusión
La meta del trabajo clínico no es necesariamente alcanzar un diagnóstico seguro para
una cierta enfermedad, si no más bien de tomar la decisión correcta frente a un
paciente y su contexto. En este capítulo hemos tratado de estudiar los criterios cua-
litativos que influyen sobre nuestros umbrales de decisión. Estos umbrales pueden ser
calculados formalmente de forma matemática: la relación entre el umbral de decisión
(“umbral único”) y los dos umbrales de acción y de exclusión, que aparecen cuando
hay que decidir si se debe o no hacer un último examen, dependen del poder, el costo
y el riesgo del examen.

• No hay que hacer un diagnóstico: hay

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

• Los factores subjetivos y generales

influyen mucho más 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 hipótesis

Introducción
Ciertos fenómenos causan o testifican sobre otro fenómeno. Esto quiere decir que la
presencia de uno está en relación 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-
logía. Por ejemplo, la presencia de cianosis puede estar relacionada con una neumonía.

Esto no solo se hace en medicina. En otras ciencias las relaciones entre fenómenos
también pueden ser analizadas: así, por ejemplo los meteorólogos, a partir del aspecto
del cielo, de las medidas barométricas, de las fotografías tomadas desde satélites, tra-
tan de prever el clima que habrá en los días siguientes. De igual manera, en criminolo-
gía, es esencial aportar un cierto número de pruebas con el fin de confirmar las sos-
pechas de culpabilidad de los diferentes acusados.

Ejemplo de criminología
Un banco importante en el centro de una gran ciudad de Sudamérica es asaltado por
una veintena de ladrones armados; la policía empieza a cercar el barrio donde se
encuentra el banco antes de que los ladrones puedan dejarlo. Los policías empie-
zan una requisa sistemática 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 función de la
implicación de las diferentes personas en el asalto al banco. Entonces, la población
presente en el barrio en el momento del asalto al banco es repartida arbitrariamen-
te en 4 categorías: 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-
úntes armados pero que no están implicados en el asalto al banco y finalmente 4)
los transeúntes 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 relación a la hipóte-
sis (ser un ladrón), usando una representación gráfica donde se visualizan los verdade-
ros positivos (ladrones armados), los falsos positivos (transeúntes armados), los verda-
deros negativos (transeúntes no armados) y los falsos negativos (ladrones no arma-
dos) ( Tabla 3.1).

Tabla 3.1 Relación entre hipótesis y argumentos

hipótesis + hipótesis -
(ladrón) (transeúnte)

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 número igual de personas (20)
entre la población de transeúntes que se encon-
traban en el perímetro 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 situación se esquematiza de la siguiente manera
(Figura 3.1). Obviamente el número de personas
que corresponden a cada una de estas cuatro
categorías no siempre es igual y puede variar según el contexto en el que nos encon-
tremos. Vamos a imaginar tres situaciones posibles. Para las situaciones descritas a con-
tinuación suponemos tácitamente que la mayor parte de ladrones están armados en
el momento de la requisa.

Primera situación:
Figura 3.2
País tranquilo y ninguna persona susceptible de
ladrones llevar un arma por su función (policía, guardia,
armados militar, etc.) está presente en el barrio cercado: la
proporción de personas armadas es muy peque-
ña en el grupo de los transeúntes y muy grande
transeuntes en el grupo de los ladrones. En esta situación 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 situación:
Figura 3.3
Es posible que un gran cuartel militar se encuen-
ladrones tre dentro del perímetro cercado por la policía,
transeuntes lo que aumentará mucho la importancia del
armados armados
grupo de transeúntes armados. La proporción de
personas armadas es similar a la de personas no
transeuntes armadas en el grupo de transeúntes: en esta
sin situación 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 hipótesis

Tercera situación:
Figura 3.4
País con inestabilidad política, la mayor parte de
ladrones transeuntes personas llevan un arma para defensa personal.
armados armados La proporción de personas armadas es muy gran-
de entre los ladrones y los transeúntes; igualmen-
te la proporción de personas no armadas es muy
pequeña tanto en los ladrones como en los tran-
seúntes. En esta situación el argumento sea posi-
tivo o negativo no aumenta ni disminuye nuestra
certeza de culpabilidad de la persona requisada.

Estas representaciones permiten visualizar fácilmente la relación que existe entre un

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

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

argumento no es muy válido ni para confirmación, ni para exclusión.

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 relación que liga a diferentes argumentos con la hipótesis diagnóstica estudiada:

Un paciente de 25 años que pasó durante un tiempo trabajando en un pozo petrole-

ro en la amazonía es hospitalizado en Quito para la investigación de una fiebre de
instalación reciente. Siguió una quimioprofilaxis regular con cloroquina durante su
estadía en la amazonía y, luego de treinta días después de su regreso a Quito.
Presentó un episodio de diarrea durante el año precedente. En el examen físico 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 palpación y una hepatomegalia dolorosa. La maniobra de Murphy es positiva. La
ecografía de hígado pone en evidencia tres abscesos de más de cinco cm de diámetro
a nivel de lóbulo derecho, la serología para amebiasis es positiva en inmunofluores-
cencia a una dilución 1/800. Diagnóstico: Múltiples abscesos hepáticos amebianos.

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

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

31
Tabla 3.2 Relación entre argumentos e hipótesis clínicas

Absceso amebia- No absceso ame-

no de hígado biano de hígado

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 representación gráfica similar al modelo de criminología estudiado

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

Argumento 1 : antecedentes de diarrea en el año precedente

Figura 3.5
Dentro del grupo de pacientes que tienen un
absceso amebiano del hígado y aquel que repre-
absceso + absceso -
senta a los 100 pacientes que no tienen esta
diarrea + diarrea +
enfermedad, la proporción de personas con
antecedentes de diarrea en el año precedente es
más 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 último año es igual de fre-
cuente en ambos grupos. Por eso la imagen grá-
fica representa cuatro cuadrados con una super-
ficie idéntica y podemos decir que no existe ninguna relación entre este argumento y
la hipótesis diagnóstica; dicho de otra forma, este argumento no cambia la certeza fren-
te a nuestra hipótesis.

Argumento 2 : fiebre
Figura 3.6
La representación gráfica es ahora asimétrica.
Observamos que son muy raros los pacientes
absceso +
absceso - con un absceso amebiano de hígado que no tie-
fiebre + Tº + nen fiebre; sin embargo el argumento fiebre se
puede encontrar también en algunos pacientes
del grupo de referencia: la fiebre es entonces un
absceso -
Tº -
argumento que si está relacionado con la enfer-
medad en cuestión pero su descubrimiento no
nos hace avanzar mucho en nuestra certeza diag-
nóstica; su ausencia, por el contrario, puede ser útil para excluir un diagnóstico de abs-
ceso amebiano de hígado.

32
 Argumentos e hipótesis

Argumento 3 : hígado doloroso

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

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

Figura 3.8
La relación entre este argumento y el diagnósti-
absceso + co de absceso amebiano de hígado es esta vez
sero muy positiva: casi todos los enfermos tendrán
>1/200 una serología positiva, mientras que serán muy
raros los positivos entre las personas del grupo
absceso - de referencia. Una serología positiva para un
sero absceso amebiano de hígado es un argumento
<1/200 fuerte para confirmación del diagnóstico; su
ausencia es también un argumento fuerte para
su exclusión.

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

te en una población de referencia (ejemplo, imagen ecográfica sospechosa de absceso
hepático amebiano) tiene –cuando se lo encuentra– un valor fuerte de confirmación
de nuestra hipótesis. Al contrario, un argumento que raramente se encuentre ausen-
te en los enfermos (por ejemplo, serología positiva para amebiasis), tiene un fuerte
poder de exclusión. Por último, un argumento presente en la mitad del grupo de enfer-
mos y de la población de referencia (ejemplo, antecedentes de diarrea), no tiene rela-
ción con la hipótesis estudiada y es inútil en el proceso diagnóstico.

33
Conclusión
En varias disciplinas se analizan las relaciones entre Un argumento es fuerte si
fenómenos. En clínica, el médico debe abstenerse de siempre está presente en
recoger información inútil. Los esfuerzos tienen que los sospechosos y ausente
en los no-sospechosos.
concentrarse en los datos que más aporten para la
confirmación y/o exclusión de un diagnóstico.

Un argumento que casi nunca se encuentre en pacientes con otras enfermedades será
útil para confirmar. Un argumento que casi nunca se encuentre ausente en quienes tie-
nen la enfermedad que sospechamos será útil para excuir. Los demás argumentos
serán débiles y aun inútiles.

Ejercicios
A continuación de este ejemplo trate de establecer relaciones entre diferentes argu-
mentos y el absceso hepático amebiano, ¿qué podemos decir de la relación de datos
clínicos conocidos como son el signo de Blumberg y la apendicitis?, ¿un BAAR de espu-
to negativo y la tuberculosis pulmonar?, ¿cefaleas intensas y migraña?, ¿rigidez de nuca
y meningitis bacteriana?, ¿reacción de Widal y fiebre tifoidea?

34
 4 El poder de un argumento

Introducción
En el segundo capítulo analizábamos el nivel de certeza requerido para actuar o para
detener cualquier investigación. El objetivo del capítulo precedente, en cambio, era
acercar las relaciones existentes entre un argumento y una hipótesis diagnóstica, tra-
tando de representar gráficamente esta relación. En esta sección nos vamos a intere-
sar en cuantificar estas relaciones: ¿qué es lo que nos permite decir que un argumen-
to es débil, bueno o fuerte en relación a una patología en particular?, ¿tienen las fuer-
zas de exclusión y de confirmación de un argumento valores simétricos?, ¿cómo pode-
mos explicar que la fuerza de un argumento pueda variar según el contexto de la
población con la que trabajamos?

Una vez más es necesario aclarar que cuando hablamos de “argumento”, nos referi-
mos a cualquier tipo de hallazgo clínico. Esto incluye los síntomas que un paciente nos
cuenta durante la anamnesis, los signos que encontramos en el examen físico, y los
datos que obtenemos del laboratorio o del servicio de imágenes.

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
categórica y dicotómica (por ejemplo presencia de fiebre, de diarrea o de erupción
cutánea). Cuando estos están presentes señalan 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 éstos es necesario determinar valores precisos (por ejemplo, tasa de hemoglobi-
na, peso, tensión arterial,...). Su fuerza depende de la precisión con la cual se determi-
nen los valores “normales”. Es lo que también se conoce como el punto de corte.

Adicionalmente hay otro tipo de argumentos que están entre lo dicotómico (SI o NO)
y lo cuantitativo. Son aquellos que nos informan sobre un grado de afectación de
manera ordinal. Por ejemplo el resultado de una radiografía puede clasificarse en dife-
rentes grados: “sin ninguna alteración”, “alteración leve”, alteración moderada”, “altera-
ción severa”. Aunque este tercer tipo de argumento se acerca más al tipo categórico,
para analizar su fuerza es más práctico considerarlo como si fuera cuantitativo. La
ausencia de alteración puede corresponder al nivel “cero”, la alteración leve puede
corresponder al nivel “uno” y así sucesivamente.

Definición del poder

El poder de confirmación de un argumento
Observemos lo que ocurre durante una consulta pediátrica en Puyo, Ecuador:
Caso 1: niño de 6 años con disnea espiratoria y sibilancias en la auscultación.
Caso 2: lactante de cuatro meses que presenta taquipnea desde el nacimiento.Tiene
tos, expectoración amarillenta, fiebre, tiraje intercostal, cianosis, crepitaciones
en pulmones, soplo sisto-diastólico en foco mitral.

35
Caso 3: niña de 10 años se queja de tenesmo y diarrea con sangre.
Caso 4: niño de 7 años que presenta fiebre y dolor a la deglución.
Caso 5: lactante que presenta varias lesiones seudoforunculosas en la espalda dere-
cha de donde sale una larva al hacer presión lateral.
Caso 6: lactante hospitalizado por estado altamente febril.

Argumentos con un fuerte poder de confirmación

Los primeros cinco casos de esta consulta parecen simples al ser el argumento descri-
to en cada uno de ellos tan demostrativo de la patología subyacente: disnea y sibilan-
cias para un asma, soplo sisto-diastólico en foco mitral de un lactante con taquipnea
desde el nacimiento para una cardiopatía congénita, el tenesmo acompañado de dia-
rrea con sangre para una disentería amebiana, la fiebre y dolor de garganta para una
faringitis y la extracción de una larva para una miasis forúnculosa (tupe).

Figura 4.1
otras
asma
enfermedades Representemos, por ejemplo, la relación exis-
verdaderos tente entre la disnea espiratoria y el asma en
presente positivos
una tabla de cuatro entradas similar a aque-
llas del capítulo precedente. La mayoría de
DISNEA

pacientes enfermos con asma tendrán disnea

espiratoria mientras que en los pacientes
verdaderos
ausente que tienen otras enfermedades este signo
negativos
está casi siempre ausente. Uno podría decir
que debería estar siempre ausente en los
que no tienen asma; pero no hay que olvidar
que también se puede encontrar disnea espiratoria en otras enfermedades como la
bronquitis, la bronquiolitis, la difteria, los cuales vendrían 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 pequeña en relación a la que represen-
ta a los verdaderos positivos. Si pusiéramos en una balanza habría un gran desequili-
brio. Con esto podemos afirmar que el poder de confirmación de este argumento es
muy grande.

En otros ejemplos la situación 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 confirmación es menos fuerte. También se

DIARREA

observa que los verdaderos negativos y falsos

falsos verdaderos negativos están equilibrados; pero eso no nos
ausente negativos negativos interesa por ahora (por eso la hemos dejado en
gris), ya que en este caso el niño si tiene el argu-
mento. El poder de confirmación de un argu-
mento se evalúa por el equilibrio –en términos
matemáticos la razón– que existe entre verdaderos positivos y falsos positivos.
Mientras menos falsos positivos haya, más fuerte será el poder.

