Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Página 1
Decisión médica
Haciendo
Página 2
Decisión médica
Haciendo
Segunda edicion
Harold C. Sox, MD
Escuela de Medicina Geisel en Dartmouth, Hanover, New Hampshire
Página 3
Esta edición se publicó por primera vez en 2013, © 2013 por John Wiley & Sons, Ltd.
Primera edición publicada en 1988 © 1988 Butterworth Publishers, Stoneham, MA, EE. UU.
Wiley-Blackwell es una huella de John Wiley & Sons, formada por la fusión de Wiley Global Scientific,
Negocio técnico y médico con Blackwell Publishing.
Oficina registrada: John Wiley & Sons, Ltd, The Atrium, Southern Gate, Chichester,
West Sussex, PO19 8SQ, Reino Unido
Oficinas editoriales: 9600 Garsington Road, Oxford, OX4 2DQ, Reino Unido
The Atrium, Southern Gate, Chichester, West Sussex, PO19 8SQ, Reino Unido
111 River Street, Hoboken, Nueva Jersey 07030-5774, EE. UU.
Para obtener detalles de nuestras oficinas editoriales globales, para servicios al cliente y para obtener información sobre cómo postularse
para obtener permiso para reutilizar el material protegido por derechos de autor de este libro, consulte nuestro sitio web en
www.wiley.com/wiley-blackwell.
El derecho de los autores a ser identificados como autores de este trabajo se ha afirmado de acuerdo con
la Ley de Derechos de Autor, Diseños y Patentes del Reino Unido de 1988.
Reservados todos los derechos. Ninguna parte de esta publicación puede ser reproducida, almacenada en un sistema de recuperación o
transmitido, en cualquier forma o por cualquier medio, electrónico, mecánico, fotocopiado, grabación o de otro modo,
excepto según lo permitido por la Ley de derechos de autor, diseños y patentes del Reino Unido de 1988, sin el permiso previo de
el editor.
Las designaciones utilizadas por las empresas para distinguir sus productos a menudo se reclaman como marcas comerciales. Toda la marca
Los nombres y nombres de productos utilizados en este libro son nombres comerciales, marcas de servicio, marcas comerciales o marcas registradas.
marcas comerciales de sus respectivos propietarios. El editor no está asociado con ningún producto o proveedor.
mencionado en este libro. Esta publicación está diseñada para proporcionar información precisa y fidedigna.
en lo que respecta al tema tratado. Se vende en el entendido de que el editor no está comprometido
en la prestación de servicios profesionales. Si se requiere asesoramiento profesional u otra asistencia de expertos, el
Se deben buscar los servicios de un profesional competente.
El contenido de este trabajo está destinado a promover la investigación científica general, la comprensión y
discusión solamente y no tienen la intención y no se debe confiar en que recomienden o promuevan una
método, diagnóstico o tratamiento específico por parte de profesionales de las ciencias de la salud para cualquier paciente en particular. los
el editor y el autor no hacen declaraciones ni garantías con respecto a la precisión o
integridad del contenido de este trabajo y específicamente renuncia a todas las garantías, incluso sin
limitación cualquier garantía implícita de idoneidad para un propósito particular. En vista de la investigación en curso,
modificaciones de equipos, cambios en las regulaciones gubernamentales y el flujo constante de información
relacionados con el uso de medicamentos, equipos y dispositivos, se insta al lector a revisar y evaluar el
información proporcionada en el prospecto o instrucciones para cada medicamento, equipo o dispositivo para,
entre otras cosas, cualquier cambio en las instrucciones o indicación de uso y para advertencias y
precauciones. Los lectores deben consultar con un especialista cuando sea apropiado. El hecho de que una organización o
En este trabajo se hace referencia al sitio web como una cita y / o una fuente potencial de información adicional no
significa que el autor o el editor respalda la información que la organización o el sitio web pueden proporcionar
o recomendaciones que pueda hacer. Además, los lectores deben tener en cuenta que los sitios web de Internet enumerados en este
el trabajo puede haber cambiado o desaparecido entre el momento en que se escribió y el momento en que se leyó. No
La garantía puede crearse o ampliarse mediante declaraciones promocionales para este trabajo. Ni el editor
ni el autor será responsable de los daños que se deriven de ello.
Medias, Harold C.
Toma de decisiones médicas / Harold C. Sox, Michael C. Higgins, Douglas K. Owens. - 2ª ed.
pag. ; cm.
Rev. ed. de: Toma de decisiones médicas / Harold C. Sox, Jr. ... [et al.]. c1998.
Incluye referencias bibliográficas e indice.
Resumen: '' Este título proporciona una comprensión profunda de la infraestructura clave para la toma de decisiones de
práctica clínica y mantiene su énfasis en la práctica y los principios de la decisión médica individualizada
making '': proporcionado por el editor.
ISBN 978-0-470-65866-6
I. Higgins, Michael C. (Michael (papel)
Clark), 1950- II. Owens, Douglas K. III. Toma de decisiones médicas. IV.
Título.
[DNLM: 1. Diagnóstico, diferencial. 2. Análisis de costo-beneficio. 3. Toma de decisiones. 4. Probabilidad.
WB 141,5]
616.07 5 - dc23
2012047951
Wiley también publica sus libros en una variedad de formatos electrónicos. Algunos contenidos que aparecen impresos pueden
no estará disponible en libros electrónicos.
Ubicado en 9.5 / 12pt Palatino por Laserwords Private Limited, Chennai, India
1 2013
Página 4
Página 5
Contenido
Prólogo, xi
Prefacio, xv
1 Introducción, 1
1.1 ¿Cómo puedo ser minucioso pero eficiente al considerar las posibles
causas de los problemas de mi paciente? 1
1.2 ¿Cómo caracterizo la información que he recopilado durante el
entrevista médica y examen físico? 2
1.3 ¿Cómo interpreto la nueva información de diagnóstico? 5
1.4 ¿Cómo selecciono la prueba de diagnóstico adecuada? 5
1.5 ¿Cómo elijo entre varias alternativas de tratamiento de riesgo? 6
1.6 Resumen, 6
2 Diagnóstico diferencial, 7
2.1 Introducción, 7
2.2 Cómo los médicos hacen un diagnóstico, 8
2.3 Los principios del diagnóstico diferencial basado en hipótesis, 11
2.4 Un ejemplo extendido, 21
Bibliografía, 26
vii
Página 6
viii Contenido
Página 7
Contenido ix
10 Análisis
de costo-efectividad y análisis de costo-beneficio, 288
10.1 Los roles conflictivos del médico: defensor del paciente, miembro de la sociedad,
y emprendedor, 288
10.2 Análisis de rentabilidad: un método para comparar la gestión
estrategias, 291
10.3 Análisis de costo-beneficio: un método para medir el beneficio neto de
servicios médicos, 298
10.4 Medición de los costos de la atención médica, 301
Problemas, 304
Bibliografía, 305
11 Análisis
de decisiones médicas en la práctica: métodos avanzados, 307
11.1 Una descripción general de las técnicas de modelado avanzadas, 307
11.2 Uso de conceptos de toma de decisiones médicas para analizar una política
problema: la rentabilidad de la detección del VIH, 311
11.3 Uso de conceptos de toma de decisiones médicas para analizar una clínica
problema de diagnóstico: estrategias para diagnosticar tumores en el pulmón, 323
11.4 Uso de modelos complejos para la toma de decisiones de pacientes individuales, 330
Bibliografía, 333
Índice, 337
Página 8
Prefacio
xi
Página 9
xii Prefacio
Página 10
Prólogo xiii
Jerome P. Kassirer, MD
Profesor distinguido, Facultad de Medicina de la Universidad de Tufts, EE. UU.
Profesor invitado, Escuela de Medicina de Stanford, EE. UU.
Página 11
Prefacio
La primera edición de Medical Decision Making fue un pequeño proyecto que asumió un
vida propia. Los capítulos comenzaron como bocetos para un curso sobre decisión médica.
haciendo que los autores se comprometieran como parte de una subvención de la fundación para estudiar
métodos para enseñar la toma de decisiones médicas. Gracias al entusiasmo de
coautores Keith Marton y Michael Higgins, el proyecto despegó y se convirtió
en un libro publicado por Butterworths en 1988. Un estudiante de medicina de Stanford,
Marshal Blatt, leyó los capítulos y nos dio valiosos consejos sobre cómo hacer
el libro más comprensible para los estudiantes principiantes. Debimos haber escuchado
a él porque muchos estudiantes nos han agradecido por escribir un libro que ellos
podría entender.
Han transcurrido veinticinco años desde la publicación. Toma de decisiones médicas
se ha vendido de manera constante a través de una sucesión de editores. Médicos y decisión
analistas de todos los rincones del mundo se me han acercado para decirme que el
libro fue fundamental en su compromiso con el campo de la toma de decisiones médicas
En g. La gente ha pedido una segunda edición, pero los autores, habiendo trasladado
en carreras dispares, nunca estuvieron listos hasta el año pasado. he estado
un defensor del análisis de decisiones médicas como profesor, internista en ejercicio,
editor de revistas médicas y participante en la aparición de efectos comparativos
la investigación de la capacidad como nueva disciplina. Michael Higgins trabajó para empresas
que desarrolló software médico, mientras impartía cursos en la Universidad de Stanford.
sity. Douglas Owens, internista y líder en la aplicación de la medicina
análisis de decisiones a la política clínica, se ha convertido en el tercer autor.
¿Cómo ha cambiado el libro? Con suerte, la escritura se ha beneficiado de
mi experiencia de ocho años como editor de revistas médicas a tiempo completo. yo actualice
Capítulos 1 al 5, 9 y 11 y sirvió como editor para mis coautores.
Reescribí mis capítulos, actualicé los ejemplos y agregué nuevos desarrollos.
xv
Pagina 12
xvi Prefacio
HCS
Página 13
CAPÍTULO 1
Introducción
La probabilidad es la regla de la vida, especialmente debajo de la piel. Nunca hagas algo positivo
diagnóstico.
(Sir William Osler)
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
Página 14
2 Toma de decisiones médicas
Página 15
Introducción 3
La enfermedad y la enfermedad del esófago son los diagnósticos más probables. Le dice al Sr.
Costin, '' La enfermedad de las arterias coronarias es un diagnóstico probable, pero hay que saberlo con certeza.
tendremos que ver los resultados de un ECG de esfuerzo ''. Con respecto a la enfermedad esofágica,
él dice: “No podemos descartar una enfermedad esofágica en este momento. Si el estrés
El ECG es normal y no comienza a sentirse mejor, lo trabajaremos para
enfermedad del esófago ''.
Costin se siente tranquilo de que ambos médicos parecen estar de acuerdo con la posibilidad
de enfermedad esofágica, ya que ambos han dicho que no pueden descartarla.