Argumento con un poder de confirmación débil

El caso 6 es aquel del niño traído al hospital con un cuadro altamente febril. Este argu-
mento no permite – por sí solo – tener la certeza de un diagnóstico en particular, palu-
dismo por ejemplo. Existen numerosas patologías que pueden acompañarse de un
estado altamente febril en un niño pequeño.
Figura 4.3
Este argumento se encuentra presente en casi
otras 100% de casos de paludismo, pero también es
paludismo enfermedades
frecuente en otras enfermedades. De esta forma
presente verdaderos el equilibrio entre el número de verdaderos
positivos falsos
positivos (niños en los que la fiebre alta es cau-
FIEBRE ALTA

positivos
sada por el paludismo) y el número de falsos
positivos (niños sin paludismo pero con fiebre
verdaderos alta) es mucho más pequeña que en los casos
ausente negativos precedentes. Por eso el argumento fiebre tiene
un poder débil para confirmar paludismo.
Luego de comparar los tres ejemplos deducimos que el poder de confirmación está
determinado sobretodo por los falsos positivos. En otras palabras, un argumento es
fuerte si se encuentra únicamente en los enfermos, y no en los no-enfermos (o los
pacientes que tienen otra enfermedad).

El poder de exclusión de un argumento

Pasemos ahora a una consulta de ginecología y obstetricia en Santa Cruz de la Sierra,
Bolivia:
Caso 7: test de embarazo negativo en una paciente de 22 años que presenta un
dolor pélvico 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 exclusión
Nuestra experiencia clínica ya nos permite decir que el diagnóstico de embarazo
extrauterino puede ser excluido en el caso 7, al igual que el de cáncer de cuello de
útero en el caso 8.

37
 Dibujemos la relación 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 también
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 exclusión muy fuer-
te para embarazo extrauterino.

Argumento con un débil poder de exclusión

Figura 4.5
otras
El caso 9 de esta consulta nos presenta un argu-
EEU
enfermedades mento con un débil poder de exclusión 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 presentarán 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-
sentarán 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 únicamente los bloques inferiores son los que interesan
para la exclusión: la comparación de los dos ejemplos permite concluir que sobreto-
do son los falsos negativos quienes determinarán el poder de exclusión.

Por tanto, un argumento tiene un fuerte poder de exclusión si está siempre presen-
te en una enfermedad. Combinando los dos poderes, podemos decir que un argumen-
to es perfecto en las dos direcciones (para confirmación y para exclusión) cuando está
siempre y únicamente presente en una enfermedad.

Estimar el poder de un argumento positivo

Una vez que tenemos clara la noción del poder de un argumento, podemos estimar-
lo fácilmente. Comencemos por el caso de un argumento positivo, donde buscamos
el poder de confirmación. En los párrafos anteriores nos referimos al equilibrio entre

38
 Poder de un argumento

verdaderos y falsos positivos. Matemáticamente este equilibrio no es más que una

razón, es decir la división de los verdaderos positivos para los falsos positivos. El poder
de confirmación es la razón 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 cuestión.
Para la disnea espiratoria y el asma, es claro que hay muchos más verdaderos positi-
vos que falsos positivos: podríamos 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 confirmación fuerte.
En el caso de la diarrea con sangre y la amebiasis, hay 40 verdaderos positivos por 1
falso positivo: la razón es 40.También 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 débil.

Estimar el poder de un argumento negativo

Siguiendo el mismo razonamiento, el poder de un argumento negativo es la razón
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 aquí, considerando los tres ejemplos que vimos más arriba, observamos una
gran diferencia en los valores de los poderes para cada uno de ellos:
En el caso de la paciente de 22 años que presenta un dolor pélvico 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 más 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 exclusión 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 cáncer. Sin embargo hay algunos
casos en los que el Pap test resulta positivo en personas que en realidad no tie-
nen ni cáncer ni displasia, es decir que el número de verdaderos negativos se
reduce. Por esto podemos decir que la razón de verdaderos negativos contra fal-
sos negativos es de 10 contra 1, es decir 10; por lo tanto el poder de exclusión
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, prácticamente 1: el
poder de exclusión es inútil.

39
 Veamos aquí una representación gráfica 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 dirán que lo difícil es estimar el número
de personas que entran en cada casillero de la tabla de cuatro entradas.
En realidad no es tán difícil. 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 fácilmente, es preferible considerar grupos de 100 pacientes. Podríamos
imaginar un estudio en un grupo de 100 pacientes con neumonía, escogidos al azar.
Haciendo una estimación intuitiva podemos decir que, en este grupo, el dolor toráci-
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 también como la sensibilidad. Es muy frecuente encontrar datos
de sensibilidad como resultado de investigaciones sobre valor diagnóstico de un argu-
mento, y muchos clínicos piensan –erróneamente– que esto es suficiente para cono-
cer el poder de un argumento. Sin embargo, la sensibilidad no ayuda mucho en la prác-
tica clínica si no se la combina con la tasa de falsos positivos. De esta manera obtene-
mos el poder de confirmación.(1)

Figura 4.7
otras
neumonía enfermedades Otra forma de estimar intuitivamente la sensibi-
lidad es basándonos en nuestra experiencia.
presente
Verdaderos Falsos Basta pensar en la proporción de casos de neu-
positivos positivos monía, en los cuales hemos encontrado el dolor
TORACICO

torácico. Si decimos uno en 10 significa que es

DOLOR

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

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

Lo que sí resulta un poco más difícil es la estimación de los falsos positivos. Este dato
está prácticamente ausente en la literatura médica. Para poder hacerlo intuitivamente
tenemos que considerar los dos bloques en gris de la figura 4.7. Si fuera una investi-
gación, podríamos imaginar que 100 pacientes sin neumonía, pero con cualquier otra
enfermedad, son tomados al azar. A estos les preguntamos si tienen dolor torácico. En

40
 Poder de un argumento

este grupo puede haber pacientes con trauma, con zona, con espasmo del esófago, con
infarto que sí tienen dolor torácico pero que no tienen neumonía. Sin embargo éstos
no son tan frecuentes en un contexto de medicina general. La mayor parte son pacien-
tes con otras enfermedades que no tienen dolor torácico. Por esa razón podemos
intuir que aproximadamente 5% de pacientes de este grupo de referencia son falsos
positivos: es decir que tienen dolor torácico, pero no tienen neumonía. Por consecuen-
cia podemos decir también que hay 95% de verdaderos negativos, puesto que 100
menos 5 hacen 95. A esta tasa de verdaderos negativos la llamamos también la espe-
cificidad. La especificidad es una noción difícil de comprender y manipular. Por eso pre-
ferimos estimar intuitivamente y trabajar con la tasa de falsos positivos que – como
hemos visto – no es más que el complemento de los verdaderos negativos.

En este punto el lector podría estar decepcionado: ¿cómo 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
más 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-
ción de enfermedades en el contexto de nuestro trabajo. Si comparamos la distribu-
ción de enfermedades en la consulta de un cardiólogo con la que se encuentra en la
consulta de un médico general se pueden ver grandes diferencias. En el caso del pri-
mero la mayor parte de sus pacientes tendrán hipertensión, insuficiencia cardiaca, angi-
na, arritmias; mientras que donde el médico general, si bien estas enfermedades tam-
bién pueden estar, se pierden en una lista más grande de otras patologías. Eso implica
que la tasa de falsos positivos de, por ejemplo, un tercer ruido para una insuficiencia
cardiaca será más grande en el consultorio del cardiólogo que en el del médico gene-
ral. Por consecuencia el poder de confirmación será más débil 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 distribución de personas que llegan a nuestra consulta. Simplemente pregun-
tándonos: de 100 personas que han llegado a la consulta durante la última semana,
¿cuántos han presentado el argumento que estoy analizando, sin que tengan la enfer-
medad que sospecho?. Esto nos va a dar un número muy acertado de falsos positivos
que me permitirá calcular los diferentes poderes. Esta reflexión corresponde a la
segunda columna de nuestra tabla de cuatro entradas representadas en la Figura 4.8

Figura 4.8
Concluyendo podríamos decir que mientras más
Verdaderos Falsos alta sea la sensibilidad de un argumento (cerca
positivos positivos de 100%), más tiende a disminuir el número de
falsos negativos, por lo tanto cambia el poder de
exclusión. Mientras más alta sea la especificidad
Falsos Verdaderos de un argumento (cerca de 100%), más tiende a
negativos negativos disminuir el número de falsos positivos y sobre
todo cambia el poder de confirmación.

41
Podemos poner todos los valores también 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 neumonía y el dolor torácico.

Tabla 4.1 Dolor torácico en neumonía

Neumonía Pacientes sin
neumonía

Dolor torácico 20 5

Sin dolor torácico 80 95

Total 100 100

Ahora que hemos estimado la tasa de los verdaderos y falsos positivos y negativos,
podríamos 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 confirmación: 20/5= 4

Poder de exclusión: 95/80= 1.2

Ambos valores son bajos, sobretodo el poder de exclusión. Si uno no tiene dolor torá-
cico, no excluye una neumonía. Si lo tiene, ayuda un poco al diagnóstico.

¿Por qué decimos que ambos valores son bajos?, ¿qué quiere decir un poder de con-
firmación débil o uno fuerte?.

Hay que empezar considerando que el poder de un argumento es una razón, es decir
una operación matemática en la que se comparan dos conjuntos separados. Si ambos
conjuntos son de igual tamaño el resultado de la división es 1. Mientras más grande sea
el tamaño del primer conjunto, comparado con el segundo, mayor será el resultado de
la división. Esto quiere decir que el poder de un argumento puede ir desde 1 hasta el
infinito. Si para el poder de confirmación obtenemos un resultado igual a 1 quiere decir
que el número de verdaderos positivos es igual al número de falsos positivos, por tanto
el poder de confirmación es inútil. En cambio si el número de falsos positivos es “cero”
no es posible hacer una división, quiere decir que en ese caso, cualquiera que sea el
número de verdaderos positivos el poder de confirmación es infinito.

42
 Poder de un argumento

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

ser representado en una escala logarítmica, lo cual nos da categorías de poderes. Si en
una hoja de cálculo de excel calculamos el logaritmo de base 10 (usando la función
Log10) de todos los valores de poder de confirmación desde el 1 hasta el 100 pode-
mos identificar 5 categorías de poder más o menos bien definidas: “inútil”, “débil”,
“bueno”, “fuerte” y “muy fuerte” (Tabla 4.2, apéndice 1).

Tabla 4.2 Clasificación categórica de los poderes de un argumento

Poder calculado Poder transformado en

Razón verdaderos / falsos Logaritmo de base 10 Categoría de poder

1 0 Inútil
3 (2 - 5) 0,5 Débil
10 (6 - 17) 1 Bueno
30 (18 - 56) 1,5 Fuerte
100 (57 - …) 2 Muy fuerte

Esta tabla es válida tanto para los poderes de confirmación (verdaderos positivos / fal-
sos positivos), como para los poderes de exclusión (verdaderos negativos / falsos nega-
tivos).

Para fines prácticos se puede decir que, para confirmar, un argumento es inútil si el
número de verdaderos positivos es igual al de falsos positivos; en cambio es débil si la
razón entre verdaderos positivos y falsos positivos está alrededor de 3; así mismo es
bueno si está alrededor de 10; fuerte si está alrededor de 30 y muy fuerte alrededor
de 100. (Tabla 4.1) Teóricamente esta progresión puede continuar hasta el infinito. Si el
resultado de la división está alrededor de 300 el argumento será “muy muy fuerte” y
si está alrededor de 1000 será “muy muy muy fuerte”. Estas dos últimas categorías son
extremadamente raras. Casi no existen argumentos con un poder superior a 100. El
mismo razonamiento es aplicable al poder de exclusión.

La aplicación de estas fuerzas en una escala fácil de comprender y aplicar en la prácti-

ca será explicada en el siguiente capítulo.

Simetría entre poderes de confirmación y de exclusión

El poder de exclusión de un argumento no depende del poder de confirmación. Esto
quiere decir que si un argumento tiene un poder de confirmación fuerte para un diag-
nóstico particular, no necesariamente su poder de exclusión va a ser fuerte también.
Por ejemplo si encontramos defensa abdominal sospechamos fuertemente en una
apendicitis, pero si la defensa abdominal está ausente no podemos excluir este diag-
nóstico. Así mismo una muestra de esputo negativa tiene un débil poder de exclusión
frente a una tuberculosis pulmonar, mientras que si es positiva tiene un fuerte poder
de confirmación. Este es un error muy frecuente que cometen los clínicos con poca
experiencia que trae como consecuencia, tanto el uso excesivo de exámenes diagnós-

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 diagnóstico, su presencia

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

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

embolia pulmonar.

Una mujer de 38 años, que habita en una comunidad del río Santiago en Esmeraldas
llega al hospital con polipnea de inicio súbito y dolor torácico, entre los anteceden-
tes refiere edema de miembro inferior derecho desde hace dos días. Al examen físi-
co se encuentra afebril, con frecuencia cardiaca de 120/min. Se realiza una radio-
grafía de tórax en la que se observa una condensación. La hipótesis diagnóstica es
embolia pulmonar.

Cada uno de los diferentes argumentos expuestos en este caso tiene un cierto poder
de confirmación y de exclusión.

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 está casi siempre presente, pero no es único para embo-
lia, entonces es un argumento bueno para excluir y débil para confirmar.

Para el argumento edema de miembros inferiores el poder de confirmación de la hipó-

tesis diagnóstica embolia pulmonar es fuerte mientras que su poder de exclusión es
más bien débil: el argumento es raro en pacientes sin embolia, pero en embolia no es
tan frecuente. El síntoma no está siempre presente, pero es más único.

Por otra parte vemos que un paciente con embolia pulmonar tiene poca probabilidad
de tener una condensación en la radiografía de tórax, pero también hay algunos
pacientes en el hospital con condensación. El signo está raramente presente, y no es
único. Entonces, los poderes de confirmación y de exclusión de este argumento son
débiles: se trata de un argumento simétrico.

Tabla 4.3: Poder de los argumentos para embolia pulmonar

Argumentos PC PE
Polipnea muy fuerte bueno
Inicio súbito bueno débil
Dolor torácico bueno débil
Taquicardia débil bueno
Edema de pierna fuerte débil
Condensación débil débil
en Rx de tórax

44
 Poder de un argumento

Patognomónico
Durante la formación clínica los profesores de semiología enseñan varios signos patog-
nomónicos. En nuestra terminología ¿qué significa que un argumento es "patognomóni-
co"?

Patognomónico quiere decir que el poder de confirmación es infinitamente alto. Es decir

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

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

extrauterino, el hecho de vivir en los Andes excluye la enfermedad del sueño. Solo que
nunca utilizamos el término patognomónico en negativo. Podríamos llamarlo un argu-
mento obligatorio.

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

ción.

Los determinantes de la fuerza

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

La recolección de los datos clínicos

Ya en el principio de cualquier contacto clínico, varios factores influirán sobre la fuerza

de los argumentos:

• ¿El médico comprendió bien a su paciente? Problemas de idioma, de dialecto. (Trate,

por ejemplo, de hacer un examen de sensibilidad cutánea en una vieja mujer shuar
no habiendo ningún médico ni auxiliar de enfermería que pueda hacer de traductor).
• ¿Dispone en verdad el paciente de la terminología adecuada para expresar lo que
siente?
• Si el paciente tiene ya en mente una causa probable, ¿dará una información objetiva?
• Teniendo ya el médico en su mente una hipótesis probable, ¿será selectivo en la inter-
pretación de la historia y de los argumentos?

Son innumerables los sesgos de observación de parte del paciente y del médico. No
hay que confundir estos sesgos con la utilización inteligente de los resultados: por ejem-
plo, un argumento con un débil poder de confirmación será tomado con cautela cuan-
do es positivo. Lo mismo haremos para un argumento con un débil poder de exclusión
cuando es negativo.

45
Paraclínica: la transmisión de los datos
Todos tenemos un respeto exagerado por los argumentos paraclínicos: sobreestima-
mos los resultados de laboratorio o los resultados de imagenología médica.

En principio, estos argumentos podrían ser más fiables. No podemos olvidar, por el
contrario, que estos argumentos nos llegan a través de una cadena de transmisión, en
la cual los "errores" pueden ser frecuentes: error de etiqueta, intercambio de sueros,
contaminación con otro suero, error de clasificación. Aún en los laboratorios con más
alta reputación es normal encontrar del 1 a 2% de errores en la transmisión de datos.
Al contrario, en el aspecto de una pitiriasis rosea de Gilbert, no hay ninguna transmi-
sión de datos, es el clínico el que observa.

Por otro lado muchos exámenes de laboratorio tienen reacciones cruzadas y los exá-
menes de imágenes dependen también de la interpretación del observador.

El valor de positividad
En el párrafo "características 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 límite de positividad influirá sobre
los poderes de confirmación y de exclusión del argumento.

Una apendicitis puede acompañarse de una leucocitosis alta. Pero ¿qué es una leuco-
citosis alta?, ¿diez mil, ¿catorce mil?, ¿dieciséis mil?

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

puntos un grupo de pacientes con apendicitis; a la derecha un grupo de pacientes con
otras enfermedades. El tamaño de los círculos se corresponde con la cantidad de
pacientes existente en cada grupo. Existen tres líneas horizontales que corresponden
a diferentes puntos de corte. La línea roja está colocada en 16 mil leucocitos, es decir
consideramos positivo si los leucocitos son más de 16 mil; la línea amarilla está colo-
cada en 14 mil leucocitos; finalmente la línea verde está colocada en 10 mil leucocitos.
Si colocamos nuestro punto de corte en 16 mil, habrá pocos pacientes con otras
enfermedades que alcancen este valor, por lo tanto el argumento será fuerte si está
presente. Por el contrario, más de la mitad de las apendicitis no alcanzan este valor, su
poder de exclusión será débil, 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 tendrá un
buen poder de confirmación si está presente: hay algunos pacientes con otras enfer-
medades diferentes a la apendicitis que tendrán una leucocitosis de 14 mil. Tampoco
ayudaría mucho a excluir, puesto que hay pacientes con apendicitis que no alcanzarían
este valor. Finalmente si el punto de corte está 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 débil para confirmar, por cuanto hay bastantes pacien-
tes sin apendicitis que tienen valores superiores a 10 mil.

En nuestra interpretación, 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 gráfico 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
metanálisis publicado en el 2004 dice que en realidad el poder de confirmación del
recuento leucocitario a diferentes puntos de corte siempre es débil. A un punto de
corte de 15 mil, el poder de confirmación no sobrepasa de 7 y a un punto de corte
de 10 mil el poder de exclusión tampoco sobrepasaría de 6.(3)

El factor tiempo

El médico, durante su
anamnesis, se interesa de 1. Cada argumento tiene un poder de confirmación y
forma par ticular en la un poder de exclusión
relación que existe entre 2. Estos respectivos poderes raramente son simétricos
un argumento y su expre- 3. Los argumentos que son pruebas absolutas de una
sión en el tiempo, más enfermedad son raros.
particularmente, su dura-
ción, su agravamiento, su carácter intermitente, o su desaparición. Una diarrea, por
ejemplo, es un argumento que habla en favor de muchas etiologías. El espectro diag-
nóstico está fuertemente restringido, según que hablemos de una diarrea de inicio
brusco, que desencadena en una deshidratación grave por la cual muere el paciente
en pocas horas; de una diarrea crónica; de un episodio diarreico de tres días al inicio
de unas vacaciones en un medio tropical; o de una diarrea súbita luego de una cena
en la cual los alimentos eran de una calidad higiénica dudosa. El poder de confirmación
y de exclusión de este argumento está entonces amplificado o reducido en función de
su expresión 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 clínico

Cuando el grupo dirigido por David Sackett publicó, en los años ochenta, su famoso
libro “Epidemiología clínica: ciencia básica para la medicina clínica”, muchas cosas cam-
biaron en la manera de comprender y enseñar la medicina.(1) Sackett empezó a poner
en duda el valor de muchas cosas que se daban por sentadas en el análisis diagnósti-
co y en las implicaciones para la toma de decisiones clínicas. Con esto puso las bases
para lo que más tarde conoceríamos como el movimiento de Medicina Basada en la
Evidencia.(2)

Aunque parezca increíble, el análisis diagnóstico propuesto por Sackett está basado en
una teoría muy antigua desarrollada en el siglo XVIII por el matemático Thomas Bayes
y luego refinada por Alan Turing, otro matemático del siglo XX, que se hizo famoso al
decodificar los mensajes encriptados del ejército alemán durante la II guerra mundial,
facilitando así 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 artículo publicado en la revista Science, propusieron su
uso en medicina como una forma de desarrollar un sistema computado de razona-
miento clínico.(6)

Efectivamente este famoso teorema, que no es más que el cálculo de las probabilida-
des condicionales, constituye el método más apropiado para conocer la probabilidad
de que un enfermo que se encuentra en un determinado contexto, tenga una cierta
enfermedad, en función de los datos clínicos 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 epidemiólogos y, por otro lado, porque se le ha dado
un excesivo énfasis a las fórmulas matemáticas sin tratar de explicar y comprender el
principio lógico que está por detrás, con un lenguaje accesible para la mayoría.(7)

¿De qué 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
capítulo, intentaremos explicar. Para comprender mejor vamos a partir de un ejemplo
práctico.
Un joven estudiante de 17 años acude a la consulta de un médico general de su con-
fianza. Está 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
mayúsculas la etiqueta REACTIVO. Él no tiene ningún síntoma. Se hizo el examen
porque se lo pedían como requisito para ingreso a la Universidad. Aunque es solte-
ro, no se considera alguien que se involucre en prácticas 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 cuál es
su futuro. Le pregunta al médico: ¿Cuál 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, hacía falta repetir el examen con otro
método, pero ¿Cómo se explica eso?, ¿No deberían ser siempre confiables los exá-
menes de laboratorio?

49
El médico no sabe bien como responder a las preguntas. Hace unas semanas asistió a
un curso sobre el uso de pruebas diagnósticas para VIH y aprendió que las pruebas
rápidas que actualmente se usan, tienen una sensibilidad siempre mayor a 97% y una
especificidad de al menos 98%.(8) Como además ha aprendido a calcular el poder de
confirmación de un test, coloca inmediatamente estos valores en una tabla de cuatro
entradas y obtiene lo siguiente (Tabla 5.1):
Tabla 5.1 Relación entre resultado test VIH e infección.

Efectivamente una prueba rápida para diagnóstico de VIH tiene un poder de confirma-
ción FUERTE. En el caso de una prueba con el principio ELISA el poder de confirma-
ción va a ser MUY FUERTE, pues tanto la sensibilidad como la especificidad están sobre
99%.(8) Entonces, ¿Cómo explicar al joven la necesidad de hacer una segunda prueba?

Tomemos un segundo ejemplo, para ver lo que pasaría en otra situación.

El programa nacional de VIH-SIDA decide hacer una investigación para conocer la
prevalencia de infección VIH en las trabajadoras sexuales que deambulan por las
calles del centro de Guayaquil. Durante una semana logran hacer un test rápido 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. ¿Cuál es la probabilidad de que cada una de estas tres mujeres se
encuentre realmente infectada por el VIH?

Intuitivamente todos dirán que la probabilidad es alta; pero, ¿Cómo es posible que, en
el caso de las trabajadoras sexuales, estemos tan seguros de que realmente están infec-
tadas, mientras que en el caso del joven del ejemplo anterior mantengamos aún una
duda? La explicación se encuentra en el análisis del contexto al que pertenece cada
una de estas personas.

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

tas a la infección, más 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 infección. El
caso del joven es diferente: aun cuando sabemos que muchos adolescentes tienen rela-
ciones sexuales de riesgo, el nivel de exposición al que llegan no se acerca a aquel de
las trabajadoras sexuales. Si juntáramos a un grupo de 5000 adolescentes típicos de

50
 Fuerza de un argumento

Quito, que más o menos corresponde a la población de estudiantes de cualquier cole-

gio público, quizás solo 1 o 2 de ellos están infectados por el VIH, es decir 0,04%. ¡Aquí
se encuentra la gran diferencia! Cualquier trabajadora sexual ya tiene una sospecha
mínima de 1% de estar infectada, antes de hacer una prueba, mientras que en un ado-
lescente típico esta sospecha inicial será solo de 0,04%.

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

misma. Su poder de confirmación no cambia, pues es intrínseco 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 función
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 ésta es muy baja; en el caso de las tra-
bajadoras sexuales la situación es diferente. Si partimos de una sospecha inicial baja, la
probabilidad después de la prueba será más alta, pero no tanto como cuando parti-
mos de la sospecha inicial que tendría 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
logarítmica. Cada línea representa a un sujeto. En el extremo izquierdo de cada línea se encuen-
tra la probabilidad antes de hacer la prueba, en el extremo derecho la probabilidad obtenida des-
pués de la prueba.

Esta figura les parecerá un poco extraña. En primer lugar la probabilidad después de la
prueba a la que llegamos con el joven es de apenas 2%, mientras que en el caso de la
trabajadora sexual es más alta, pero aún así no llega a ser superior a 32%. En efecto, si
aplicáramos la formula de Bayes a los datos que tenemos, estos serían los resultados que
se obtendrían. Esto se debe a que, en el cálculo de probabilidades, el poder de una prue-
ba es aplicado a la probabilidad que había antes de hacer dicha prueba1. El segundo
aspecto que llamará la atención es la escala que está representada en el eje “y”. A con-
tinuación explicamos por qué hemos optado por usar esta escala.
1
Para los que están interesados en conocer en detalle la fórmula de Bayes sugerimos leer el apéndice, aunque esto no es
indispensable para continuar la lectura del texto.

51
La escala de probabilidades
En realidad se trata de una escala logarítmica1. El uso de esta escala tiene muchas ven-
tajas de interpretación, tanto para el cálculo como para la visualización; por eso la usa-
remos siempre para estimar la probabilidad obtenida después de hacer una prueba en
un determinado paciente.

La primera ventaja consiste en que en una escala semejante los extremos están “esti-
rados” de manera que podemos visualizar lo que ocurre en probabilidades muy bajas
o muy altas. Esto no sería posible en una escala linear, pues los valores comprendidos
entre 0,01 y 1 o aquellos comprendidos entre 99 y 99,99 estarían “escondidos”. En la
Figura 5.2 se puede observar cómo una escala logarítmica 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 logarítmi-
ca tiene un eje de simetría “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 simetría “cero” que corresponde a una proba-
bilidad de 50%. Esta noción es muy compatible con nuestra intuición: un paciente que
tiene una probabilidad de 50% de estar afectado por una enfermedad se encuentra situa-
do en una posición neutra, en la que tiene tanto riesgo de presentar la enfermedad como
de no presentarla. A partir de esta posición neutra la escala sube con valores positivos o
baja con valores negativos, los cuales se miran como “en espejo”, el uno en relación al
otro. La imagen en espejo de 10% será 90%, la de 1% será 99%, la de 0,1% será 99,9%
y así sucesivamente. Otra característica interesante es que la escala es infinita, tanto para
arriba como para abajo, lo cual también tiene su racionalidad: en una gran parte de
pacientes nunca llegamos a estar absolutamente seguros de que tenga una enfermedad,
así como tampoco de que no la tenga.
1
Para los interesados en conocer en detalle la escala logarítmica sugerimos leer el apéndice, 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 razón por la
que Napier inventó hace 400 años los logaritmos,(9) está en el hecho de que , en lugar
de hacer las complicadas operaciones aritméticas que nos exige la fórmula 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 cálculos, simplemente dibuja-
mos las flechas que representan a cada argumento, desde su punto de partida. El tama-
ño de cada flecha se determinará por la fuerza que tenga el argumento en cuestión,
tanto para confirmar como para excluir, como ya lo explicamos en el capítulo prece-
dente.