Sin embargo, el Sr.Costin no puede conciliar las diferentes declaraciones sobre el
probabilidad de que tenga enfermedad de las arterias coronarias. Recuerde que el primer clínico dijo
'' no se puede descartar enfermedad de las arterias coronarias '', mientras que el segundo médico
declaró, "la enfermedad de las arterias coronarias es un diagnóstico probable". El Sr. Costin quiere
Conozca la diferencia entre estas dos opiniones diferentes. El explica su
confusión al segundo médico y le pide que hable con el primer médico:
Los dos médicos conversan por teléfono. Aunque los clínicos expresaron
la probabilidad de enfermedad de las arterias coronarias de manera diferente cuando hablaron con
Sr. Costin, resulta que tenían ideas similares sobre la probabilidad de que
tiene enfermedad de las arterias coronarias. Ambos médicos creen que alrededor de un paciente
de cada tres con la historia del Sr. Costin tiene enfermedad de las arterias coronarias.
De este episodio, el Sr. Costin aprende que los médicos pueden elegir diferentes palabras
para expresar el mismo juicio sobre la probabilidad de un evento incierto:
Para sorpresa del Sr. Costin, los médicos tienen diferentes opiniones sobre
la probabilidad de enfermedad esofágica, a pesar de que ambos médicos
describió su probabilidad con la misma frase, `` la enfermedad esofágica no puede ser
descartado. '' El primer médico cree que entre los pacientes con el Sr.Costin
síntomas, sólo uno de cada diez pacientes tendría enfermedad esofágica. Sin embargo,
el segundo clínico piensa que hasta un paciente de cada dos habría
enfermedad del esófago.
Al señor Costin le disgusta que ambos médicos hayan utilizado la misma frase, "no se puede
ser descartado '', para describir dos probabilidades diferentes. Aprende que los médicos
comúnmente usan las mismas palabras para expresar diferentes juicios sobre el
probabilidad de un evento.
La solución a la confusión que puede ocurrir al usar palabras para caracterizar
Acterizar la incertidumbre con palabras es usar un número: probabilidad. Probabilidad
expresa incertidumbre precisamente porque es la probabilidad de que una condición
está presente o ocurrirá en el futuro. Cuando un clínico cree que el problema
La capacidad que tiene un paciente de enfermedad de las arterias coronarias es de 1 de cada 10, y la otra
el médico piensa que es 1 de cada 2, los dos médicos saben que no están de acuerdo
y que deben hablar sobre por qué sus interpretaciones son tan dispares. los
La precisión de los números para expresar la incertidumbre se ilustra gráficamente por la
escala en la Figura 1.1. En esta escala, los eventos inciertos se expresan con números.
entre 0 y 1.
Página 16
4 Toma de decisiones médicas
Igualdad de oportunidades
Cierto no Cierto
de ocurrir o
que se produzca que se produzca
no ocurre
0 0,5 1.0
Probabilidad de enfermedad
p [enfermedad] = 0,33
0 0,5 1.0
Probabilidad de enfermedad
Figura 1.2 Un médico puede visualizar el nivel de certeza acerca de la hipótesis de una enfermedad en un
escala de probabilidad. Treinta y tres se marcan en esta escala de certeza para corresponder a la
Estimación de probabilidad inicial relativa a la probabilidad de que el Sr. Costin tuviera enfermedad de las arterias coronarias.
Página 17
Introducción 5
para tomar decisiones sobre el paciente. El médico puede decidir actuar como si
De Bayes
teorema
Previo Posterior
probabilidad probabilidad
0 0,5 1.0
Probabilidad de enfermedad
Página 18
6 Toma de decisiones médicas
1.6 Resumen
Página 19
CAPITULO 2
Diagnóstico diferencial
Este capítulo trata sobre el diagnóstico diferencial, un proceso sistemático para reducir
la gama de posibles explicaciones para el problema de un paciente. El objetivo de este
El capítulo es describir un enfoque completo, pero eficiente, de este proceso. los
2.1 Introducción
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
Página 20
8 Toma de decisiones médicas
Sabemos más sobre cómo deberían razonar los médicos que sobre cómo
hacer razón. Este libro trata sobre cómo los médicos deberían razonar en
situaciones, como seleccionar e interpretar pruebas de diagnóstico o realizar una
decisión entre dos tratamientos. Estos métodos normativos se basan en
primeros principios del razonamiento lógico y aprovechar al máximo todas las fuentes de
información. Este capítulo trata sobre cómo los médicos hacer razón en su lucha por
reducir la lista de posibles causas de los síntomas de un paciente.
Este capítulo describe un marco lógico para el diagnóstico, pero no podemos
afirman que se basa en los primeros principios del razonamiento lógico. Podemos reclamar
que los médicos expertos utilizan el proceso. Sin embargo, el camino a la experiencia solo
comienza con un buen proceso. La investigación muestra que los médicos expertos entendieron
manera al ver a muchos pacientes. Además, son hábiles para aplicar lo que
aprendieron de la experiencia pasada para resolver el problema del momento.
Página 21
Diagnóstico diferencial 9
Página 22
10 Toma de decisiones médicas
elude la comprensión.
Ejemplo : estos errores se ilustran con la historia del estudiante de medicina que
ofreció un diagnóstico de leishmaniasis en un paciente con linfadenopatía difusa
tu. El paciente había tomado un crucero en barco de vapor a un puerto de América del Sur.
años antes. Cuando el médico tratante le pidió que justificara este arcano
diagnóstico, el estudiante respondió: "¿Qué más causa la linfadenopatía?"
para recordar cualquier otra causa de linfadenopatía, el estudiante exagera
Alabó la importancia de un historial de viajes bastante dudoso para sustentar un
hipótesis lejana.
Conclusión : poner demasiado peso en los datos para respaldar una baja probabilidad
la hipótesis conduce a errores.
Página 23
Diagnóstico diferencial 11
4. La experiencia pasada puede usarse de manera inapropiada: los médicos usan reglas generales
(heurísticas) para usar la experiencia para estimar la probabilidad de la coincidencia
entre la historia del caso del paciente y la experiencia pasada. Estas heurísticas
incluir representatividad (la bondad de ajuste entre el caso del paciente y
casos pasados) y disponibilidad (con qué facilidad me vienen a la mente casos pasados). Desconsiderado
El uso de estas heurísticas puede conducir a errores (discutidos extensamente en el Capítulo 3).
5. La habilidad en el razonamiento clínico varía de un tema a otro: los estudiantes de conocimientos cognitivos
La psicología ha asumido que los individuos que son capaces de razonar bien sobre
un tema debe ser igualmente competente con otros temas. De hecho, los médicos
las habilidades de razonamiento varían de un tema a otro. Asociaciones entre hipótesis
y los hallazgos clínicos se aprenden por experiencia. Por tanto, dominio de un tema
requiere experiencia en una amplia variedad de casos. Buena memoria y cognitiva
las instalaciones no son suficientes.
Resumen: Los estudios descriptivos del razonamiento clínico proporcionan información útil para
el clínico principiante. Sin embargo, a pesar de los tenaces esfuerzos de los investigadores,
No entiendo muchos aspectos del razonamiento clínico.
Página 24
12 Toma de decisiones médicas
Generar hipótesis
NO
Prueba de hipótesis
SÍ
TOMAR ACCIÓN
Los tres pasos se repiten muchas veces a medida que se consideran las hipótesis y
rechazado, confirmado o reservado para más pruebas. Se repiten los pasos 2 y 3
durante el examen físico. Las siguientes cuatro secciones siguen el ciclo
proceso que se muestra en la Figura 2.1.
15
Número de 10
hipótesis
ser - estar Jefe
considerado queja
5
Historia
Físico
Pruebas
examen
Figura 2.2 Número de hipótesis de diagnóstico restantes durante los pasos de evaluación de un
síntoma.
Página 25
Diagnóstico diferencial 13
A medida que genere las primeras hipótesis, puede hacer estas preguntas:
1. ¿Qué hipótesis debo probar primero?
2. ¿Qué debo hacer cuando no puedo pensar en posibles diagnósticos?
1. ¿Qué hipótesis debo probar primero? Comience con enfermedades comunes que son
importante de tratar :
• Enfermedades comunes: piense en ellas primero. Estas hipótesis son más probables
para ser verdad, cuando está respaldado por evidencia confirmatoria, que las hipótesis
sobre enfermedades raras. Sin embargo, las hipótesis sobre enfermedades comunes son
más difícil de refutar (descartar) que las hipótesis sobre enfermedades raras.
(Si este punto le desconcierta, vaya al Capítulo 5, que explica cómo
la información cambia la probabilidad.)
Ejemplo : debido a que la enfermedad de las arterias coronarias es una enfermedad común, considere
antes de la pericarditis y la embolia pulmonar, que son menos frecuentes.
Página 26
14 Toma de decisiones médicas
• Importancia del tratamiento: considere los diagnósticos para los que se demora el inicio
el tratamiento podría provocar la muerte o una discapacidad grave. Estas son '' las enfermedades
que no puedes permitirte el lujo de perderte ''.
Página 27
Diagnóstico diferencial 15
Página 28
dieciséisToma de decisiones médicas
Ejemplo : si nuestro paciente con dolor torácico niega tener fiebre o tos, el
El médico excluye rápidamente la neumonía y pasa a las preguntas de detección.
para otras hipótesis. Si el médico puede presionar el pecho sin provocar
dolor, decide que el paciente no tiene dolor torácico musculoesquelético.
El cribado y la ramificación son eficaces pero riesgosos. Si un hallazgo está realmente presente
en todos los pacientes con una enfermedad, el cribado es un método fiable para excluir un
hipótesis. Sin embargo, las preguntas de detección eficaces son la excepción en lugar de
la regla. Siempre hay pocos hallazgos presentes en una enfermedad. Los médicos rara vez saben
exactamente la frecuencia con la que un hallazgo está ausente en pacientes con una enfermedad, porque la
la información es desconocida o se olvida fácilmente.
Los errores en la detección se pueden evitar utilizando el siguiente principio: no
No intente eliminar una enfermedad común con una sola pregunta de detección . Si usted
creen que es probable que una hipótesis sea cierta, una respuesta negativa a una prueba de detección
La pregunta no debe eliminar la hipótesis. Por otro lado, puedes
eliminar una hipótesis de baja probabilidad si el paciente responde que no
a una pregunta de cribado. Este razonamiento se basa en principios que se describirán
en el Capítulo 4.
El cribado y la ramificación también es una estrategia básica en la exploración física.
ción. Los médicos suelen comenzar con un "examen físico de detección".
el examen de detección de un órgano muestra una anomalía, el médico
realiza un examen mucho más detallado del órgano (ramificación) y
luego pasa a la siguiente parte del examen físico de detección.
Cuándo evitar la estrategia de selección y ramificación:
• El diagnóstico hipotético tiene graves consecuencias si no se trata ('' el
enfermedad que no puede permitirse el lujo de pasar por alto '').
• La enfermedad es muy común y, por lo tanto, difícil de excluir con un
único hallazgo.