Representación gráfica

Esto todabía sigue siendo demasiado complicado. Finalmente la forma más sencilla de
aplicar todo esto, y la que aconsejamos que se utilice en la práctica, es la de un gráfi-
co. Para empezar hay que pensar en la escala logarítmica como si fueran “los pasos de
una escalera”. Un argumento inútil no nos ayuda ni a avanzar ni a retroceder. Un argu-
mento débil nos hace mover medio paso (hacia arriba si el argumento está presente,
hacia abajo si está ausente). Un argumento bueno hará mover 1 paso; uno fuerte 1
paso y medio y uno muy fuerte permitirá un movimiento de 2 pasos. (Figura 5.3)

Figura 5.3: Representación de los poderes en la escala

El uso de varios argumentos en serie

Cuando nos aproximamos al problema clínico de un paciente en particular hacemos
varias preguntas en serie. Empezamos con una anamnesis, continuamos con un exa-
men físico, luego pedimos exámenes de laboratorio y de imágenes. 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
más o menos serial, es decir una detrás de la otra. Esto es más evidente cuando pedi-
mos exámenes complementarios: por ejemplo, frente a la sospecha de una pielonefri-
tis empezamos con un examen elemental de orina, si encontramos signos de infección
pedimos un cultivo o una ecografía 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 rápida reactiva para VIH es absolutamen-
te necesario continuar la investigación con una segunda prueba. El objetivo de la inves-
tigación, sin embargo, es diferente en cada caso: es de suponer que en el joven lo más
probable es que estemos ante un falso positivo, por lo tanto nos interesa hacer una
segunda prueba para excluir la infección 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 confirmación de 99 - es decir MUY FUERTE - y en
ambos casos obtenemos un resultado reactivo. ¿Cómo deberíamos interpretar este
nuevo resultado? Con el uso de nuestra escala esto es facilísimo: simplemente dibuja-
mos una flecha que avanza dos pasos (porque se trata de un test MUY FUERTE) par-
tiendo desde la probabilidad obtenida después 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 logarítmica. Cada línea representa a un sujeto. En el extremo izquierdo de cada línea se
encuentra la probabilidad antes de hacer la prueba, en la mitad la probabilidad obtenida des-
pués de la primera prueba y en el extremo derecho la probabilidad obtenida después 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 está alrededor de 50%. Es la misma explicación que cuando veíamos el
efecto de una sola prueba: mientras más arriba se encuentre el punto de partida más
alta va a ser la probabilidad alcanzada, aunque la prueba sigue teniendo el mismo
poder intrínseco. El mensaje que daremos a cada paciente será 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 está infectada.

54
 Fuerza de un argumento

Sin embargo la intuición nos dice que en el caso del joven es más probable que una
segunda prueba no sea reactiva. Como dijimos antes, el objetivo principal en este caso
es excluir la infección. ¿Cuál sería el efecto de un resultado no reactivo en la segunda
prueba? En este caso ya no debemos tomar en cuenta el poder de confirmación de la
prueba, si no su poder de exclusión. Poniendo los datos en una tabla de contingencia
obtenemos lo siguiente (Tabla 5.2):
Tabla 5.2. Relación entre resultado test ELISA para VIH e infección.

Una prueba con un poder de exclusión MUY FUERTE nos hace mover dos pasos, pero
el movimiento ya no será hacia arriba, como cuando el resultado era positivo, si no
hacia abajo. Eso sí, partiendo de la probabilidad alcanzada después 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 después de haber tenido un resultado no reactivo en el test
ELISA es incluso más baja que la que tenía antes de empezar toda la investigación. Lo
mismo ocurre con la trabajadora sexual en caso de que en ella también 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 logarítmica. Cada línea representa a un sujeto. En el extremo izquierdo de cada línea se
encuentra la probabilidad antes de hacer la prueba, en la mitad la probabilidad obtenida des-
pués de la primera prueba y en el extremo derecho la probabilidad obtenida después de la
segunda prueba

55
De esta forma vemos como toda la interpretación clínica que hacemos, cuando esta-
mos analizando una hipótesis diagnóstica en un determinado paciente, puede ser
representada gráficamente. Esto con el fin de estimar la probabilidad final alcanzada sin
necesidad de fórmulas matemáticas. En la figura 5.6 se puede observar cual sería el
resultado obtenido si pusiéramos en forma gráfica una serie de preguntas en una sos-
pecha de infección por VIH.
Figura 5.6: Evolución de la probabilidad con varios argumentos en serie

Otro ejemplo
Consideremos el siguiente caso clínico:
Una mujer shuar de 30 años de edad llega al consultorio del Hospital de Méndez,
en la amazonía ecuatoriana. Se queja de tos de más de dos meses de evolución, dis-
nea inespecífica y hemoptisis. Usted pide un BAAR de esputo pero este resulta nega-
tivo, por lo que decide hacer una Rx de tórax 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 podría ser
la de considerar que la sospecha inicial es la prevalencia de la tuberculosis pulmonar
en la población ecuatoriana la cual, según las informaciones estadísticas, es de 5 en 10
mil. Sin embargo hay que tomar en cuenta el hecho de que las prevalencias obtenidas
de las estadísticas oficiales están relacionadas con la población general del país, en la
cual se encuentran más personas sanas que enfermas. Un servicio de salud, como el
hospital de este ejemplo, corresponde a un contexto diferente al de la población gene-
ral: las personas que acuden a un hospital lo hacen, por lo general, porque tienen algún
problema de salud, por tanto ya no es una población constituida por personas sanas y,
por eso, la prevalencia de todas las enfermedades, incluída la tuberculosis, es más alta.

Si no disponemos de datos sobre la distribución 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 pequeño ejercicio intuitivo con la siguien-
te pregunta: “De los últimos 100 pacientes que he visto en este servicio de salud,
¿Cuántos 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
sería 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 atención, que nos han provocado
una reacción emocional.(10) En los médicos este fenómeno ocurre a menudo. Por ejem-
plo, después de haber descubierto una colagenopatía en algún 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 algún síntoma parecido;
incluso hacemos de inmediato juicios tales como: “¡es sorprendente como ha aumen-
tado la frecuencia de esta enfermedad en los últimos tiempos!” y transmitimos estas
ideas a nuestros pacientes. Por eso, cuándo 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 períodos, cada 10, 20 o 30 años, por ejemplo en los años 60 la
obesidad era rara, ahora es más frecuente, pero esa situación no cambió de un momen-
to al otro, ha sido el producto de varios cambios sociales ocurridos en los últimos 40
años. 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 transmisión no es tan alta como la de una dia-
rrea causada por contaminación del agua. ¡La tuberculosis no tiene brotes epidémicos!

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 Méndez,
es de 1%. A esta probabilidad inicial también se la conoce como la probabilidad pre-
test.

Hemos visto que un argumento modificará, por su poder de confirmación o de exclu-

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

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

Necesitamos conocer cuál es el poder de confirmación de este argumento. Como
vimos en el capítulo anterior, requerimos conocer la proporción de verdaderos posi-
tivos y falsos positivos. Intuitivamente podemos decir que 9 de cada 10 pacientes con
tuberculosis presentan tos crónica, es decir que la proporción de verdaderos positivos,
también conocida como sensibilidad, es de 90%. Estimar la proporción de falsos posi-
tivos es un poco más difícil. 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 cuántos de ellos se encuentra también tos crónica.
Supongamos 100 pacientes en un consultorio de medicina general como el del ejem-
plo, ¿Cuántos pacientes de éstos tienen tos crónica? Entre éstos estarán quienes tienen
una bronquitis crónica, un asma, una alergia, una fibrosis pulmonar, habrá algunos fuma-
dores, etc. A partir de aquí podemos ensayar algunas estimaciones: ¿Serán la mitad?

57
Probablemente no, a menos que nos encontremos atendiendo en un servicio de neu-
mología; ¿Será 1 de cada 100? Tampoco, la tos crónica, incluso en la población general
es más frecuente; ¿Serán 4 de cada 10? Todavía parece un poco exagerado; ¿Uno de
cada 10?, ¿Tres de cada 10?, allí parece que hemos encontrado una suerte de “punto
de equilibrio”: la frecuencia de tos crónica 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 cálculo del poder de confirmación, para lo cual ponemos los valores en
una tabla (Tabla 5.3)
Tabla 5.3: Poder de confirmación para la tos en tuberculosis

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

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

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

alcanzada con la tos crónica. En caso de estar presentes la probabilidad subirá, si en
cambio están ausentes la probabilidad disminuirá. Para resumir presentamos en la Tabla
5.4 los datos necesarios para calcular los poderes de confirmación de los argumentos

58
 Fuerza de un argumento

presentes y el poder de exclusión del BAAR de esputo, que es el único argumento

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

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

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

Resumiendo, la probabilidad de base que tenía esta paciente era de 1%. Como se ve
en el gráfico, a este momento lo llamamos “sala de espera”, pues es la probabilidad que
tendría cualquier paciente de tener cualquier enfermedad antes de que el médico lo
atienda, es decir cuando efectivamente está 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 inespecífica, hemoptisis y una
radiografía de tórax 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 lección más 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 médico en este momento piensa que la certeza alcanzada no
es suficiente para iniciar el tratamiento, la paciente podría quedarse sin recibir la aten-
ción adecuada a pesar de tener la enfermedad. Por otro lado la certeza no es del 100%,
de manera que aún existe una, aunque muy pequeña, probabilidad de que tenga cual-
quier otra enfermedad y no tuberculosis. ¿Cuál es el nivel de certeza requerido? La res-
puesta solo se obtendrá después de una estimación adecuada del umbral que, como
vimos en el segundo capítulo, 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 mostró que es de máxi-
mo 11%,(11) por lo tanto en esta paciente el umbral ha sido superado de lejos y se puede
tratar con toda seguridad, aún si su examen de esputo es negativo.

Notas adicionales
Nuevas herramientas
En los últimos 30 años han sido propuestas algunas herramientas que facilitan el uso
del teorema de Bayes en la práctica clínica. El más 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 práctica
clínica. 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 evolución de la probabilidad.(13) La segunda desventaja, que es quizás la más impor-
tante, es que la herramienta está 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 más complicada,1
por eso requieren que el usuario tenga nociones más avanzadas de epidemiología clí-
nica, lo que no es el caso de la mayor parte de los médicos.(7) También en los últimos
años, con la expansión en el uso de computadoras de mano (más conocidas como
“Handheld”, PDAs o Palm) se ha puesto a disposición de los médicos 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 método que hemos propuesto aquí supera estos obstáculos y, más que una herra-
mienta física, 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 epidemiología siempre se insiste en la noción
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 confirmación. 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 aplicación del teorema de Bayes sin
embargo, en la práctica clínica, esto ha dado origen a mucha confusión.

Por un lado, el valor predictivo, al ser una noción más utilizada en la epidemiología per-
mite conocer el valor de un argumento en una población dada. Esto se aleja de las nece-
sidades a las cuáles un médico se confronta durante la práctica clínica. Cuando éste ana-
liza el valor de un test está más interesado en conocer el valor del mismo en un pacien-
te en particular, no en una población. Hay que recordar que la prevalencia de una enfer-
medad en una población 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 según el tipo de
“sala de espera” que tengamos: por ejemplo, la sospecha de insuficiencia cardiaca en la
“sala de espera” de un médico general es bastante más baja que la que se encuentra
en “la sala de espera” de un servicio de cardiología.

Por otro lado el uso extensivo del valor predictivo en la literatura médica, para analizar
el beneficio de las pruebas diagnósticas, ha dado lugar a interpretaciones erróneas 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 terminará siendo
alta. Un ejemplo real de esto podemos encontrar en la interpretación de los argumen-
tos frente a una sospecha de apendicitis. Uno de los puntajes más populares para el diag-
nóstico de esta enfermedad es el score de Alvarado. Según el artículo original de este
estudio el valor predictivo positivo de todos los argumentos incluidos en el score es
superior al 90%.(15) Un metanálisis más 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 débiles.(16) El error de interpretación se da porque en la población de origen
del estudio de Alvarado la sospecha inicial de apendicitis ya era bastante alta.

La exactitud de los datos

A menudo nuestro método es criticado porque basamos la estimación 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 podría decir que la situación ideal sería
que la estimación de sensibilidad y especificidad de todos los datos clínicos estuviera
basada en estudios realizados con una metodología apropiada. Lamentablemente ese
no es el caso, pero tampoco es algo imprescindible. Por un lado existe una ausencia
casi absoluta de estudios que evalúen la sensibilidad y la especificidad de los síntomas
y signos de las diferentes enfermedades. Esto debido a que hay poco interés en hacer-
lo pero también a que la organización de este tipo de investigaciones no es tan fácil.
Por otro lado el trabajo de un médico clínico se desarrolla en una diversidad de con-
textos epidemiológicos, 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 estimación de la fuerza de un test y de la frecuencia de enfer-
medades tiene que, necesariamente, ser un análisis intuitivo que cada médico realiza
para el contexto en el cual ejerce sus actividades. Por último hay que señalar que, al
usar un método de representación en categorías de poder, las pequeñas variaciones
que se pueden encontrar en los porcentajes de sensibilidad y especificidad afectan muy
poco el resultado final, tanto para la estimación de la fuerza de un test como para el
cálculo de probabilidades.

61
Conclusión
Ni la sensibilidad y ni la especificidad, por sí solas, nos permiten conocer la fuerza de
un argumento. Es mediante la combinación 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 diagnóstica.

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 fórmulas que se encuentran por detrás del teorema de Bayes
son excesivamente complejas, lo que dificulta su aplicación en la práctica clínica de
todos los días.

La representación gráfica de las fuerzas de un argumento, en una escala de certeza

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

El valor predictivo es una noción utilizada en epidemiología: de hecho no da el valor

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

El uso de estimaciones intuitivas, cuando éstas son hechas de una manera objetiva,
es muy fiable y apropiado para la situación de trabajo de un clínico.

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: Análisis del Razonamiento
Clínico Complejo

1.1 Introducción
En contraste con la abundancia de literatura que se escribe sobre terapéutica y sobre
el desarrollo de métodos para el diagnóstico, muy poco se ha escrito sobre las bases
que guían el razonamiento clínico. Recién a finales de los setenta Kassirer empezó, en
su serie “clinical problem solving” que hasta ahora se publica periódicamente en el
New England Journal of Medicine, a realizar algunos ensayos en ese sentido.(1)
Contemporáneamente un grupo importante de psicólogos cognitivos también comen-
zó a desarrollar algunos experimentos en ese campo, coincidiendo con el advenimien-
to del computador personal, el cual nos incitó a analizar la lógica humana con el fin de
imitarla electrónicamente.(2-4) A pesar de eso, hasta la fecha, no existen resultados con-
cretos que permitan generalizar recomendaciones que puedan ser integradas en la
práctica clínica de todos los días y en la enseñanza médica. Podríamos preguntarnos
porqué esto ha sido así. La principal razón, y mas bien un pretexto, parece ser una mez-
cla de respeto por el secreto médico y de veneración de la intuición. 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 médico que mira a sus contactos y sus análisis como sagrados. Todos
somos reticentes a hacer analizar nuestra intuición. Es por eso que las reservas men-
cionadas debilitan substancialmente a los ejercicios clínicos. Involucrarse en la vida pri-
vada de un paciente, y esto delante del público es a menudo visto como un problema
ético.

El lazo entre estas dos reservas no es tan fácil de comprender. No hay ningún obstá-
culo ético para que nuestra intuición sea disecada, formalizada y mejorada.
Lamentablemente los métodos para hacerlo todavía están poco desarrollados y qui-
zás, seguir insistiendo en eso, no sea tan importante.

La competencia del médico está basada en su conocimiento y en un saber-hacer. Está

comprobado que existe poca diferencia entre los conocimientos que moviliza por una
parte un clínico y por otra parte un estudiante. La diferencia se encuentra en la utili-
zación de la información : un clínico experimentado utiliza la información con una lógi-
ca más elaborada, más fina.(2, 3)

La lógica probabilística, con el uso del análisis bayesiano que explicamos en el capítulo
anterior, aborda solo una pequeña parte del razonamiento clínico, que es la relación
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 desafío es mucho mayor.
¿Cómo podemos abrirnos un camino en este tipo de situaciones?

En los últimos 30 años la OMS y la OPS han invertido muchos recursos en la cons-
trucción de algoritmos, los que han estado principalmente dirigidos para el primer nivel

65
de atención. El ejemplo más conocido es el de los algoritmos para la Atención
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
enfermería) que trabajan en zonas con poca accesibilidad a tener una lógica fija que les
permita solucionar problemas médicos urgentes, principalmente relacionados con la
referencia oportuna de casos graves a un nivel de atención mayor. Más tarde esta lógi-
ca algorítmica se trasladó a varios textos de medicina y a varias líneas guías relaciona-
das con el manejo de problemas complejos. Lo sorprendente es que son muy raros
los clínicos con experiencia que actúan siguiendo algoritmos establecidos y esto puede
tener varias explicaciones.

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

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

La segunda podría estar relacionada con la ponderación de los estímulos.

Contrariamente a los transistores de una computadora, las neuronas reaccionan de
manera ponderada y analógica1; un transistor toma una decisión digital, dicotómica. 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 también “ponderada”, como “estamos mas o menos con-
vencidos que…”. En lenguaje de computadora la última frase sería redondeada en un
sencillo “si”, que es totalmente diferente y mucho menos rico.

Finalmente la tercera explicación tiene que ver con el sentido común que tiene un
médico, el cual está basado en el conocimiento y la experiencia. Un clínico experimen-
tado puede darse cuenta en unos pocos minutos que las restricciones que impone un
razonamiento algorítmico pueden tener consecuencias importantes en el manejo de
un paciente, por lo tanto prefiere no seguirlo.

En el enfoque algorítmico el razonamiento intuitivo, paralelo y analógico, es traducido

en un enfoque serial y dicotómico, 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 solución de problemas bien delimitados.

1
Por analógico nos referimos a que a cada estímulo 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 fácil de mostrar: de acuerdo a la figura 6.1, en un

paciente con una neumonía, que no presenta fiebre, ¡el diagnostico no será hecho!

El algoritmo presentado en la figura 6.2 es un poco más complejo; sin embargo eso no
lo hace más eficaz.

Figura 6.2 Algoritmo complejo

67
También 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 algorítmicas no representan la lógica intuitiva del médico, y por

consecuencia es obvio que en un cierto momento van a ser rechazadas. Quizás algu-
nos algoritmos que indican el camino para la realización de tareas o intervenciones
específicas puedan ser más útiles como recordatorios. De hecho, muchos médicos
dicen que no siguen los algoritmos de forma rígida pero que, sin embargo, los usan
como una plantilla de control para verificar que todo lo que está previsto ha sido
hecho.

Por estas razones en este libro proponemos otra forma de representar nuestra lógica
diagnóstica. Al igual que los algoritmos, esta lógica está basada en el análisis de un argu-
mento clave como se hace en el diagnóstico diferencial clásico. 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 analógico(Figura 6.3). (7)
Figura 6.3 Panorama

El volcán que está en el centro representa el síntoma clave. Las colinas alrededor del volcán
representan las enfermedades prioritarias que estamos obligados a confirmar y/o excluir,
mientras que las que se encuentran más 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 diagnóstico.

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

medades consideradas en el diagnóstico diferencial de ciertos síntomas clave suele ser
exhaustivo y, por eso, se hace difícil de manejar. La mayoría de médicos no nos acor-
damos, por ejemplo, de todas las enfermedades que están dentro del diagnóstico dife-

68
 El panorama

rencial de fiebre. Por eso, al hacer nuestro espectro mental nos contentamos con
incluir solo las enfermedades más frecuentes.

Aunque ésta parecería 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 además estas son susceptibles de ser controladas por una interven-
ción médica, por ejemplo con un antibiótico o una cirugía, 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, además, es fácilmente
tratable. No es raro escuchar historias de niños que han muerto o han quedado seve-
ramente discapacitados porque, a raíz de un episodio de fiebre, el médico no sospe-
chó y no trató 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 específico. El ejemplo más típico de estas últimas es la gripe: es la enferme-
dad más común y aunque puede ser muy molestoso para un paciente tener goteo
nasal, fiebre, dolor muscular, cefalea, estos síntomas desaparecen en algunos días sin
necesidad de tratamiento específico y, en la mayoría de los casos, sin amenazar la vida
del enfermo o dejar secuelas graves. Por esta razón 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 únicamente lo más frecuente: Hay que acordarse de todo lo que puede
afectar gravemente al paciente y que además sea susceptible de tratamiento.

Evitar la imagen congelada: Hay que cuidarse del efecto típicamente humano de "ima-
gen congelada", que consiste en una perdida relativa del ánimo para seguir buscando
otras alternativas una vez que una solución plausible ha sido identificada. Un clínico
ideal debería probar consecutivamente una serie de patologías que podrían corres-
ponder al caso que tiene frente a él: la realidad nos enseña que esto no siempre suce-
de así. Existe la tendencia a detenerse ante la primera patología plausible, congruente,
olvidándose de las otras hipótesis en juego. Este fenómeno es compatible con el tér-
mino "imagen congelada" que se utiliza en ecografía, cuando el imagenólogo 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 más que cierto y también podría
llamárselo “razonamiento en túnel” o “sesgo de confirmación”.(8) El sesgo de confirma-
ción consiste en la tendencia a buscar información que confirme el diagnóstico que ya
ha sido escogido, interpretando todos los datos en ese sentido, sin buscar otras hipó-
tesis plausibles. La ley que se infiere de este error es que, ante un espectro de enfer-
medades incluidas en el panorama, el clínico 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.

Más de una enfermedad: Siempre es posible que un paciente esté afectado por más
de una sola enfermedad. Muchos clínicos piensan que un argumento favorable para
una enfermedad disminuye la probabilidad de otras enfermedades. Aunque esto puede
ser correcto desde el punto de vista probabilístico únicamente sería válido cuando
tenemos la seguridad de que el paciente está afectado por una sola enfermedad a la
vez, es decir cuando las enfermedades son mutuamente exclusivas, lo que nunca es
cierto.

69
Evitar el fenómeno del basurero: siguiendo la misma lógica de creer que al excluir
varias hipótesis (echándolas al basurero) aumentamos la probabilidad de una enferme-
dad caemos otra trampa. La enfermedad que queda podría necesitar más evidencia
antes de iniciar una acción médica, lo que en otras palabras quiere decir que tiene un
umbral de decisión más alto, el cual no ha sido aún alcanzado. En clínica no podemos
contentarnos solamente con excluir. También hay que probar, teniendo en mente el
principio del umbral de decisión.

El inventario de datos
¿Cómo utilizar estas leyes en la práctica? ¿Hay que buscar siempre todas las enferme-
dades posibles? ¿Hay que continuar eternamente después de haber encontrado una
causa muy probable?

Un análisis complejo no es una empresa que se debe poner en marcha ante cualquier
situación clínica: muchos pacientes se presentan con un problema simple, o evidente,
o se presentan para un seguimiento. Un análisis complejo se impone solamente si esta-
mos ante un signo o un síntoma que sugiere al menos una patología grave, que podría
estar escondida detrás de una patología común y banal. Parte de la competencia de
un médico consiste exactamente en distinguir entre situaciones peligrosas y “tranqui-
las”: a menudo, una consulta empieza con definir el síntoma de entrada, y con “pesar”
este síntoma. Una hemoptisis pasajera en un paciente que tiene todos los síntomas de
una gripe no necesita un análisis complejo; una hemoptisis en un paciente que se queja
de tos desde hace dos meses es otra cosa.

Describimos un análisis complejo en 5 pasos. Los 3 primeros siguen más o menos el

mismo método que la generación de hipótesis clásica. El paso de "los puntos nodales"
ha sido aumentado para fundir mejor los diagnósticos, evitando conclusiones demasia-
do simplistas, y para poner en marcha la discusión de los argumentos "confusores". El
paso "prioridades" ha sido insertado a causa del efecto "imagen congelada".

La lista de los diagnósticos diferenciales.

Ante un síntoma dado, una serie de causas probables aparecen espontáneamente en
nuestra mente. Esta serie no es exhaustiva, pero debería incluir las enfermedades en
las cuales una intervención médica es necesaria: enfermedades graves y tratables.
Además incluiremos las causas más frecuentes. No hay ninguna lógica detrás de esta
lista: está 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 psicólogos cognitivos como la heurística de represen-
tatividad y la heurística de disponibilidad.(8) La heurística es una capacidad típica del
ser humano para buscar la solución de un problema mediante métodos no rigurosos.
Podría definirse como el arte y la ciencia del descubrimiento y de la invención, resol-
viendo problemas mediante la creatividad y el pensamiento lateral. La heurística de
representatividad consiste en hacer la asociación de lo que observamos con un este-
reotipo que ya tenemos preconcebido; por ejemplo: ante una tos crónica con hemop-
tisis y disminución de peso asociamos de inmediato una tuberculosis pulmonar. La heu-

70
 El panorama

rística de disponibilidad, en cambio, consiste en asociar lo que se observa con una situa-
ción 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 niño con fie-
bre, se le viene a la mente aquel niño que examinó hace muchos años, en quien no
sospechó una leucemia, probándose más tarde que tenía la enfermedad. Si bien estas
estrategias pueden servir como pistas que ayudan en la construcción del espectro de
enfermedades, a menudo pueden engendrar un sesgo peligroso al no tomar en cuen-
ta la frecuencia de las enfermedades y la contribución real de los argumentos.(9) Es
necesario tener mucho cuidado con estas estrategias propias del razonamiento huma-
no y considerar siempre algunas leyes básicas de probabilidades.

Fisiopatología del síntoma o del signo.

Otra forma de llegar a la lista de causas podría ser un enfoque del tipo causa - efecto,
en el que se analicen la naturaleza del síntoma o del signo y las formas como estos
podrían producirse. En realidad, el paso 1 y 2 son complementarios: el momento en el
cual las asociaciones espontáneas han sido agotadas, el paso 2 permite re-encontrar
familias o capítulos enteros (en caso de ictericia, todas las ictericias hemolíticas; en caso
de vómitos, las patologías cerebrales).

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

do enfoque a la forma académica. Como ya lo hemos dicho, en la práctica los dos son
complementarios. Es importante subrayar que el enfoque fisiopatológico solo lo utili-
zamos aquí para completar la lista de causas.

El inventario y el análisis del peso de los argumentos

Para cada diagnóstico posible, se investigarán los síntomas y signos clave (los argumen-
tos). De nuevo, no tiene sentido una enumeración exhaustiva. Lo que nos interesa son
los argumentos con un fuerte poder de confirmación y/o de exclusión. Las petequias
son raras en caso de meningitis, pero si están presentes, tienen un fuerte poder de
confirmación, por lo tanto es muy importante investigar este signo. Al contrario, el
poder de confirmación y de exclusión que tiene el estreñimiento para una hepatitis es
bajo, por tanto no será necesario incluirlo dentro de nuestra lista de argumentos a
investigar ante tal sospecha.1

También es importante buscar los argumentos con un fuerte poder de exclusión: estos
permitirán descartar muy rápido una serie de hipótesis. Muchos de estos argumentos
son simples preguntas de anamnesis y examen físico que hacemos rutinariamente. Por
ejemplo, estamos en Quito (2800 m. de altitud, no hay transmisión de malaria) y aten-
demos a un paciente con fiebre. Le preguntamos si ha viajado a la costa o a la amazo-
nía en los últimos seis meses. Si el paciente dice que no ha viajado a la costa hemos
excluido inmediatamente una malaria y no necesitamos seguir investigando más en esa
dirección. Esta estrategia no funciona si estamos atendiendo al mismo paciente en una
ciudad de la costa o de la amazonía (hay transmisión de malaria): allí no hace falta pre-
guntar si ha viajado a una zona endémica, pues ya está allí, por eso estamos obligados

1
... pero en asociación con fiebre e ictericia, puede significar el inicio de una hepatitis, y en combinación con fiebre y leucopenia,
sugiere una fiebre tifoidea. Estos argumentos débiles podrán ser usados más tarde en la corroboración de nuestra sospecha
diagnóstica.