• Es posible que no existan preguntas de detección eficaces.
• El paciente puede no ser confiable como fuente de información.
Página 29
Diagnóstico diferencial 17
los pacientes con el hallazgo tienen una y solo una enfermedad. Creencia incondicional
en los hallazgos patognomónicos puede llevar al médico a terminar prematuramente un
búsqueda de diagnóstico. El llamado hallazgo patognomónico es una fuerte evidencia en
favor de una hipótesis, pero se debe buscar evidencia de apoyo, dependiendo
sobre si la enfermedad es poco común (la información de apoyo es más necesaria)
o común (menos necesario).
Ejemplo : si nuestro paciente con dolor torácico tuviera un pericardio fácilmente audible
frote de fricción, debe concluir que tiene pericarditis. Un pericárdico
El roce por fricción es uno de los pocos ejemplos de un hallazgo patognomónico (esta afirmación
está, por supuesto, sujeto a disputa!).
Página 30
18 Toma de decisiones médicas
Por lo general, los médicos comparan hipótesis sobre la base de cómo cada una
coincide con las características del historial del paciente. Si ellos también
tener en cuenta la prevalencia relativa de los diagnósticos hipotéticos es
no conocida.
Se aplican varios principios al decidir qué hipótesis descartar:
• Al decidir entre hipótesis coincidentes, favorezca el diagnóstico
que es más frecuente en la población. Este principio es una consecuencia directa
consecuencia del teorema de Bayes, que es el tema del capítulo 4. Los médicos
normalmente no conocen la prevalencia exacta y dependen de las impresiones de
experiencia personal y libros de texto.
Ejemplo : en pacientes con dolor en el pecho, la enfermedad de las arterias coronarias es común,
y la pericarditis es muy poco común. Cuando los hallazgos del paciente coinciden
igualmente bien con las características típicas de estos dos diagnósticos,
favorecer la enfermedad de las arterias coronarias. Quizás el paciente tenga algunas características de
enfermedad de las arterias coronarias y algunas características de la pericarditis. En ese caso,
favorecer la enfermedad de las arterias coronarias.
Página 31
Diagnóstico diferencial 19
Reducir el número de hipótesis activas, aunque solo sea para reducir el número de pruebas.
para elegir entre.
Ejemplo : nuestro paciente con dolor en el pecho tiene dolor subesternal que aprieta
de carácter y ocurre principalmente por la noche. Estos hallazgos son consistentes
con una forma atípica de enfermedad de las arterias coronarias o enfermedad esofágica
espasmo. La pericarditis y la enfermedad musculoesquelética son mucho menos probables y
otras posibilidades no tienen evidencia de apoyo.
Página 32
20 Toma de decisiones médicas
Combinar diagnósticos con las mismas consecuencias : '' Clustering '' es actuar como
si dos enfermedades fueran realmente una enfermedad porque ambas tienen el mismo
tratamiento. Siempre se debe considerar si agrupar varias enfermedades
en la lista de hipótesis activas con el fin de reducir el número que requiere
evaluación independiente.
Ejemplo : si nuestro paciente tenía dolor torácico nocturno que se alivia con
3. Un último paso: probar qué tan bien la hipótesis activa explica la com-
queja : En este punto del diagnóstico diferencial, una o dos hipótesis diagnósticas
todavía están activos. El siguiente paso es decidir entre iniciar el tratamiento o recibir
más información, o no tomar ninguna acción inmediata (el tema del Capítulo 9).
Queda un último paso antes de decidir. Después de revisar los hallazgos del paciente
y las hipótesis activas, el médico debe hacer dos preguntas:
(a) ¿Los diagnósticos hipotéticos explican todas las características clínicas principales de
¿el caso?
(b) ¿Alguna de las principales características clínicas es incompatible con la hipótesis
diagnósticos?
El propósito de estas últimas preguntas es asegurar una coherencia y coherencia
explicación de los hallazgos del paciente. En efecto, estas preguntas recuerdan
el clínico para tratar de identificar cualquier "cabo suelto" que no encaja con el
diagnósticos hipotetizados.
Página 33
Diagnóstico diferencial 21
¿Es probable que sea una enfermedad?) y utilidad (qué tan beneficiosa es la acción rápida y cuáles son sus
daños?). La elección es obvia cuando una enfermedad hipotética es letal, pronta
El tratamiento es seguro y eficaz, y es muy probable que el paciente tenga la
enfermedad. A pesar de la baja probabilidad de la enfermedad, los médicos a menudo tratan si la terapia
es seguro y la falta de tratamiento tiene consecuencias nefastas. Si una enfermedad requiere tratamiento
que sea caro o peligroso, deberían requerir pruebas más contundentes.
El tratamiento de una enfermedad tiene dos elementos de incertidumbre. Primero, algunos pacientes
con la enfermedad no responden al tratamiento. En segundo lugar, es posible que el paciente no
tiene la enfermedad. A continuación, el paciente se expone al riesgo de sufrir daños por
tratamiento sin posibilidad de beneficio. Cuando el médico no está seguro de que
el paciente tiene la enfermedad pero comienza el tratamiento de todos modos, algunos pacientes
recibir tratamiento para una enfermedad que no tienen, un concepto discutido en
al comienzo del Capítulo 9.
Ejemplo : nuestro paciente con dolor en el pecho tiene síntomas de dos enfermedades:
espasmo esofágico y enfermedad arterial coronaria atípica, que no pueden
distinguirse entre sí por la historia y el examen físico.
Se debe obtener más información. El médico tiene muchas opciones, que van
desde la realización de una arteriografía coronaria hasta el inicio de un ensayo terapéutico dirigido
en el espasmo esofágico.
El resto de este libro es una exposición de los principios para hacer lo mejor
Posible decisión cuando las consecuencias de actuar son inciertas,
la llamada "toma de decisiones en condiciones de incertidumbre".
Página 34
22 Toma de decisiones médicas
El doctor piensa: tendré que pensar en dolores de cabeza tensionales, dolores de cabeza vasculares,
dolor de cabeza debido a medicamentos, tumor cerebral e infección .
El médico piensa: este es un problema crónico que parece haber cambiado de gravedad.
O ha sucedido algo que agrava una afección preexistente, o estamos
mirando un nuevo proceso .
El médico piensa: estos son síntomas bastante inespecíficos. Será mejor que haga algunas preguntas
que se relacionan con causas de dolor de cabeza que son graves y tratables .
El doctor piensa: Bien. Hasta ahora no veo evidencia de ninguna enfermedad grave tratable, como
como meningitis o tumor cerebral. Averigüemos un poco más sobre el dolor de cabeza.
sí mismo .
Página 35
Diagnóstico diferencial 23
El doctor piensa: veamos. Hasta ahora, sé que el paciente ha tenido dolores de cabeza durante
muchos años y que han aumentado en frecuencia e intensidad en los últimos
meses. Sin embargo, no despiertan al paciente del sueño y no existen otros
síntomas a excepción de cierta visión borrosa y cierta pérdida de apetito. El paciente tiene
no ha perdido peso, y el examen físico es completamente normal, incluso normal
agudeza visual. El paciente también me dice que los dolores de cabeza son difusos y ocurren durante
toda la parte superior, frontal, laterales y posterior de la cabeza. El dolor de cabeza parece ser menos severo.
por la mañana y más severo al final del día. La aspirina alivia parcialmente la
dolor de cabeza. Finalmente, tomó un nuevo trabajo hace aproximadamente seis meses y ahora gasta
la mayor parte de su día en una terminal de computadora .
De mis hipótesis activas, ¿cuáles son las más probables? Cual es la causa mas comun
de dolor de cabeza? El dolor de cabeza tensional no solo es la causa más común de dolor de cabeza, sino que
Los hallazgos se ajustan bastante bien a la descripción clásica de la cefalea tensional. ¿Qué pasa con otros
posibilidades?
¿Cuáles son las enfermedades que no puedo permitirme perderme? Con un examen neurológico normal
y un historial de muchos años de dolor de cabeza, el tumor cerebral es extremadamente improbable. Pudo
Página 36
24 Toma de decisiones médicas
El doctor piensa: en este punto, me siento bastante cómodo con el diagnóstico de tensión.
dolor de cabeza. No creo que sean necesarias más pruebas. En cambio, aprenderé un poco
un poco más sobre el entorno de trabajo del paciente y ver si puedo identificar algo que
podría cambiarse .
Doctor : Creo que hay algunas cosas que podemos hacer para ayudar a mejorar su
problema de dolor de cabeza. Repasemos sus actividades diurnas y comencemos
para desarrollar un plan de acción. Además, quiero que vuelvas a mi
oficina en un mes para reevaluar la situación.
Paciente : Bien.
Página 37
Diagnóstico diferencial 25
preocuparse de que los estudios de diagnóstico puedan engendrar que parezcan pesar más que el control remoto
posibilidad de un resultado que pudiera beneficiarla.
Resumen
Página 38
26 Toma de decisiones médicas
Bibliografía
Este libro describe y analiza experimentos que fueron diseñados para descubrir la base
por razonamiento clínico. Los autores proponen un método de resolución de problemas clínicos basado en
sus observaciones.
Un breve artículo analítico que muestra cómo se incrementa la reducción de la probabilidad de un diagnóstico.
la probabilidad de todas las demás hipótesis activas.
Groopman, J. (2007) Cómo piensan los médicos , Houghton Mifflin, Boston, MA.
Un médico escribió este atractivo libro para el público en general. Utiliza ejemplos extendidos
describir errores y triunfos de la cognición clínica y el juicio.
Kahneman, D. (2011) Pensar, rápido y lento . Farrar, Straus & Giroux, Nueva York.
Reflexiones sobre cómo funciona la mente con énfasis en los peligros de confiar demasiado
en una respuesta rápida.
Este libro consiste en gran parte en el análisis de historias de casos de la experiencia de los autores.
Excelente discusión sobre el diagnóstico diferencial.
Norman, G. (2005) Investigación en razonamiento clínico: historia pasada y tendencias actuales. Médico
Educación , 39 , 418-27.
Una encuesta del conjunto de pruebas sobre cómo razonan los médicos.
Slovic, P., Fischoff, B. y Lichtenstein, S. (1977) Teoría de la decisión conductual. Revisión anual
de Psicología , 28 , 1–39.
Una exploración exhaustiva de por qué los tomadores de decisiones actúan como lo hacen.
Página 39
CAPÍTULO 3
Como aprendimos en el Capítulo 1, los médicos generalmente no pueden observar directamente el verdadero
estado del paciente y debe inferirlo a partir de señales externas e imperfectas. Estas señales
son la historia, el examen físico y las pruebas diagnósticas. En el día a día
práctica clínica, el médico se basa en estos indicadores indirectos imperfectos de
verdadero estado del paciente y acepta cierto grado de incertidumbre al hacer
decisiones. Afortunadamente, muchas decisiones, tal vez la mayoría, no requieren
conocimiento del verdadero estado del paciente.