71
a pedir un examen de Plasmodium en gota gruesa de sangre, si esta es negativa habre-
mos excluido el diagnóstico, pues el poder de exclusión es fuerte.

Los puntos nodales

En la lista de los signos y de los síntomas, se busca los argumentos comunes a varias
enfermedades. Estos elementos constituirán los puntos nodales del camino lógico.

Desde el punto de vista teórico, estos pasos son extremadamente importantes para
la construcción de un “marco de trabajo” virtual, crucial en el “reconocimiento de un
patrón”.

Los puntos nodales sirven igualmente de pivote para la discusión de los elementos
confusores en el diagnóstico, es decir de los signos y síntomas comunes que son con-
siderados como “trampas” en el diagnóstico diferencial clásico.

Definición de las prioridades

Muy a menudo, el clínico piensa primero en las enfermedades más comunes. Esto en
cierto modo tiene sentido, sin embargo también puede inducir a cometer errores. Por
ejemplo, algunas normas de manejo de la fiebre, en áreas donde existe transmisión de
malaria dicen: "ante toda fiebre, piense primero en malaria". El problema es que el
médico sin experiencia, para quien esta estrategia habría sido concebida, puede olvi-
darse de que existen otros problemas menos frecuentes, pero tan o más graves que
la malaria, como la meningitis. Esto es más peligroso aún si se considera que, para esta
última, el pronóstico depende del inicio temprano de un tratamiento antibiótico.

Como lo señalamos más arriba, a este efecto lo llamamos “imagen congelada” e indu-
ce a un “sesgo de confirmación”.Toda estrategia diagnostica debe incluir reglas que evi-
ten esta “imagen congelada" sobre una enfermedad plausible que esconde otra enfer-
medad más grave. Es por eso que algunas prioridades deben ser determinadas antes
de iniciar la construcción de cualquier representación gráfica.

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

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

Los diferentes diagnósticos 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 construcción del panorama

¿Cómo representar el trabajo hecho hasta ahora en un esquema utilizable? La cons-
trucción de una representación gráfica, de un “marco de trabajo” sigue leyes muy pre-
cisas.

Subrayemos antes que todo, que nuestro ejercicio tiene una lógica exclusivamente
diagnóstica, aunque en la práctica, algunas medidas terapéuticas más 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-
tación sin importar cual es la causa de la diarrea. De ser necesario esta se investigará
más tarde. Ha sido probado que la mayoría de los clínicos nunca separa estos dos
aspectos, y que consideran las elecciones terapéuticas de forma temprana en su
encuentro con el paciente. El análisis presentado aquí solo concierne a los pasos lógi-
cos en la investigación de un diagnóstico.

Lo que proponemos es una representación gráfica paralela y ponderada, que hemos

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

La construcción del panorama equivale a poner en una suerte de mapa las enferme-
dades que van a ser objeto de análisis 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 árboles que estarán rodeando al argumento clave.

El argumento clave
El panorama diagnostico debe partir de un síntoma o signo clave, sin embargo el pano-
rama depende del contexto para el cuál va a ser diseñado. No es muy útil hacer un
panorama diagnostico sobre un problema genérico, por ejemplo “fiebre”. La lista de
enfermedades en este panorama va a ser demasiado extensa y difícil 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 niño en un
hospital provincial de la costa ecuatoriana”. De esta forma el panorama tendrá una
aplicación práctica inmediata.También se puede hacer un panorama para una situación
clínica particular, por ejemplo “cefalea en el paciente VIH positivo”.

Es importante que el argumento o problema clave genere una serie de hipótesis 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 más
útil.

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 definición 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 círculos concéntricos de colinas.

El círculo interno representa las patologías graves y tratables: un buen clínico siempre
hará una búsqueda de todas estas patologías aún si, desde el comienzo, una sola pato-
logía le parece la más probable.

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

ejemplo en un panorama para la “fiebre en el niño” se encontrará la gripe. En casi cual-
quier contexto lo más probable es que un niño con fiebre tenga solamente una gripe,
sin embargo para la gripe no tenemos ninguna intervención eficaz. Lo único que pode-
mos hacer es reducir las molestias y evitar que la temperatura suba excesivamente
provocando convulsiones. Por esa razón la gripe, como causa de fiebre en un niño, no
necesitará mayor investigación, por lo tanto se la ubica en el segundo círculo. Esto sig-
nifica que solamente se la tomará en cuenta cuando todas las enfermedades del círcu-
lo interno hayan sido excluidas.

También en el círculo externo se encontrarán enfermedades graves, muchas veces mor-

tales, pero para las cuales no hay ningún tratamiento. Por ejemplo en el panorama para
“tos crónica en un adulto” se encontrará el cáncer de pulmón. El diagnóstico de cáncer
de pulmón 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 diagnóstico, se hagan
todas las investigaciones necesarias para confirmar el mismo de manera que el paciente
y la familia sean adecuadamente informados, sin embargo esta investigación solo se hará
cuando las enfermedades del primer círculo hayan sido excluidas.

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

poco frecuentes, pero para las cuales es importante actuar rápidamente. En el pano-
rama para “ictericia en un adulto” una de las hipótesis será una leptospirosis. Esta es
una enfermedad infecciosa poco frecuente en la población 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, además, sea fácilmente tratable hace que tenga que estar en
el primer circulo. Una hepatitis viral es siempre más probable, pero para esta no hay
mucho que hacer, por lo tanto se la pondrá en el circulo externo.

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

clínico. La gravedad y la vulnerabilidad de las enfermedades son el criterio de prioriza-
ción más importante, mientras que la frecuencia será tomada en cuenta luego, cuando
lo urgente y tratable haya sido excluido para definir cual es finalmente la enfermedad
más probable. Este enfoque es compatible con la teoría del umbral de decisión, que
abordamos en el segundo capítulo. De hecho, las enfermedades del círculo interno son
justamente las que tienen un umbral bajo.

Resumiendo, en el panorama las enfermedades graves y tratables irán en el círculo

interno de colinas, mientras que las menos graves o poco tratables irán en el círculo
externo, sin tomar en consideración la frecuencia.

Los árboles
Para poder diferenciar entre una y otra patología nos servimos de los síntomas, signos,
exámenes de laboratorio e imágenes, es decir de los argumentos. Estos son los pun-

74
 El panorama

tos nodales de nuestro camino lógico y la eficacia y eficiencia que tengamos como clí-
nicos depende de una adecuada selección de los mismos: ¡el buen clínico es el que
sabe exactamente cuáles son las preguntas que se deben hacer! En el panorama estos
puntos nodales - argumentos están representados por los árboles que “adornan” las
colinas.

El grupo de árboles (argumentos) más importante es el que se encuentra al interior

del círculo interno de patologías. Estos argumentos son cruciales porque nos deben
permitir confirmar y-o excluir todas y cada una de las patologías que se encuentran en
el círculo interno, es decir las que hemos considerado prioritarias. Constituyen los
argumentos que obligatoriamente debemos preguntar-pedir a todo paciente que se
presente con el síntoma 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 está compuesto por pre-
guntas de anamnesis y examen físico que hacemos rutinariamente. En términos de cos-
tos podríamos decir que estas preguntas no tienen ninguna consecuencia, pues hacer
una palpación o una auscultación no cuesta nada, pero podría 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 implicación de incluir una de estas maniobras de examen
físico en el grupo de argumentos que se encuentran al interior del círculo interno es
que: “en todo paciente que se presente con el síntoma clave en cuestión tendríamos
la obligación de hacerla”. En el caso de los exámenes de laboratorio o de imágenes
hay otras consecuencias. Por un lado está el costo del examen y por otro está el posi-
ble riesgo del mismo. Si, por ejemplo, decidimos que en un determinado panorama
debemos incluir al interior del círculo interno una tomografía axial contrastada, la impli-
cación es que: “todo paciente que se presente con este síntoma clave deberá asumir
el costo y los riesgos de la tomografía axial contrastada”. Incluso, si el paciente está afi-
liado a un sistema de seguros, debería ser la aseguradora la que tendría -por razones
éticas - que asumir el costo del examen.

Por esa razón la selección de los argumentos - puntos nodales que se encuentran al
interior del círculo interno debe ser hecha con mucha precisión. Los criterios que
debemos tomar en cuenta para escoger estos argumentos son el poder de confirma-
ción y el poder de exclusión. Se dará preferencia a aquellos que tengan el más alto
poder de confirmación y-o de exclusión y que ayuden a discriminar bien entre una y
otra patología. 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 círculo o, si más bien, lo dejamos fuera
del círculo para tomarlo en cuenta más tarde cuando todas las demás patologías del
círculo interno hayan sido excluidas.

Hay que comprender muy bien que no está prohibido poner un examen de laborato-
rio o de imágenes al interior del círculo interno, pero si lo hacemos tenemos que jus-
tificar la razón: el costo o el riesgo de dicho examen debe tener menos peso que el
daño que podríamos provocar al dejar de hacerlo. Sobretodo hay que considerar que
la implicación será que, si el examen se encuentra al interior del círculo interno, va a
tener que ser realizado a todo paciente que se presente con el argumento clave.

75
Un segundo grupo importante de árboles son aquellos que se encuentran al exterior
del círculo interno. Estos son los argumentos que vamos a emplear en un segundo
momento del análisis diagnóstico cuando todas, excepto una de las patologías del cír-
culo interno hayan sido excluidas. Estos argumentos nos servirán para confirmar aque-
lla que no ha sido excluida.

Finalmente quedan los árboles más periféricos, aquellos que servirán para confirmar y-
o excluir las patologías del círculo externo.

A manera de ejemplo, retomamos aquí los pasos a seguir ante un problema difícil de
resolver: la ascitis en el adulto.

Ejemplo de panorama: ascitis en un adulto.

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

• Descompensación cardíaca
• 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 análisis más profundo, algunas enfermedades más raras se añaden:

• Metastasis o carcinomatosis peritoneales

• Sindrome nefrótico
• Pericarditis
• Enfermedad veno-oclusiva1

La fisiopatología
En forma paralela a la investigación de las causas, nos acordamos de la fisiopatología
del síntoma o del signo, lo que nos ayuda aún más a encontrar otras causas, o a poner
en orden las que ya tenemos.

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

na toda formación de edema.

• La presión en aumento de los capilares no juega ningún papel, conociendo que

los esfínteres 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 daño tóxico de los sinusoides hepáticos. Puede sobrevenir por el uso de altas dosis de quimioterapia o de aza-
tioprina en pacientes receptores de transplantes.También se ha documentado la intoxicación por alcaloides pirrolizidinicos pre-
sentes en heliotropos u otras plantas. En 1992 se presentó una epidemia en Tadjikistan debido a trigo contaminado con helio-
tropos causando cerca de 4000 casos. En Perú se ha documentado casos en personas que han consumido tisanas prepara-
das con Senecio tephrosioides, conocido como huamanrripa, como agente antitusígeno.

76
 El panorama

• La fuerza aspiratriz de las proteínas (presión oncótica) 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 síndrome nefrótico.

• La presión en descenso juega un rol extremadamente importante en las des-

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

Una ascitis puede estar simulada por la presencia de sangre en el peritoneo, en caso
de ruptura esplénica o de embarazo extra-uterino. Una "ascitis aguda" debe siempre
hacer pensar en estas eventualidades. La presentación de estas dos patologías puede
ser extremadamente traicionera, no podríamos dejar de considerarlas ante una "asci-
tis" que está acompañada de hipotensión o de vértigos.

Las prioridades
Las patologías graves y vulnerables, deben ser investigadas antes que nada: algunas des-
compensaciones, beriberi, pericarditis, tuberculosis, síndrome nefrótico ( y evidente-
mente las "falsas ascitis")

El inventario de los argumentos; los puntos nodales.

Después de haber encontrado los argumentos con poderes de confirmación o de
exclusión buena o fuerte, buscamos los síntomas 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 confirmación y o de exclusión y que, por lo
tanto, sirvan para discriminar entre las diferentes patologías:

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

78
 El panorama

Construcción del panorama

En primer lugar, dibujamos las patologías prioritarias para que formen el círculo inter-
no. Luego colocamos, al interior del círculo interno los “grandes argumentos”, es decir
aquellos argumentos que disponen de un poder de confirmación o de exclusión
importante y que van a ser pedidos - preguntados obligatoriamente a todas las per-
sonas con el síntoma clave. Estos argumentos son los puntos nodales que hemos esco-
gido de la matriz de análisis de los puntos nodales. Alrededor de las patologías, colo-
camos los otros argumentos fuertes que preguntaremos cuando las demás enferme-
dades del círculo interno hayan sido excluidas y nos ayudan a llevar el diagnóstico en
una o varias direcciones más 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 círculo interior. ¡Podría ser que se trata de un paciente con pericarditis, que
tiene dolor abdominal solo por casualidad! De esta manera una buena investigación de
todos los argumentos centrales permite una combinación inteligente, y previene que
nos equivoquemos.

Luego, añadimos en un círculo más lejano al centro, "en el horizonte", las enfermeda-
des no prioritarias, igualmente con sus "grandes argumentos". Por último, ligamos los
argumentos a sus respectivas patologías (Figura 6.5).

79
Figura 6.5 Panorama completo para ascitis.

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

Sin embargo, como ejercicio en la universidad o en una capacitación continua, puede
ser útil.

Otro ejemplo: dolor pélvico en la mujer

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

80
 El panorama

Figura 6.6 Panorama para dolor pélvico en la mujer

81
Conclusión
Reemplazamos el algoritmo dicotómico serial por una representación paralela y aná-
loga (ponderada) de nuestra lógica diagnóstica.

¿Quiere esto decir que nosotros seguimos siempre “panoramas” similares junto al
lecho de nuestros enfermos? Evidentemente no, lo que presentamos es una represen-
tación gráfica que permite realizar ejercicios de razonamiento. Además, en la mayoría
de nuestros enfermos el síntoma predominante no es ni alarmante, ni difícil de inter-
pretar. Una lógica netamente más simple puede ser seguida. Sin embargo las grandes
reglas siempre deben ser respetadas: reflexionamos siempre, preguntándonos si no hay
una patología peligrosa y tratable que se esconde detrás de un cuadro aparentemen-
te inocente. La mejor forma de interrogarse es utilizando los argumentos en el círcu-
lo interior, que deberá ser totalmente agotado antes de ir más lejos, aún 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
Apéndices
 Apéndice 1
Las escalas de probabilidad
Introducción
La epidemiología clínica fue desarrollada por epidemiólogos y matemáticos. Su lógica
es fundamentalmente diferente a la de los clínicos: los primeros basan su pensamien-
to sobre una población y sobre datos matemáti-
Epidemiólogo: población
cos mientras que los últimos lo basan sobre un matemática
enfoque intuitivo y sobre un paciente en particu-
lar. Para la mayor parte del personal médico, es Clínico: paciente
difícil aplicar estas nociones de epidemiología en intuición
su actividad cotidiana. (1)

Para superar esta brecha, varios instrumentos han sido construidos y propuestos en la
literatura médica. El más conocido de todos es el nomograma de Fagan. (2) Este instru-
mento visual permite, con el trazo de una línea que pasa a través del poder de confir-
mación, 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 línea 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 más interesantes para hacer del uso del
Teorema de Bayes algo fácil de utilizar tiene todavía algunas limitaciones. La primera
limitación es que solo se puede observar el cambio producido por un argumento a la
vez. Si quisiéramos ver el cambio producido por varios argumentos en serie tendría-
mos que poner varios nomogramas, uno al lado del otro.(3) La segunda y quizás más
importante limitación es que, quien usa el nomograma debe saber cómo calcular el
likelihood ratio, tanto negativo como positivo. Sabemos que likelihood ratio es sinónimo
del poder de un argumento, por tanto eso no debería ser un problema para quienes
ya han leído los capítulos anteriores de este libro. Sin embargo para la forma negativa
de éste parámetro, es decir para el poder de exclusión, el resultado es un número deci-
mal inferior a 1. Esto constituye un importante problema de interpretación. Es más fácil
“visualizar” la diferencia que existe entre un poder de exclusión 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 métodos han sido propuestos con menos
éxito, (4) sin embargo, y a pesar de las limitaciones que mencionamos antes, éste sigue
siendo propuesto en la mayor parte de literatura médica 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 todavía increíble es que haya habido tan poco interés en la literatura
médica por desarrollar modelos que superen las limitaciones de los métodos hasta
ahora propuestos.

En este libro hemos descrito un modelo que trata de hacerlo, permitiendo al perso-
nal médico integrar fácilmente todas las nociones de toma de decisiones en su prácti-
ca cotidiana, respetando el fundamento matemático intrínseco.(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 capítulos principales de este libro.

Estos son:
• que el clínico siempre debe basarse en una probabilidad pre-test.
• que cada argumento tiene un poder relativo intrínseco.
• que el poder discriminativo de un argumento es a menudo asimétrico.
• que el clínico deberá alcanzar un cierto umbral de certeza antes de poder iniciar
cualquier acción médica.

Límites de una escala nominal

De acuerdo a su experiencia personal y su intuición, un médico “sabe” que una enfer-
medad en particular es frecuente mientras que otra le parece extremadamente rara;
“siente” que un argumento es más o menos fuerte en la confirmación o en la exclu-
1
Para el poder de exclusión hacemos la división 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
 Apéndice 1

sión de una hipótesis diagnóstica;“percibe” también que luego de haber reunido varios
argumento anamnésicos, clínicos y paraclínicos, la probabilidad post-test de su pacien-
te ha alcanzado el umbral de confirmación necesario para iniciar un tratamiento.

Nuestro razonamiento no funciona con cifras si no con conceptos que más o menos
respetan una escala nominal, una escala basada en palabras que representan catego-
rías. Lo mismo les sucede a los pacientes : si una mujer de 60 años le pregunta a usted
cual es su probabilidad de que ella se enferme de SIDA (no presentando ningún sín-
toma de la enfermedad), le comprenderá mejor si usted le dice que esa posibilidad es
inverosímil que si usted le dice que en su caso la probabilidad pre-test es de 0,01%.

Los médicos no cuantifican el valor de una tasa de prevalencia, sino que dicen que una
cierta hipótesis es muy rara, rara, habitual, frecuente o muy frecuente. Así mismo cali-
fican la fuerza de un argumento como débil, buena o fuerte, y las probabilidades pre y
post-test como inverosímil, poco verosímil, poco probable, eventual, posible, probable,
muy probable, seguro, etcétera.

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

varios médicos que califiquen con adjetivos las probabilidades expresadas en porcen-
tajes ¡las respuestas serán muy diferentes!

Por esa razón no se puede fijar una cifra definitiva a las categorías mencionadas. En la
Figura A 1.2 las damos solo como un ejemplo para su interpretación.

Figura A 1.2: Categorías 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 correspondería 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. Habría que encontrar
una transformación matemática que junte la escala nominal del clínico con la escala
numérica del epidemiólogo.

Límites de una escala numérica lineal

Hemos visto, en los capítulos del libro, que cada hipótesis tiene una cierta probabilidad
pre-test de corresponder con el diagnóstico del paciente, y que los argumentos reco-
gidos nos llevan a una cierta probabilidad post-test cuyo valor dependerá 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 gráficamente porque el médico 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 acción 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 sería necesario “estirar” los extremos y la única manera de lograrlo es
con una escala logarítmica.

88
 Apéndice 1

Límites de la expresión numérica de la razón de verosimilitud

Un problema similar existe también con los poderes de un argumento cuyos valores
son intrínsecamente exponenciales y deberían estar representados sobre una escala
logarítmica más que en una escala numérica lineal. Explicaremos esto en detalle :

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

10 veces más 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 será de 9%, mientras que con el segundo será de 50%. Este segundo
valor no es 10 veces mayor que el primero, en realidad es bastante inferior de lo
que podíamos esperar

• Por otro lado, la ganancia en certeza

Para realizar una ganancia en certeza
lograda con un argumento varía 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- ciación sigue una escala logarítmica.
mento depende de la probabilidad
pre-test de la enfermedad considerada: si ésta es de 10%, la probabilidad post-
test será de 90% y la ganancia en certeza de 80%; si ésta es de 90% la probabili-
dad post-test será 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 pequeña ganancia si esta es alta. Este fenómeno 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 logarítmico en relación a las probabilidades pre-test y post-test

Estamos acostumbrados a estimar las probabilidades como proporciones aritméticas,

lo más a menudo en porcentaje, sin embargo la intuición se adapta mucho mejor a una
escala logarítmica. Esto no tiene nada de sorprendente. Cuando hace 400 años Napier
desarrolló el principio de los logaritmos lo hizo justamente para facilitar el cálculo intui-
tivo.(8) En ese entonces no existían las calculadoras y a la gente se le hacía extremada-
mente difícil realizar multiplicaciones y divisiones con más dos cifras. Lo más adecuado
era tener una escala categórica que permita hacer sumas en lugar de multiplicaciones
y restas en lugar de divisiones. Un poco más tarde Oughtred desarrolló la primera
regla de cálculo que nuestros padres usaron hasta los años sesenta del siglo pasado y
que sirvió para hacer trabajos tan complejos como el cálculo estructural del Empire
State Building.(9) La genialidad de la regla de cálculo es que estaba basada en operacio-
nes logarítmicas.Vendría a ser algo así como el nomograma de Fagan pero que gracias
a operaciones con logarítmicos permitía hacer cálculos matemáticos muy complejos.

Esto también se observa en otros dominios de la vida. La famosa escala de Richter que
nos permite predecir la intensidad de un terremoto también es logarítmica, así como
la escala de notas en un teclado de piano. Entonces ¿por qué no existe en medicina
una escala de este tipo que se pueda adaptar fácilmente a nuestra intuición? Esto per-
mitiría “visualizar” los extremos y además sumar y restar argumentos sin necesidad de
hacer multiplicaciones ni transformaciones complejas.

No es necesario caer en estado de pánico ahora que vamos a explicar la escala loga-
rítmica para la práctica clínica. Para comprenderla es necesario regresar un momento
a la noción 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. Así 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. Notarán
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 razón. Por el contrario cuando habla-
mos en probabilidades el grupo de enfermos está incluido dentro del total de pacien-
tes; es decir es una proporción. Al ser el primero una razón podemos dividir el grupo
de “enfermos” para el grupo de “no enfermos” y obtenemos lo que en realidad sería
el odds. De esta manera, si la probabilidad de estar enfermo es de 1 sobre 10000,
entonces la razón “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 noción de odds está clara, no queda nada más que calcular el logarit-
mo de base 10 de nuestro resultado en odds (log10 odds). Una vez más, no hace falta
caer en pánico, esto se hace muy fácilmente con una función de excel. El equivalente
en log10 odds de estas dos últimas 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
 Apéndice 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 serían 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 logarítmica presenta varias ventajas:

• Está construida alrededor de un eje de simetría que corresponde a una probabi-

lidad de 50% : el valor log10 odds de 50% es 0. Esta noción es muy compatible
con nuestra intuición: un paciente que tiene una probabilidad de 50% de estar
afectado por una enfermedad se encuentra como situado en una posición neu-
tra en la que tiene tanto riesgo de presentar la enfermedad como de no presen-
tarla.
• Permite un trabajo mucho más 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.
• Está globalmente más adaptada a la escala nominal utilizada intuitivamente por la
mayoría de los clínicos.

Ventajas en relación a los poderes de un argumento

Como ya dijimos antes los valores de los poderes de un argumento no son lineares si
no exponenciales. También se derivan de una razón: los verdaderos contra los falsos.
Para el poder de confirmación los verdaderos positivos contra los falsos positivos,
mientras que para el poder de exclusión los verdaderos negativos contra los falsos
negativos. Por esa razón los poderes de los argumentos también podrían ser represen-
tados en logaritmos.

Esto permite clasificar a los poderes de los argumentos en categorías: los argumentos
con un poder de 100, 10 y 1 tendrán en la escala log10, los valores respectivos de 2,
1, y 0, de esta manera ya se puede poner un nombre “cualitativo” a cada categoría. Esto
se detalla en la siguiente tabla.

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

Poder del argumento Poderes en log10 Clasificación cate-

calculado y rango górica 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 Débil

1 0 0 Inútil

92
 Apéndice 1

Aplicación del teorema de Bayes en una escala logarítmica

Todo lo anterior ya permite utilizar el Teorema de Bayes sin utilizar cálculos complica-
dos. Para hacerlo vamos a usar la escala de probabilidades en log10 odds que vimos
en los párrafos precedentes y aplicaremos las categorías 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 está presente, o restarlo si el argumento está
ausente, siguiendo la siguiente fórmula:

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

Así, 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 será de - 3) en quien ponemos en evidencia un argumento que tiene un
poder de confirmación muy fuerte (cuyo poder de confirmación 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, aún si el test es positivo. Una certeza de -1 en log10 odds significa una
probabilidad de 10%. El detalle de este cálculo con los tres métodos, el clásico Bayes,
el categórico y el intuitivo se puede ver en la Tabla A 1.3

Tabla A 1.3: Cálculo de probabilidades con tres métodos

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)

Logarítmica -3 + 2 = -1

una enfermedad un argumento

Clínica “rara” sospecha- que con un poder es “probable”
(intuitiva) da en un pacien- presenta de confirmación
te muy fuerte

93
Conclusión
Los clínicos que han tenido la ocasión de familiarizarse con esta escala logarítmica pue-
den utilizar fácilmente los datos epidemiológicos como las probabilidades pre y post-
test y el poder de los argumentos en su trabajo cotidiano. La fórmula matemática del
teorema de Bayes se convierte así en algo mucho más “manejable”.

En este apéndice hemos presentado un modelo para la representación de las bases de

la epidemiología diagnostica clínica que ofrece tres ventajas principales :

1. Permite hacer ejercicios prácticos mucho más ligeros porque ya no requieren cál-
culos complicados;
2. Se facilita la comprensión de la evolución del valor de la probabilidad post-test
luego de cada argumento encontrado en el paciente, noción necesaria para
poder analizar problemas clínicos complejos;
3. Ofrece una estructura lógica que permite a los clínicos efectuar su trabajo coti-
diano de una manera más científica.

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
 Apéndice 2
El teorema de BAYES
Con frecuencia escuchamos hablar sobre el Teorema de Bayes. Este teorema fue
desarrollado en 1764 por el matemático y religioso Thomas Bayes con el propósito de
calcular las probabilidades condicionales, es decir la probabilidad de que un evento
ocurra (o no ocurra) a condición 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 más como un método de análisis en muchas áreas del conocimiento científico.(2)

En medicina clínica se recomienda su uso, entre otras cosas, para averiguar la probabi-
lidad de un diagnóstico a condición de que un signo o síntoma esté presente.(3;4)

Para comprender mejor vamos a retomar el ejemplo de criminología del segundo capí-
tulo, en el cual estudiábamos la relación existente entre el hecho de llevar un arma y
aquel de pertenecer a un grupo de ladrones de banco: es posible que, aún en situa-
ción de paz, la policía descubra una persona que, a pesar de estar armada, no perte-
nece a la banda de ladrones. La sospecha frente a esta persona será muy diferente
según el tamaño del perímetro cercado alrededor del banco, por ejemplo, si el núme-
ro de ladrones es de 20 entre 100 personas requisadas, el hecho de encontrar un arma
en alguna de estas personas llevará a una certeza más alta que la que se obtendría si
los ladrones fueran 20 entre 1000 personas requisadas.