Representar nuestra incertidumbre sobre el paciente como una probabilidad es fundamental.
paso en el aprendizaje de cómo tomar decisiones sin ciertos conocimientos. En esto
capítulo, aprenderemos cómo usar el concepto de probabilidad para pensar con claridad
sobre la incertidumbre inherente a la mayoría de situaciones médicas. Este capítulo tiene
cuatro partes.
3.1 Incertidumbre y probabilidad en medicina 27
3.2 Uso de la experiencia personal para estimar la probabilidad 34
3.3 Uso de la experiencia publicada para estimar la probabilidad 46
3.4 Teniendo en cuenta las características especiales del paciente
al estimar la probabilidad 57
Esta parte del capítulo elabora los conceptos que se introdujeron por primera vez en el Capítulo 1.
En las siguientes cuatro secciones, exploramos el significado de probabilidad y su
importancia en medicina.
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
27
Página 40
28 Toma de decisiones médicas
El verdadero estado del paciente se encuentra encerrado dentro del cuerpo, inaccesible a la dirección
observación. El clínico debe utilizar señales externas e imperfectas para inferir la verdadera
estado .
Los siguientes tres ejemplos ilustran situaciones clínicas típicas en las que
el clínico no puede observar directamente el verdadero estado del paciente y debe inferirlo
por señales clínicas imperfectas:
Ejemplo 1 : el paciente se queja de dolor en la pierna izquierda cuatro días después de la cirugía de cadera.
La pierna izquierda no está caliente ni sensible y tiene la misma circunferencia que la derecha.
pierna. El médico ignora estos hallazgos normales y obtiene una ecografía.
imagen de las venas de las piernas, que muestra un gran coágulo de sangre.
Comentario : solo un tercio de los pacientes con sospecha de trombosis venosa profunda
de la pierna tienen signos físicos de la enfermedad.
Comentario : El dolor del paciente tenía las características típicas del dolor isquémico,
y su probabilidad de enfermedad de las arterias coronarias es al menos del 90%. Normal
La prueba de esfuerzo reduce esta probabilidad, pero no mucho. El clínico podría
obtener una arteriografía coronaria y observar directamente el estado real del paciente,
pero elige comenzar el tratamiento sin estar completamente seguro del diagnóstico. los
La respuesta a un tratamiento específico confirma su juicio.
Ejemplo 3 : Jimmy tiene dolor de garganta. Un cultivo de garganta muestra beta hemolítico.
estreptococos. ¿Jimmy tiene una infección estreptocócica? ¿Está en riesgo de
desarrollando fiebre reumática?
Página 41
Probabilidad: cuantificación de la incertidumbre 29
Página 42
1: 9
pag
probabilidades =
1-p
Por lo tanto, si la probabilidad del evento es 0,67, las probabilidades del evento son 0,67.
dividido entre 0.33, o 2 a 1. Otra forma de expresar las probabilidades de un evento es
p : (1− p ). Por lo tanto, escribir 2: 1 equivale a decir "probabilidades de 2 a 1".
La facilidad para hacer aritmética con probabilidades es importante porque la más simple
La forma de ver el efecto de la nueva información sobre la propia incertidumbre es multiplicar
las probabilidades de un evento por un número llamado la razón de verosimilitud (ver Capítulo 5).
A continuación, se ofrecen algunas sugerencias sobre el uso de probabilidades:
Página 43
Probabilidad: cuantificación de la incertidumbre 31
o
p=
1+o
'' Me ha preocupado que mi paciente tenga cáncer. ¿Qué posibilidades hay de cáncer ahora?
después de que esta prueba sea negativa? ''
Página 44
32 Toma de decisiones médicas
Cuadro 3.1
Panel superior (probabilidades bajas antes de la prueba) : las probabilidades de enfermedad son bajas (1: 9) ( P [ D ] = 0.10)
antes de hacer la prueba. Después de la prueba, las probabilidades de enfermedad son 1: 1 ( P [ D ] = 0.50). En
pensando en estas probabilidades, el clínico puede concluir '', antes de la prueba,
Estaba bastante seguro de que el paciente no tenía cáncer de colon. Ahora no estoy tan seguro ''.
Panel inferior (probabilidades altas antes de la prueba) : las probabilidades de enfermedad son intermedias
(1: 1) ( P [ D ] = 0.50) antes de hacer la prueba. Es tan probable que la enfermedad esté presente como
no, un lanzamiento. Después de la prueba, las probabilidades de cáncer de colon son 9: 1 ( P [ D ] = 0,90).
0 0,5 1.0
0 0,5 1.0
Figura 3.2 Relación entre probabilidad antes de una prueba y después de la prueba.
Página 45
Probabilidad: cuantificación de la incertidumbre 33
Estos dos ejemplos muestran una razón muy importante para preocuparse
acerca de la estimación de la probabilidad: la probabilidad de enfermedad previa a la prueba afecta la
interpretación del resultado de la prueba.
Página 46
34 Toma de decisiones médicas
después de procedimientos quirúrgicos. Estos informes proporcionan una frecuencia media para
una población grande pero no necesariamente diversa, lo que plantea interrogantes sobre su
aplicabilidad a una población específica.
3. Atributos del paciente : el médico experimentado utiliza publicados
informes y experiencia personal para hacer una estimación que se aplique a la
paciente promedio. Luego ajusta la estimación hacia arriba o hacia abajo comenzando
de esta cifra promedio si el paciente tiene características inusuales que podrían
afectar su riesgo (por ejemplo, edad avanzada o muchas enfermedades crónicas).
Este capítulo, y los dos que siguen, muestran cómo un médico puede integrar estos
tres fuentes de información en un solo número que expresa incertidumbre
sobre la probabilidad de un evento. Este número es la probabilidad subjetiva .
Página 47
Probabilidad: cuantificación de la incertidumbre 35
método que puede ayudar a alguien que tiene dificultades para elegir un número
representar su opinión sobre el estado actual del paciente.
Para comprender la evaluación de probabilidad indirecta, considere lo siguiente
ejemplo. Suponga que debe evaluar la creencia de un médico de que un paciente con
la pérdida de peso tiene cáncer. Le pide que elija entre dos apuestas: apuestas
que el cáncer está presente o una apuesta con probabilidades definidas, como una lotería estatal.
Si las dos apuestas son igualmente atractivas para el médico, su probabilidad de que
el paciente tiene cáncer es la misma que la probabilidad de ganar la lotería.
La evaluación de probabilidad indirecta es análoga a pesar un objeto. los
El evento a medir (el peso del objeto) se compara con un estándar.
de referencia (un peso de 1 kilogramo). Si la balanza se equilibra, el objeto pesa
1 kilogramo. La evaluación de probabilidad indirecta permite al clínico expresar una
concepto difícil (la probabilidad de que el paciente tenga enfermedad de las arterias coronarias)
comparándolo con un evento más tangible (la lotería).
Por supuesto, el clínico gana la lotería solo en su imaginación, pero ella
debería tomarse el juego en serio. Por tanto, el premio debería ser verdaderamente deseable,
como un reembolso de matrícula, la pasantía de su elección o un pago de tres meses
¡vacaciones!
El siguiente escenario describe los pasos en la evaluación indirecta de
probabilidad. Imagine que un médico ha visto a un paciente con un nivel alto de sangre
presión y le pide ayuda para estimar la probabilidad de que el paciente tenga
un adenoma suprarrenal secretor de mineralocorticoides.
Página 48
36 Toma de decisiones médicas
CANALLA
Sin CAD
1. Subesternal
2. Solo en el pecho
3. Nada lo causa
4. Se resuelve lentamente
5. "Pesado"
6. Nunca fumé
Figura 3.3 El médico recuerda su experiencia previa con pacientes similares como describe un paciente
su dolor de pecho.
Tú ¿Cual preferirías?
• Apostar a que el paciente tiene un adenoma suprarrenal (si lo tiene,
ganar unas vacaciones pagadas).
• Sacar una bola de una urna que contiene 1 bola roja y 99 bolas blancas.
bolas (si saca una bola roja, gana las vacaciones pagadas).
Medico Apostaría a que el adenoma está presente.
Página 49
Probabilidad: cuantificación de la incertidumbre 37
Tú ¿Cual preferirías?
• Apostar a que el paciente tiene un adenoma (si tiene uno, usted gana
vacaciones pagadas).
• Sacar una bola de una urna que contiene 10 bolas rojas y 90 blancas.
bolas (si saca una bola roja, gana las vacaciones pagadas).
Medico Dibujaría de la urna.
Tú ¿Cual preferirías?
• Apostar a que el paciente tiene un adenoma (si lo tiene, gana el
vacaciones pagas).
• Sacar una bola de una urna que tiene 5 bolas rojas y 95 blancas.
bolas (si saca una bola roja, gana las vacaciones pagadas).
Medico Realmente no puedo decidirme. Las dos apuestas me parecen igualmente buenas.
Interpretación : Dado que el premio para las dos apuestas es el mismo, su incapacidad
elegir entre las dos apuestas significa que ella cree que la posibilidad de
ganar es igual para ambas apuestas. Desde la posibilidad de sacar una bola roja
de la urna es 0.05, la probabilidad subjetiva del clínico de que este paciente tenga
un adenoma suprarrenal es 0.05.
Las probabilidades obtenidas de esta manera deben obedecer las leyes de la probabilidad.
Por tanto, las probabilidades de todas las posibles causas de la hipertensión del paciente
debe sumar 1.0.
Página 50
38 Toma de decisiones médicas
todos para indicar sus estimaciones de probabilidad. Desacuerdo sobre qué hacer
puede reflejar diferentes niveles de certeza sobre lo que está causando la enfermedad del paciente
problema o pronóstico del paciente.
Definición de heurística
La investigación muestra que las personas utilizan varios tipos de procesos cognitivos (también
llamadas heurísticas ) para usar la experiencia pasada para estimar la probabilidad.
La investigación también ha demostrado que hacemos un mal uso de nuestras heurísticas para estimar
probabilidad, que conduce a un error sistemático (sesgo). Si los médicos entienden
estas heurísticas y cómo evitar su uso incorrecto, su probabilidad
las estimaciones pueden ser más precisas.
A continuación, definimos tres heurísticas y mostramos cómo se pueden utilizar incorrectamente. Esta
el material es fácil de entender y muy importante. Las heurísticas son:
1. Representatividad
2. Disponibilidad
3. Anclaje y ajuste.
Heurística I: representatividad
Página 51
Probabilidad: cuantificación de la incertidumbre 39
Es mi experiencia
¿lo suficientemente grande?
Figura 3.4 Factores que afectan las estimaciones de probabilidad derivadas del uso de la representatividad
heurístico.
de enfermedad:
Ejemplo 1 : un residente de Kansas desde hace mucho tiempo se presenta a su médico comunitario
con antecedentes de temblores intermitentes, sudores y fiebre durante una semana.