Con esta misma lógica, la relación existente entre la presencia de edema en el dorso
del pie y el kwashiorkor es muy diferente si la estudiamos en la población general, entre
los que consultan un centro de salud, o entre los que están en un centro de recupe-
ración nutricional. La prevalencia de kwashiorkor es muy elevada en este último grupo,
y de esta forma la presencia de edema en el dorso del pie en uno de los niños de este
centro llevará más fácilmente a pensar en esta patología. Por el contrario, el mismo
argumento entre quienes consultan en un centro de salud no hace pensar inmediata-
mente en este diagnóstico. Esto no quiere decir que hay un cambio en el poder de
confirmación 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 niño en un centro de salud o de
otro en un centro de recuperación nutricional. Lo que sucede es que en la primera
situación el kwashiorkor es menos frecuente que en la segunda. En un centro de salud
no solo llegan niños desnutridos, más bien la mayor parte son niños con estado nutri-
cional normal, entonces el mismo signo puede estar causado por otras patologías
como insuficiencia cardíaca, flebitis o síndrome nefrótico. En el centro de recuperación
nutricional, en cambio, al menos la cuarta parte de los niños que llegan tendrán kwas-
hiorkor, si encontramos el signo es casi seguro que se debe a esta enfermedad.1

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

condición de edema del pie, es más alta cuando un niño está en un centro de recupe-
ración nutricional, que cuando está en un centro de salud; porque en el primer caso la

1
Para los lectores más avanzados: la especificidad también varía con la situación, en la medida en que la mezcla de enfermos en
las otras personas, que no presentan la enfermedad en cuestión, varía también. Pero esta diferencia en especificidad juega un
rol menos importante que la diferencia en prevalencia.

95
probabilidad de inicio (antes de conocer la condición de tener edema del pie) es más
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 patología y las otras no; pero sin que estas muestras sean
representativas de la población general, tomando en cuenta solamente a la sensibilidad
y la especificidad del test pero no a la prevalencia de la enfermedad en la población.

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

ción real en la que está situado el médico el momento en que realiza su trabajo de
búsqueda del diagnóstico de su paciente. La población de enfermos y no enfermos,
con la cual el médico trabaja, es realmente una muestra representativa de la población,
permitiendo interpretar los resultados de un test aplicado a un paciente individual.

El problema clínico que un médico tiene en su trabajo de todos los días es que no sabe
si el paciente tiene la enfermedad o no; solo tiene, como elemento de análisis, el resulta-
do de los diferentes test anamnésicos, clínicos o paraclínicos, y lo que le interesa es inter-
pretar el significado de estos resultados.

Con el siguiente ejemplo trataremos de comprender la lógica que explica este fenó-
meno:
Realizamos un estudio de seroprevalencia para VIH en una población 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 país 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 están escri-
tos los valores de sensibilidad y de especificidad del test (en el centro de la tabla) y la
representación cifrada de los cuatro sub-grupos de la población según 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
 Apéndice 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 podrán estar tranquilos, pues no serán 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 África, nueve de

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

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

2 y 3):

97
Figura A 2.1: situación de investigación: igual número 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 mínima: 0,01% de personas infectadas

Verdaderos
negativos

Se observa que entre todos los que tuvieron un resultado positivo al test, la propor-
ción de verdaderos positivos va disminuyendo progresivamente a medida que dismi-
nuye la prevalencia. Nótese que la sensibilidad y la especificidad, es decir las relacio-
nes verticales, no han cambiado (En la última figura, el número de falsos negativos es
tan pequeño que la impresora no logra imprimirlo)

Estas consideraciones nos llevan a hablar de la noción que en epidemiología se cono-

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

98
 Apéndice 2

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

individuo de tener la enfermedad cuando tiene un test positivo.

También nos permite conocer el valor predictivo después de un argumento negativo

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

Nótese que lo último no es igual al Valor predictivo negativo. El valor predictivo des-
pués 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 “clásico”, que se aprende en epidemiología, toma en cuenta la probabilidad de NO
estar enfermo, lo cual es muy poco útil y confuso para la práctica clínica, por lo tanto
no lo estudiaremos aquí.

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

tanto el valor predictivo positivo como el valor predictivo después de un test negati-
vo varían 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 población en la que trabajamos podemos aplicar la siguiente fórmula :
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 diagnóstico de VIH es 95%, la especifici-

dad es 99% y la probabilidad de tener VIH para una persona perteneciente a la pobla-
ción del Ecuador es de 0.01%, entonces podemos reemplazar los símbolos en la fór-
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 población general y que no presenta ningún síntoma, 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%. Nótese que para realizar el cálculo tuvimos que transformar los porcenta-
jes en probabilidades, es decir que los dividimos para 100, de lo contrario hubiéramos
tenido que cambiar la fórmula.

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

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

99
Es útil haber visto e interpretado estas fórmulas calculándolas uno mismo por lo
menos una vez, para que se pueda comprender el concepto. De allí en adelante será
mucho más fácil y útil representarlas en una tabla de cuatro entradas; sin embargo es
muy raro que un médico clínico tenga el tiempo y las ganas de hacerlo. ¡Son muy raras
las personas que se acuerdan de estas fórmulas! 1

Fuerza de un argumento aplicado a un paciente en particular

Hasta aquí hemos visto el teorema de Bayes según la prevalencia de la enfermedad en
la población. 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 región donde trabajamos? De hecho estas personas
pertenecen a dos sub-poblaciones diferentes: la sub-población de prostitutas y la de
religiosos de cualquier país no tienen para nada la misma prevalencia de infección por
VIH. De esta forma como para el caso de los dos países con prevalencias que difieren
en un factor de 1000, el número de falsos positivos será muy diferente según se con-
sidere la sub-población de prostitutas (prevalencia de personas VIH+ muy elevada) o
la subpoblación 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 según el contexto de trabajo

La tasa de prevalencia en una población nos informa sobre la proporción de personas
afectadas por esta enfermedad en la población general. Esta tasa es entonces utiliza-
da durante los estudios epidemiológicos de una población. 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-
logía.

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

en nuestro contexto de trabajo. Cuando un paciente llega a la consulta del médico y
se sienta en la sala de espera tiene casi con seguridad algún problema de salud. Si un
día 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 reflexión: en los últimos 100 pacientes que he visto ¿qué enfermedades he
encontrado? Supongamos el caso de un cardiólogo que por un momento analiza la
prevalencia de enfermedades de los pacientes que se encuentran en su sala de espe-
ra. Podrá 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 síndrome de Adams Stokes se presenta muy rara vez
en la carrera profesional de cualquier cardiólogo, por tanto su frecuencia será, al menos

1
Para poder hacer algunos ejercicios sobre este tópico 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”. Allí podrán descargar de
forma gratuita el programa “Advanced course in Clinical Epidemiology”. Este programa está en diferentes idiomas incluido el
español. Existen también varios artículos y publicaciones que explican esto en profundidad pero quizás las más importantes
son las de Sackett .(5;6)

100
 Apéndice 2

de 1 en 5 mil. Del mismo modo un médico general que trabaja en un centro de salud
puede estimar que la cuarta parte de sus pacientes vienen con un síndrome respira-
torio agudo, una octava parte tienen infección de vías urinarias, otra octava parte ten-
drán diabetes o hipertensión; en cambio una insuficiencia cardiaca - que en el consul-
torio de un cardiólogo ocupa la cuarta parte - se presentará en 1 de cada 500 pacien-
tes que acuden a la consulta del médico 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 clínica, 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-
cisión que logramos con esta estimación ya es suficiente como para empezar el razo-
namiento diagnóstico. El descubrimiento o la ausencia de un argumento investigado
harán variar esta sospecha inicial (también conocida como probabilidad pre - test)
según la fuerza del argumento en cuestión. Si el argumento es positivo, su poder de
confirmar el diagnóstico sospechado va a añadirse al valor de la probabilidad pre-test;
si es negativo su poder de exclusión se sustraerá del valor de la probabilidad pre-test.

Resumiendo, podríamos retomar las prevalencias de infección VIH en los dos países
como sospecha para nuestros dos casos clínicos, el obispo y la prostituta. Para la pros-
tituta, podríamos asumir como si el test VIH ha sido efectuado en una población 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 población de prostitu-
tas con un test VIH positivo es de 91% (950/1040).

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

test en 0.1%. Si el test rápido para VIH - que tiene la misma sensibilidad y especificidad
del que se aplicó a la prostituta - resulta ser positivo, llegaría 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.
¿Cómo 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
estimación de probabilidades. Uno es el poder o fuerza intrínseca 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, aún si aplicamos un test muy fuerte, el resultado positivo incrementará la
probabilidad hasta un nivel todavía bajo. Por el contrario en un individuo en el cual la
sospecha inicial ya es muy alta, la aplicación de un test débil puede llevar a alcanzar una
certeza considerablemente alta. Por increíble que parezca, este es el origen de muchos
errores de interpretación de exámenes en la práctica clínica, así como también de mala
interpretación de resultados de estudios clínicos que han sido publicados en famosas
revistas internacionales.(7)

La probabilidad post-test se traduce en lenguaje clínico 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 explicó en el
capítulo 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 capítulo 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
traducción al castellano sería “razón de probabilidad”. El poder de confirmación sería el
“likelihood ratio positivo”, mientras que el poder de exclusión sería el “likelihood ratio
negativo”

La fórmula para calcular para calcular el likelihood ratio positivo es básicamente la misma
que vimos en el capítulo 4 para la estimación del poder de confirmación, pero aquí la

PT | E
LHR + =
PT | E

vamos a escribir en lenguaje matemático.

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 condición”.

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 exclusión que aprendimos en el capítulo 4.

En este caso LHR- significa likelihood ratio negativo, PT significa probabilidad de tener
un test negativo, el resto de símbolos son los mismos que se utilizaron en la fórmula
de arriba.

102
 Apéndice 2

Así mismo podrán notar que esta fórmula equivale a decir falsos negativos / verdade-
ros negativos. Por eso decimos que difiere un poco de la que se mostró en el capítu-
lo 4 para el poder de exclusión, pues dicha formula era verdaderos negativos / falsos
negativos. Como se podrá observar esta última fórmula no es más que el inverso de
la primera. Esta es una astucia matemática realizada con el fin de obtener resultados
superiores a 1, que facilitan el cálculo con el método explicado en el capítulo 4.

Debido a que el “likelihood ratio” se deriva de la sensibilidad y de la especificidad es lógi-

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

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 más requerirá una transformación en probabilida-
des. Esto está explicado en el apéndice relacionado con la escala logarítmica.

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 más de un
diagnóstico a la vez. La otra limitación es que supone que los argumentos son condi-
cionalmente independientes, por ejemplo que la deshidratación 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 método de las redes Bayesianas que permiten
diagnósticos múltiples y utilizan relaciones de dependencia mucho más ricas que el
método clásico.

Explicar en detalle las redes Bayesianas está fuera del propósito de este texto, sin
embargo tienen un gran potencial para el desarrollo de sistemas expertos en medici-
na. Para quien tenga curiosidad en conocer más sobre este método recomendamos
visitar el sitio web del Proyecto ELVIRA desarrollado por la Universidad Nacional de
Educación a Distancia en España.

103
Conclusión
A manera de conclusión de este anexo, podemos decir que:

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

que una persona tenga un determinado diagnóstico a condición 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 varía con la prevalencia de la enfermedad en la

población.

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

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

• Las redes Bayesianas son métodos 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
 Apéndice 3
¿Qué son los logaritmos?
En varios capítulos del libro hemos mencionado a los logaritmos. Casi siempre este
tema causa alguna resistencia entre los médicos. 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 número 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 fácilmente con una hoja de Excel.(Figura A 3.1) Hacemos una pri-
mera columna en la que ponemos números del 0.001 hasta el 1000 y en una segun-
da columna insertamos la función del logaritmo de base 10 que se encuentra en el
menú insertar/funciones, escogiendo la función LOG10 y escribiendo en el paréntesis
la celda del número que queremos transformar a logaritmo. En este ejemplo transfor-
mamos el número 0.001, que se encuentra en la celda A2.
Figure 1: Insertando la funcion logaritmo en excel.

105
Ahora podemos copiar esta función en las otras celdas y obtenemos los logaritmos de
cada uno de los números.(figura A 3.2) Nótese que el logaritmo de uno (1) es cero
(0).

Figura A 3.2:

Los exponentes no necesitan ser números 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.

¿Cuál es la utilidad de esto? Al expresar todo en términos de 10 elevado a una poten-

cia podemos multiplicar números 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 obtendría-
mos al multiplicar 1.788 x 5.012. Esto era de una importancia enorme hace 400 años,
en el tiempo en que Napier desarrolló el concepto de los logaritmos. En ese enton-
ces no había calculadoras, por lo cual era imposible hacer operaciones matemáticas
complejas como multiplicaciones y divisiones, pero existían tablas logarítmicas y reglas
de cálculo, que fueron las precursoras de las calculadoras, las que permitían convertir
toda multiplicación o división 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 años 60, nuestros padres y tíos todavía usaban
las reglas de calculo, ya que no contaban con calculadoras electrónicas, y con el uso de
éstas pudieron hacer grandes obras de ingeniería, como el cálculo estructural del
Empire State Building en Nueva York.

¿Cuál 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 común. Por

106
 Apéndice 3

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

Richter, que no es más que una escala logarítmica, los músicos aprenden las notas en
el teclado de un piano con una escala logarítmica, en el colegio nos explican el grado
de acidez o alcalinidad con el pH, que es otra escala logarítmica. ¿Por qué en medicina
no tenemos una escala que sirva para medir el “peso” de un argumento?, de manera
que solo tengamos que añadir 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 confirmación y de exclu-

sión, así como la escala de probabilidades en logaritmos.

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

107
9 789978 926536