El examen físico no revela nada. El médico examinador acaba de establecer
en la práctica privada después de haber pasado dos años como médico de cabecera en un hospital
Página 52
40 Toma de decisiones médicas
en el sudeste asiático, donde la malaria es una enfermedad muy común. Ella estima que
este paciente tiene una probabilidad de 0.90 de tener malaria.
Página 53
Probabilidad: cuantificación de la incertidumbre 41
Saber qué tan bien las características clásicas de las enfermedades más comunes.
predecir realmente la enfermedad es esencial para una práctica médica ajustada y segura.
En los dos capítulos siguientes, sentaremos las bases para comprender la
razón de verosimilitud , que es la mejor medida de esta característica. El mejor
La fuente de las razones de probabilidad de los hallazgos clínicos comunes son los problemas pasados.
de la Revista de la Asociación Médica Estadounidense . Desde 1998, la revista
publicó 60 artículos que resumen qué tan bien los hallazgos clínicos de los
las enfermedades en realidad predicen la enfermedad. La característica se llama The Rational Clinical
Examination, que es también el nombre del libro que resume esta serie
de artículos (Simel y Rennie, 2008).
Ejemplo 1 : Una mujer de 40 años tiene dolor en el pecho que es retroesternal, irradia
al brazo izquierdo, y está aplastando, apretando y como una presión. El clínico
apresuradamente concluye que el dolor es indicativo de enfermedad de las arterias coronarias y
ingresa al paciente en la unidad de cuidados intensivos. El paciente es dado de alta al siguiente
día con una cita para una prueba de su vesícula biliar.
Página 54
42 Toma de decisiones médicas
Página 55
Probabilidad: cuantificación de la incertidumbre 43
Repetir
Inicial
Inicial Repetir
No. de
Repetición de la prueba
pacientes
en persona enferma
Figura 3.5 Dos ejemplos de regresión a la media: en individuos normales (panel superior) y en
individuos enfermos (panel inferior).
La forma de la curva de distribución normal muestra que los eventos cuyo valor es
cercanos a la media son mucho más comunes que los eventos cuyo valor está lejos de
el significado. Por lo tanto, el valor de un evento aleatorio que sigue a un valor extremo es
probablemente esté más cerca de la media porque los valores cercanos a la media son más probables
que los valores extremos. En un paciente enfermo, es probable que se siga un valor bajo.
por un valor más alto, mientras que en una persona sana es probable que se siga un valor alto
por un valor bajo. El evento es consistente con un efecto de la droga o
un evento aleatorio. Por lo tanto, el médico puede malinterpretar los eventos aleatorios como
probar el éxito o el fracaso de un ensayo terapéutico para probar una hipótesis diagnóstica
esis. El '' resultado '' del tratamiento es en realidad una variación fortuita en un
medición, no un evento que sea representativo de la enfermedad hipotetizada.
Página 56
44 Toma de decisiones médicas
la población de origen que una muestra grande. Así, una pequeña experiencia personal
puede ser bastante poco representativo de la población parental. Un evento que es
inusual en la clase padre, y por lo tanto improbable, puede ser juzgado probable
Ejemplo : el paciente del Dr. V tiene una frecuencia cardíaca de 100 / min, ha perdido un poco de peso,
y ha estado irritable últimamente. Aunque no hay agrandamiento de la tiroides
glándula, el Dr. V estima que la probabilidad de hipertiroidismo es 0.50 porque
el paciente se parece mucho a los dos únicos casos de hipertiroidismo que el Dr. V
ha diagnosticado alguna vez en sus 10 años de práctica de atención primaria. Cuando una batería de
Las pruebas de tiroides son todas normales, el Dr. V apenas puede creer los resultados y envía
el paciente a un consultor para ayudar a resolver este caso inusual.
Comentario : En una gran población de pacientes con hipertiroidismo, el 95% tendrá una
glándula tiroides agrandada. La experiencia personal del Dr. V fue demasiado pequeña para ser
representante.
Página 57
Probabilidad: cuantificación de la incertidumbre 45
Probabilidad de enfermedad
0 Ajustamiento 1.0
Especial
atributos
de paciente
Página 58
46 Toma de decisiones médicas
Página 59
Probabilidad: cuantificación de la incertidumbre 47
Página 60
48 Toma de decisiones médicas
pecho. El dolor apareció después de una comida apresurada y duró unos 10 minutos. Él
se ha sentido bien desde entonces.
El residente está tratando de decidir si realizar una prueba de enfermedad de las arterias coronarias.
Ella sabe que la decisión sobre la prueba debe depender de qué tan bien
la historia del paciente se ajusta a la historia típica de angina de pecho por esfuerzo,
angina atípica o dolor de pecho no anginoso. El residente busca un artículo
que indica la prevalencia de enfermedad de las arterias coronarias en cada uno de estos
síndromes. Desafortunadamente, el artículo no describe los criterios que
estudio utilizado para clasificar el dolor de un paciente como angina atípica o no anginosa. Después
consultando con un cardiólogo, el residente decide que el historial del paciente
es más consistente con dolor de pecho no anginoso, aconseja al paciente contra
comer demasiado rápido y programar una visita de seguimiento en dos semanas.
Página 61
Probabilidad: cuantificación de la incertidumbre 49
Análisis de regresión
El análisis de regresión describe la relación entre predictores (el
variables pendientes o variables predictoras) y el evento predicho (el
variable dependiente). El análisis de regresión muestra cómo la variable dependiente
cambia cuando el valor de un predictor cambia mientras se mantiene constante
los valores de las otras variables. Una función importante del análisis de regresión
es probar la hipótesis de que una variable predictora está relacionada con el dependiente
variable. Intenta responder a la pregunta '', independientemente del valor de la
otros predictores potenciales, ¿este predictor está relacionado con la variable dependiente?
por algo más que una asociación casual? ''
El análisis de regresión asigna un peso numérico a cada predictor. los
El peso es una medida de su capacidad para discriminar entre diferentes valores de la
variable dependiente (por ejemplo, si el paciente tiene o no el diagnóstico objetivo).
Cuanto mayor sea el peso asignado a una variable, mejor discrimina.
Las pesas tienen un valor práctico en el diagnóstico. Para usar una regla de predicción
derivado del análisis de regresión, el médico determina si un predictor
está presente o no (p. ej., pregunta si el esfuerzo causa dolor en el pecho del paciente).
El médico suma los pesos numéricos correspondientes a los predictores
que están presentes. La suma de los pesos es una puntuación. Usaremos el término
Página 62
50 Toma de decisiones médicas
1 2 3
Enfermedad ausente
No. de
pacientes Enfermedad presente
puntuación discriminante para representar esta suma. Las puntuaciones discriminantes para enfermos
y los pacientes no enfermos se distribuyen de manera diferente, como se muestra en la Figura 3.7
para un ejemplo hipotético.
Como se ve en la Figura 3.7, las puntuaciones discriminantes de los pacientes enfermos se superponen
con las puntuaciones de los pacientes no enfermos. Normalmente, los investigadores deciden
una puntuación de corte por debajo de la cual la mayoría de los pacientes no están enfermos y otra
puntuación por encima de la cual la mayoría de los pacientes están enfermos. Entre estos dos cortes
puntuaciones, la prevalencia de la enfermedad es intermedia. El médico utiliza el
puntuación discriminante para colocar al paciente en un grupo, como se muestra en la Tabla 3.2.
La probabilidad de enfermedad en un paciente asignado a un subgrupo por su
la puntuación discriminante es la prevalencia de la enfermedad en esa puntuación discriminante
subgrupo. Como recordatorio de nuestra terminología, esta prevalencia es un objetivo
probabilidad; su base es un estudio de una población de pacientes.
Ejemplo 1 : Uno de los autores realizó un estudio de pacientes con dolor torácico.
Encontró que siete hallazgos en la historia discriminan entre pacientes con
dolor de pecho crónico que tiene un estrechamiento significativo de al menos una coronaria
pacientes con dolor arterial y torácico sin estrechamiento significativo (tabla 3.3).
Cuadro 3.2
1 Bajo Bajo
2 Intermedio Intermedio
3 Alto Alto
Página 63
Probabilidad: cuantificación de la incertidumbre 51
Cuadro 3.3
Cuadro 3.4
0–4 0,10
5-9 0,39
10-14 0,67
15-19 0,91
20-25 1,00
Todos los pacientes 0,76
Cuadro 3.5
Partición recursiva
El particionamiento recursivo es un proceso estadístico que conduce a un algoritmo para
clasificación de pacientes.
Página 64
52 Toma de decisiones médicas
Cuadro 3.6
0-5 0,2
6-12 2.0
13-25 2.0
26 o mayor 56,0
El primer uso de algoritmos clínicos fue mostrar la lógica del diagnóstico para
miembros del cuerpo médico en el ejército, asistentes médicos y enfermeras practicantes.
Su uso para describir una estrategia de diagnóstico o tratamiento se ha extendido a
libros de texto de medicina y artículos de revistas. El término algoritmo denota un
enfoque estándar de un problema. Una persona puede usar un algoritmo para describir
su propia lógica para resolver un problema. Nuestro enfoque está en los algoritmos empíricos.
que se basan en un estudio en el que los investigadores obtienen datos clínicos preespecificados
hallazgos de muchos pacientes y luego establecer el diagnóstico final en cada
persona. Luego usan pruebas estadísticas para decidir qué hallazgos predicen la
diagnostico final.
Ejemplo 2 : Se utiliza un árbol de puntos de decisión sí-no para identificar a los pacientes que
es probable que sufra un infarto de miocardio como causa de la aguda
dolor. Dependiendo de la ruta que tome el paciente a través del algoritmo,
la probabilidad de infarto agudo de miocardio es alta, intermedia o baja.
La decisión de admitir al paciente en la unidad coronaria puede depender de
la probabilidad de infarto de miocardio (Figura 3.9).
Página 65
Probabilidad: cuantificación de la incertidumbre 53
Agrandado o sí sí
tierno Fáringeo
p [estreptococo] = 0,28
ganglios cervicales? ¿Exudado?
No
No sí
Exposición reciente
p [estreptococo] = 0,28
a los estreptococos?
No
sí Oral sí
Reciente
La temperatura p [estreptococo] = 0,15
¿tos?
> 101 ° F?
No No
Figura 3.8 Un algoritmo de particionamiento recursivo para clasificar adultos con dolor de garganta (ver Walsh
et al ., 1975).
Página 66
54 Toma de decisiones médicas
Y norte Y
norte
Y
El dolor es similar a pero
peor que antes Es paciente
pMI = 0
¿angina diagnosticada o infarto de miocardio?> 40 años?
norte
norte Y
pMI = 0 Y
Diaforesis
pMI = .15
¿con dolor?
¿Fue el dolor el último?
diagnosticado como angina
norte Y
en lugar de MI?
Es paciente
pMI = .01 > 40 años?
norte Y norte Y
norte Y Y norte Y
El paciente con el diagnóstico objetivo tendrá una puntuación discriminante más alta que una
Paciente con otros diagnósticos. Una estadística c de 0,50 denota que no hay discriminación.
La calibración se refiere al acuerdo entre la probabilidad del objetivo
diagnóstico en subgrupos de puntuación discriminante del conjunto de entrenamiento y el conjunto de prueba.
La validación cruzada utiliza un único conjunto de datos para predecir qué tan bien funciona una regla de predicción.
funcionará en nuevos conjuntos de prueba. Los estudios clínicos son costosos, por lo que la validación cruzada
es un buen compromiso entre la economía y los riesgos de usar un
regla. El principio es fácil de entender. En su forma más simple, el investigador
asigna aleatoriamente pacientes de un estudio a dos subconjuntos, deriva la regla de
un conjunto y lo prueba en el otro (observando la tasa de error). Después de reconstituir el
conjunto de datos original, el investigador repite el ciclo una y otra vez. Cientos de
Página 67
Probabilidad: cuantificación de la incertidumbre 55
los ciclos se realizan rápidamente en una computadora. La computadora puede entonces calcular
la tasa de error media en los múltiples conjuntos de prueba. Si se repite todo el proceso,
cada vez que aumente el número de variables predictoras en 1, la tasa de error
disminuir hasta un punto nadir y luego aumentar a medida que el número de variables predictoras
aumenta aún más. El punto nadir es el número óptimo de variables predictoras
para el conjunto de datos. El nombre general de esta forma de análisis estadístico intensivo en computadora.
el análisis es el bootstrap .
El último tema de esta sección son los estándares de calidad para la creación
reglas de predicción. Varios artículos han abordado este tema. Los estudios deben
definir claramente el resultado a predecir y los predictores. Si es posible, si
el resultado es un diagnóstico, debe establecerse por medios distintos a los
variables que se evalúan como predictores. Un estudio debe presentar el carácter
de la población de estudio, de modo que el lector pueda juzgar su aplicabilidad a
un entorno clínico específico. Una regla de predicción debe tener validez aparente : debe
tiene sentido clínicamente. Como se señaló en esta sección, los desarrolladores de una clínica
La regla de predicción debe, como mínimo, probar la regla mediante validación cruzada.
métodos, preferiblemente con un conjunto de pruebas separado e idealmente en otro conjunto clínico.
ting con diferentes pacientes y médicos. La mejor prueba de una predicción clínica.
La regla es su efecto en la atención al paciente: debería ser útil en la práctica. Los resultados
debe ser reproducible, lo que significa que cuando dos médicos examinan el
mismo paciente de forma independiente, deben registrar los mismos hallazgos.
Página 68
56 Toma de decisiones médicas
pacientes con puntajes similares de dolor en el pecho fue menor en un conjunto de pruebas de atención primaria
(prevalencia general del 33%) y aún menor en otro conjunto de pruebas de atención primaria con
una prevalencia global del 8%. Los autores concluyeron que la probabilidad de
La enfermedad de las arterias coronarias en pacientes con antecedentes similares varió según
la prevalencia general de la enfermedad. En otras palabras, la interpretación de la historia
dependía de la prevalencia general de la enfermedad en la población.
Los médicos de atención primaria deben tener cuidado al aplicar la prevalencia
de la enfermedad de los informes publicados a su práctica. Los siguientes ejemplos
ilustrar las consecuencias de aplicar acríticamente los estudios publicados a
práctica de atención primaria.
Comentario : Los estudios en la práctica de la especialidad mostraron que alrededor del 5% de los hipertensos
pacientes tenían causas de hipertensión curables quirúrgicamente, como feocromocitosis
citomas y tumores suprarrenales secretores de aldosterona. Cuando un estudio de secundaria
finalmente se realizó hipertensión arterial en pacientes de atención primaria, la prevalencia
de causas curables fue sólo alrededor del 1%. Después de la publicación de este estudio, el
los médicos se volvieron mucho más selectivos a la hora de lanzar un costoso
evaluación de causas secundarias de hipertensión.
Los médicos en la práctica de referencia tienen menos motivos para preocuparse por los efectos
de sesgo de selección en la precisión de las estimaciones de probabilidad objetiva en su
práctica. Sus pacientes pasan por el mismo proceso de filtrado que los pacientes
en la mayoría de los estudios publicados.
Los médicos pueden no estar de acuerdo en su prevalencia estimada de enfermedad porque
leen diferentes revistas. Es más probable que el médico de atención primaria lea
artículos en revistas de atención primaria, que informan sobre la prevalencia de la enfermedad en
pacientes no seleccionados. El cirujano lee revistas quirúrgicas, que informan estudios
de pacientes remitidos a cirujanos. Cuando los médicos consultores y remitentes
discutir con un paciente, deben ser conscientes de este motivo de posible desacuerdo.
Página 69
Probabilidad: cuantificación de la incertidumbre 57
Los pacientes suelen tener características especiales que deben tenerse en cuenta
al estimar la probabilidad. Un paciente puede tener un hallazgo clínico que
parece importante dadas las circunstancias, pero no aparece en una publicación
regla de predicción clínica. Los hallazgos de un paciente pueden diferir de los del médico.
experiencia previa con la sospecha de enfermedad. El médico debe estar preparado para
ajustar la probabilidad estimada desde el punto de partida proporcionado por publicado
estudios y experiencia previa.
Ejemplo : un hombre de unos treinta y tantos años tiene dolor en el pecho que tiene algunas características
de dolor anginoso pero es atípico. Reglas de predicción clínica y otras publicadas
Los estudios indican que la probabilidad de enfermedad debería ser de aproximadamente 0,20.
Sin embargo, los dos hermanos del paciente y su padre tenían un miocardio fatal.
infarto antes de los 40 años. Debido a estos hallazgos inusuales, el paciente
internista revisa drásticamente su estimación de la probabilidad de arteria coronaria
enfermedad e inicia una búsqueda que finaliza con el diagnóstico de enfermedad coronaria grave
enfermedad de las arterias.
Comentario : El hecho de que varios hermanos pequeños mueran de enfermedad de las arterias coronarias
bolígrafos tan raramente que es poco probable que los métodos estadísticos multivariados identifiquen
el hallazgo como un predictor independiente significativo de enfermedad arterial coronaria.
Esta historia familiar alarmante debería influir en las estimaciones de la probabilidad de enfermedad.
El sentido común se pronunció en este caso.
Resumen
Página 70
58 Toma de decisiones médicas
Problemas
1. Suponga que un experto en enfermedades infecciosas le dio el siguiente consejo
sobre varias alternativas de tratamiento para uno de sus pacientes:
(a) La probabilidad de que la infección responda al antibiótico A es mayor
que la probabilidad de que la infección responda al antibiótico B.
(b) La probabilidad de que la infección no responda al antibiótico C
es mayor que la probabilidad de que la infección no responda a
antibiótico B.
(c) La probabilidad de que la infección responda al antibiótico C es mayor
que la probabilidad de que la infección responda al antibiótico A.
¿Tiene sentido este consejo?
2. ¿Son coherentes las siguientes afirmaciones? La probabilidad de que el paciente
morirá en algún momento durante los próximos siete días es 0.5, la probabilidad de que el
El paciente morirá después del día 7, pero el día 14 o antes es de 0,4, y la probabilidad
que el paciente sobrevivirá más allá del día 14 es 0,3.
3. Considere los dos tratamientos siguientes. El éxito del tratamiento A depende
en la finalización exitosa de cada uno de los varios pasos intermedios. los
La aplicación exitosa del Tratamiento B puede lograrse mediante cualquiera de
varios enfoques alternativos. ¿Para qué tratamiento es más probable que
sobrestimar la probabilidad de éxito y para qué tratamiento estás
¿Es más probable que subestime la probabilidad de éxito?
4. Suponga que un colega le proporciona una gran cantidad de observaciones.
que cree que pertenecen a un paciente en particular. Sin embargo, suponga que uno
de estas observaciones, desconocidas para usted, es incorrecta. ¿Qué arreglo de
estas observaciones le resultarían muy engañosas:
(a) ¿Un arreglo en el que el hecho erróneo se presenta primero?
(b) ¿Un arreglo en el que el hecho erróneo se presenta al final?
Página 71
Probabilidad: cuantificación de la incertidumbre 59
Bibliografía
Una influyente carta al editor que muestra que los rangos de probabilidades correspondientes
a las palabras utilizadas para expresar incertidumbre se superponen entre sí.
Goldman, L., Caldera, DL, Nussbaum, S. et al . (1977) Índice multifactorial de riesgo cardíaco en
Procedimientos quirúrgicos no cardíacos. Revista de Medicina de Nueva Inglaterra , 297 , 845–50.
Una descripción clásica de cómo se desarrolló y usó una regla logística para estimar el riesgo de
complicaciones cardíacas de la cirugía.
Goldman, L., Weinberg, M., Weisberg, M. et al . (1982) Un protocolo derivado de la computadora para ayudar en
el diagnóstico de pacientes de urgencias con dolor torácico agudo. Diario de Nueva Inglaterra de
Medicina , 307 , 588–96.
Los autores utilizaron particiones recursivas para desarrollar un algoritmo para diagnosticar miocar-
infarto de carátula (ver Figura 3.9).
Kahneman, D. (2011) Thinking , Fast and Slow, Farrar, Straus & Giroux, Nueva York.
Un libro escrito para el público en general sobre dos sistemas de pensamiento, rápido y lento, y
cómo el razonamiento defectuoso y los prejuicios pueden desviar al primero del camino.
Kahneman, D., Slovic, P. y Tversky, A. (1982) Judgment under Uncertainty: Heuristics and
sesgos , Cambridge University Press, Cambridge.
Laupacis, A., Sekar, N. y Stiell, IG (1997) Reglas de predicción clínica: una revisión y sugerencias
modificaciones de estándares metodológicos. Revista de la Asociación Médica Estadounidense , 277 ,
488–94.
Los autores revisan las reglas de predicción de una época posterior a Wasson et al . (ver más abajo) y
proponer modificaciones a los estándares anteriores y estándares adicionales para producir
ellos.
McGinn, TG, Guyatt, GH, Wyer, PC, Naylor, CD, Stiell, NG, Richardson, WS y el
Grupo de trabajo de medicina basada en evidencias (2000) Guías para usuarios de literatura médica:
XXII: Cómo utilizar artículos sobre reglas de predicción clínica. Revista de la medicina estadounidense
Association , 284 , 79–84.
Uno de los artículos de la serie JAMA sobre el uso crítico de la información clínica.
Sox, HC, Hickam, DH, Marton, KI et al . (1990) Usando la historia del paciente para estimar
la probabilidad de enfermedad de las arterias coronarias: una comparación de la atención primaria y la derivación
prácticas. American Journal of Medicine , 89 , 7-14.
Este artículo describe el desarrollo y la prueba de una regla de predicción para el dolor de pecho. los
Este artículo apoya la afirmación de que la interpretación de la historia del paciente depende de la
entorno clínico (ver Sección 3.4).
Spetzler, CS y Stael von Holstein, CAS (1975) Codificación de probabilidad en el análisis de decisiones.
Management Science , 25 , 340–57.
Página 72
60 Toma de decisiones médicas
Un algoritmo empírico para clasificar a los pacientes con dolor de garganta mediante una modificación de
particionamiento recursivo (ver Figura 3.8).
Wasson, JH, Sox, HC, Neff, RK y Goldman, L. (1985) Reglas de predicción clínica:
aplicaciones y estándares metodológicos. Revista de Medicina de Nueva Inglaterra , 313 , 793–9.
Los autores evalúan las reglas de predicción clínica publicadas y proponen estándares para
desarrollarlos y probarlos.
Weiner, DA, Ryan, TJ, McCabe, CH y col . (1979) Prueba de esfuerzo con ejercicio: correlaciones entre
antecedentes de angina, respuesta del segmento ST y prevalencia de enfermedad de las arterias coronarias en el
Estudio de Cirugía de Arteria Coronaria (CASS). Revista de Medicina de Nueva Inglaterra , 301 , 230–5.
Página 73
CAPÍTULO 4
Los médicos deben tomar medidas decisivas a pesar de la incertidumbre acerca de la situación del paciente.
diagnóstico o el resultado del tratamiento. Para ayudarlos a navegar por este desierto,
El capítulo 3 introdujo la probabilidad como lenguaje para expresar incertidumbre.
y mostró cómo "traducir" la propia incertidumbre a este idioma. Usando
La teoría de la probabilidad no elimina la incertidumbre sobre el paciente. Más bien, es
reduce la incertidumbre sobre la incertidumbre . Este capítulo se basa en el anterior
capítulo para mostrar cómo interpretar nueva información que refleja imperfectamente
el verdadero estado del paciente. Este capítulo tiene ocho partes:
4.1 Introducción 61
4.2 Definición de probabilidad condicional 64
4.1 Introducción
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
61
Página 74
62 Toma de decisiones médicas
Antes Después
Teorema de Bayes
prueba prueba
Probabilidad de enfermedad
Diagnóstico
cambio en el ECG. Después de dos días en cuidados cardíacos, el médico del paciente le dice
le dice que no ha tenido un infarto de miocardio y le da de alta del
hospital. Posteriormente, recibe un billete de $ 14 000 por esta breve admisión.
Página 75
Comprender la nueva información: el teorema de Bayes 63
24 horas En
más tarde admisión
Benigno
curso
Figura 4.2 El efecto de un curso hospitalario sin complicaciones sobre la probabilidad de miocardio
infarto.
Después Antes
estrés estrés
prueba prueba
Negativo
prueba
Figura 4.3 El efecto de un electrocardiograma de ejercicio normal sobre la probabilidad de enfermedad coronaria.
enfermedad de las arterias.
Página 76
64 Toma de decisiones médicas
P[AyB]
P[A|B]= (4,1)
P[B]
que puede traducirse como '' la probabilidad condicional de que A sea verdadera dada
que B es verdadero es la razón de la probabilidad de que tanto A como B sean verdaderos divididos
por la probabilidad de que B sea cierto ''.
Un ejemplo clínico de probabilidad condicional es:
Página 77
Comprender nueva información: teorema de Bayes 65
pregunta, debe traducir la Ecuación 4.1 a una forma en la que las probabilidades
se puede medir. Cada una de las formas de calcular la probabilidad posterior de
la enfermedad se basa en el teorema de Bayes.
P[D|R]
donde R representa un resultado de prueba. Esta notación dice '' probabilidad de enfermedad
condicionado a que se produzca el resultado de la prueba ''.
Sabemos por la definición de probabilidad condicional (Ecuación 4.1) que
P[RyD]
P[D|R]=
P[R]
P [ R ], la probabilidad de un resultado de prueba, es simplemente la suma de la probabilidad de
el resultado de la prueba en pacientes enfermos y su probabilidad en pacientes no enfermos:
P [ R ] = P [ R y D ] + P [ R y sin D ]
P[DyR]
P[D|R]= (4,2)
P [ R y D ] + P [ R y sin D ]
Según la definición de probabilidad condicional (Ecuación 4.1)
P[RyD]
P[R|D]=
P[D]
y
P [ R y no D ]
P [ R | sin D ] =
P [no D ]
Página 78
66 Toma de decisiones médicas
P[RyD]=P[D]×P[R|D] (4,3)
P[D]×P[R|D]
P[D|R]= (4,5)
( P [ D ] × P [ R | D ] + P [sin D ] × P [ R | sin D ])
Página 79
Comprender nueva información: teorema de Bayes 67
( P [ D ] × sensibilidad)
P [ D | +] = (4,6)
P [ D ] × sensibilidad + (1 - P [ D ]) × (1 - especificidad)
Una nota sobre la navegación por este libro : las pruebas de diagnóstico y el teorema de Bayes son
estrechamente relacionados, por lo que es difícil describir uno sin describir
el otro. Este libro tiene capítulos separados para estos dos temas. En esto
capítulo, proporcionamos suficiente información sobre sensibilidad y especificidad
para apoyar la presentación en profundidad del teorema de Bayes. Presentamos métodos
para medir la sensibilidad y especificidad de una prueba de diagnóstico en el Capítulo 5.
Algunos lectores pueden preferir leer el Capítulo 5 antes que leer el Capítulo 4.
Una simplificación : explicamos por qué usamos "enfermedad" y "no enfermedad", que
son los términos que usaremos para simplificar la presentación aquí y en otros
capítulos. Al aplicar el teorema de Bayes a la medicina, las personas a menudo combinan
causas potenciales de un problema de diagnóstico en dos estados mutuamente excluyentes,
1. La enfermedad que se supone que está presente (a menudo etiquetada simplemente
'' enfermedad '' o '' condición objetivo '').
2. Todos los demás estados que se sabe que causan el problema de diagnóstico (incluidos
estados en los que no se puede demostrar ninguna enfermedad). Este estado abstracto significa '' el
la enfermedad hipotética está ausente '' y a menudo se etiqueta como `` sin enfermedad ''.
la probabilidad de todas las causas posibles debe sumar 1, la probabilidad de
el estado '' sin enfermedad '' es
Más adelante en el capítulo, consideraremos qué hacer cuando varias enfermedades están
bajo consideración y una prueba puede detectar cada uno de ellos.
P [ D ] × P [- | D ]
P [ D | -] = (4,7)
( P [ D ] × P [- | D ] + P [sin D ] × P [- | sin D ])
Para traducir la Ecuación 4.7 a una forma clínicamente útil, tenga en cuenta que:
Página 80
68 Toma de decisiones médicas
P [ D ] × p (1 - sensibilidad)
P [ D | -] = (4,8)
( P [ D ] × P (1 - sensibilidad) + P [sin D ] × especificidad)
P [+] = P [+ y D ] + P [+ y sin D ]
P [+ y D ] = P [ D ] × P [+ | D ]
P [ D ] × sensibilidad
P [ D | +] =
( P [ D ] × sensibilidad + (1 - P [ D ] × (1 - especificidad))
0,4 × 0,60
= = 0,94
(0,4 × 0,6 + (1 - 0,4) × 0,04)
Página 81
Comprender nueva información: teorema de Bayes 69
P [ D ] × (1 - sensibilidad)
P [ D | -] =
( P [ D ] × (1 - sensibilidad) + (1 - P [ D ] × (especificidad))
0,4 × 0,4
= = 0,22
0,4 × 0,4 + (1 - 0,4) × 0,96
Explicación : Dado que la radiografía de tórax mostró una lesión masiva, el paciente probablemente
tiene cáncer de pulmón, aunque se requerirá más confirmación antes de comenzar
tratamiento. Si la radiografía de tórax no mostró evidencia de cáncer de pulmón, el médico
todavía debería haber sido sospechoso, ya que las probabilidades de preprueba y posprueba
de cáncer de pulmón eran tan altos. Algunos pacientes con cáncer de pulmón no tienen tórax.
evidencia radiográfica en el momento en que se detecta la enfermedad por primera vez. Estudios recientes
han comparado el cribado con una radiografía de tórax con el cribado con una dosis baja
Tomografía computarizada; este último es más sensible pero menos específico.
Una desventaja del teorema de Bayes es que la mayoría de la gente necesita una calculadora.
Una segunda desventaja es que la sensibilidad y la especificidad no transmiten
información sobre el efecto de un resultado de prueba sobre la probabilidad. La solución para ambos
de estos problemas es reescribir el teorema de Bayes para calcular las probabilidades posteriores a la prueba,
que es equivalente a la probabilidad posterior a la prueba. La forma de razón de probabilidades de Bayes
El teorema es fácil de recordar e implica multiplicar solo dos números, de
el cual solo uno debe ser memorizado.
Expresar la probabilidad de enfermedad previa a la prueba en términos de las probabilidades de
enfermedad logra una poderosa simplificación del teorema de Bayes. Usando las probabilidades
formato de relación del teorema de Bayes, cualquiera puede actualizar fácilmente las probabilidades después
aprendizaje de nueva información. Además, expresar el teorema de Bayes en sus probabilidades
El formato de proporción conduce directamente a una forma simple e intuitiva de describir el efecto de
nueva información de diagnóstico. Esta es la razón de verosimilitud , y es una de las
ideas más importantes de este libro.
4.4.1 Derivación
Para derivar la forma de razón de posibilidades del teorema de Bayes, comience con el teorema de Bayes en
su forma familiar (aquí usamos R para denotar cualquier resultado de prueba)
P[D]×P[R|D]
P[D|R]= (4,5)
( P [ D ] × P [ R | D ] + P [sin D ] × P [ R | sin D ])
probabilidades [ D ]
P[D]=
1 + probabilidades [ D ]
Página 82
70 Toma de decisiones médicas
P[D|R]= (1+O[D] )
O[D]×P[R|D] O[D]
+ 1- × P [ R | sin D ]
1+O[D] 1+O[D]
Recordando eso
O[D|R]
P[D|R]=
1+O[D|R]
esta expresión larga para P [ D | R ] se simplifica a:
O[D|R] O[D]×P[R|D]
=
1+O[D|R] O [ D ] × ( P [ R | D ] + P [ R | sin D ])
Multiplicando el numerador y el denominador del lado derecho por 1 / ( O [ D ] ×
P [ R | D ]),
O[D|R] 1
= ( )
1+O[D|R] P [ R | no D ]
1+
O[D]×P[R|D]
Multiplicación cruzada,
P [ R | no D ]
O[D|R]+O[D|R]× =1+O[D|R]
O[D]×P[R|D]
P [ R | no D ]
O[D|R]× =1
O[D]×P[R|D]
Reordenando los términos, obtenemos la forma de razón de posibilidades del teorema de Bayes:
P[R|D]
O[D|R]=O[D]× (4,11)
P [ R | no D ]
Observe atentamente la ecuación 4.11. Le está diciendo que las probabilidades posteriores a la prueba de
enfermedad condicionada al resultado de la prueba R ( O [ D | R ]) son iguales a las probabilidades previas a la prueba
( O [ D ]) multiplicado por un número. Ese número es la cantidad que cambian las probabilidades después
el resultado de la prueba, R . Una expresión que te dice cuántas probabilidades hay de contraer una enfermedad.
cambiar después de la nueva información es tan útil que (es decir, P [ R | D ] / P [ R | no D ]) tiene un
nombre: la razón de verosimilitud .
Definición de razón de verosimilitud : un número que muestra en qué medida las probabilidades de
cambio de la enfermedad después de obtener nueva información.
Página 83
Comprender nueva información: teorema 71 de Bayes
Cuadro 4.1
Cuadro 4.2
Página 84
72 Toma de decisiones médicas
sensibilidad
LR + = (4.12)
1 - especificidad
1 - sensibilidad
LR− = (4,13)
especificidad
pag
probabilidades de evento =
1-p
Si hay un hallazgo, la cantidad en que aumentan las probabilidades previas a la prueba puede ser
calculado con la forma de razón de posibilidades del teorema de Bayes:
El primer ejemplo de la forma de razón de posibilidades del teorema de Bayes muestra cómo
para calcular la probabilidad posterior a la prueba con un resultado de prueba de un punto
en un continuo de resultados. La prueba es un electrocardiograma de esfuerzo, una prueba
cuyos resultados se pueden expresar como una variable continua, la cantidad de
Depresión del segmento ST.
Página 85
Comprender la nueva información: el teorema de Bayes 73
Paso 1: Determine la razón de probabilidad para el resultado de la prueba de esfuerzo del paciente.
De la tabla 4.1, sabemos que la depresión del segmento ST de 2,0 mm tiene un
razón de verosimilitud de 10,8.
Paso 2: Calcule las probabilidades previas a la prueba de enfermedad de las arterias coronarias. De la Tabla 3.1
En el Capítulo 3, sabemos que un varón con antecedentes de angina atípica
pectoris tiene una probabilidad previa a la prueba de 0,70. Para convertir esta probabilidad
a las probabilidades, hacemos lo siguiente:
Paso 3: utilice la forma de razón de posibilidades del teorema de Bayes para calcular la prueba posterior
impares:
0,7
probabilidades posteriores a×la10,8 = 25,2:
prueba = 1
0,3
En el segundo ejemplo del uso de la forma de razón de posibilidades del teorema de Bayes, la prueba
el resultado es una variable dicotómica: una masa pulmonar está presente (una prueba positiva)
o no lo es (una prueba negativa). En este ejemplo, la masa está presente.
sensibilidad
LR + =
1 - especificidad
Página 86
74 Toma de decisiones médicas
0,60
LR + = = 15,0
0,04
Paso 2: Para las probabilidades posteriores a la prueba, convierta la probabilidad anterior a la prueba a la prueba previa.
impares:
pag 0.4 0.4
probabilidades de evento = = = = 0,67: 1
1-p 1 - 0,4 0,6
Paso 3: utilice la forma de razón de posibilidades del teorema de Bayes para calcular la prueba posterior
impares:
0.4
probabilidades posteriores a×la15,0 = 10:= 1
prueba
0,6
Por lo tanto, las probabilidades posteriores a la prueba son más altas que las probabilidades previas a la prueba cuando la
la radiografía de tórax muestra una masa. La expresión '' probabilidades posteriores a la prueba = 10: 1 '' es
leer '', con este hallazgo radiográfico de tórax, por cada 10 personas que
tiene cáncer, 1 persona no tendrá cáncer ''.
Pensar en términos de probabilidades de eventos y razones de probabilidad para las pruebas.
simplifica el cálculo. Las probabilidades de un evento pueden volver a convertirse
a la probabilidad del evento, si se desea:
impares 10: 1
probabilidad = =
1 + probabilidades
1 + 10: 1
10
probabilidad = = 0,91
11
En el tercer ejemplo del uso de la forma de razón de posibilidades del teorema de Bayes, la prueba
el resultado es una variable dicotómica: o hay una masa pulmonar (una prueba positiva)
o está ausente (una prueba negativa). En este ejemplo, la masa está ausente a pesar de una
alta probabilidad previa a la prueba.
Página 87
Comprender nueva información: teorema de Bayes 75
1 - sensibilidad
LR− =
especificidad
La razón de probabilidad cuando no hay una masa pulmonar en una radiografía de tórax es
0,40
LR− = = 0,42
0,96
Paso 2: Para las probabilidades posteriores a la prueba, convierta la probabilidad anterior a la prueba a la prueba previa.
probabilidades, como en el segundo ejemplo:
Paso 3: utilice la forma de razón de posibilidades del teorema de Bayes para calcular la prueba posterior
impares:
()
0.4
× 0,42 =
probabilidades posteriores a la prueba = 0,28: 1 = 1: 3,5
0,6
Por lo tanto, las probabilidades posteriores a la prueba son más bajas que las probabilidades previas a la prueba cuando la
la radiografía de tórax no muestra una masa. Se lee la expresión '' 1: 3.5 '', '' en
este paciente con esta radiografía de tórax normal, por cada 1 persona que
tiene cáncer, 3,5 personas con el mismo nivel de preocupación previo a la prueba
el cáncer de pulmón no tendrá la enfermedad ''.
Tenga en cuenta que la probabilidad de cáncer de pulmón posterior a la prueba es bastante alta:
sorprendentemente alto quizás, a pesar de la radiografía de tórax normal. Nosotros
Regresaremos a este punto más adelante en el capítulo.
Página 88
76 Toma de decisiones médicas
impares 0,28: 1
probabilidad = = = 0,22
1 + probabilidades
1 + 0,28: 1
1,00
0,90
0,80
0,70
0,60
0,50
0,40
Probabilidad previa a la prueba
0,30
0,20
0,10
0,00
0,00 0,20 0,40 0,60 0,80 1,00
Figura 4.4 Probabilidad posterior a la prueba correspondiente a un resultado positivo de la prueba, calculada para todos los
probabilidades previas a la prueba. Prueba de sensibilidad fijada en 0,8. Especificidad establecida en 0,8.
Página 89
Comprender la nueva información: el teorema de Bayes 77
Colega : El radiólogo dice que el escaneo del hígado del Sr. Smith muestra metástasis
enfermedad.
Usted : ¿Cuál era la probabilidad de metástasis antes de la exploración?
Colega : No lo sé exactamente. Supongo que no pensamos que tuviera metástasis.
Usted : Bueno, no me tomaría demasiado en serio el escaneo positivo si el
La probabilidad previa a la prueba fue baja. La probabilidad posterior a la prueba sigue siendo
bastante baja. Repasemos los hallazgos con el radiólogo y
decidir cómo confirmar los hallazgos en el escaneo. Además, hablemos
algunos más con el paciente. Quizás subestimamos el
probabilidad de cáncer antes de la prueba.
La figura 4.4 muestra que el efecto de una prueba sobre la probabilidad de enfermedad depende
en la probabilidad previa a la prueba. Cuando la probabilidad previa a la prueba es igual a la prueba posterior
probabilidad, el punto cae en la línea diagonal de 45 grados. Por lo tanto, los 45 grados
La línea representa un resultado de prueba hipotético que no cambia la probabilidad.
de enfermedad en absoluto. Cuanto más lejos esté la línea curva por encima de la línea de 45 grados,
mayor es el efecto del resultado de la prueba sobre la probabilidad de enfermedad. A
bajas probabilidades previas a la prueba, la probabilidad posterior a la prueba es mucho mayor que la
probabilidad previa a la prueba. A medida que la probabilidad previa a la prueba se acerca a 1.0, la prueba posterior
La probabilidad es solo un poco más alta que la probabilidad previa a la prueba.
¿Por qué querríamos hacer una prueba en un paciente con una prueba previa muy alta?
¿probabilidad? La ganancia en certeza diagnóstica después de una prueba positiva sería
pequeño cuando la probabilidad previa a la prueba es muy alta. Seguramente, un resultado positivo de la prueba.
no cambiaría los siguientes pasos en el manejo del paciente. En el otro
Por otro lado, un resultado negativo de la prueba podría reducir la probabilidad de enfermedad lo suficiente como para
cambiar nuestra gestión. La posibilidad de un resultado negativo en la prueba es el motivo de
considerar la posibilidad de realizar pruebas incluso cuando la probabilidad previa a la prueba sea muy alta.
De hecho, la probabilidad puede disminuir drásticamente después de una prueba negativa, como se muestra en
Figura 4.5. La figura muestra que la probabilidad posterior a la prueba para un resultado de prueba que
reduce la probabilidad de enfermedad (un resultado '' negativo '') también se ve afectado por la
probabilidad previa a la prueba. A medida que disminuye la probabilidad previa a la prueba, la probabilidad de
La enfermedad se ve cada vez menos afectada por un resultado negativo, de modo que cuando la prueba previa
La probabilidad es bastante baja, la probabilidad posterior a la prueba cambia muy poco después de un
resultado negativo.
Estas observaciones conducen a una generalización:
Cuando el médico está casi seguro antes de una prueba (es decir, la probabilidad previa a la prueba es
cerca de 0 o de 1.0), un resultado de prueba que confirma sospechas previas tiene poco efecto en la
probabilidad de enfermedad .
Por lo tanto, podemos preguntarnos si se puede ganar mucho haciendo una prueba en
para confirmar las expectativas de uno. La confirmación de las expectativas de uno ha
Página 90
78 Toma de decisiones médicas
1.0
0,9
0,8
0,7
0,6
0,5
0.4
0,3
Probabilidad posterior a la prueba
0,2
0,1
0.0
0 0,2 0.4 0,6 0,8 1
Probabilidad previa a la prueba
Figura 4.5 Probabilidad posterior a la prueba de un resultado de prueba negativo. Prueba de sensibilidad fijada en 0,8. Especificidad
fijado en 0.8.
Página 91
Comprensión de nueva información: teorema de Bayes 79
1.0
0,9 FP = .01
0,8 FP = .05
0,7
0,6 FP = .15
0,5
0.4
0,2
0,1
0.0
0 0,2 0.4 0,6 0,8 1
Figura 4.6 Efecto de la especificidad de una prueba sobre la probabilidad de enfermedad posterior a la prueba. La sensibilidad de
la prueba se fijó en 0,90. La probabilidad posterior a la prueba se calculó cuando la especificidad era 0,99,
0,95 y 0,85 (en la figura, etiquetado FP = .01, FP = .05 y FP = .15 respectivamente). Curvas que
son cóncavas hacia arriba denotan un resultado de prueba negativo. Las curvas que son cóncavas hacia abajo denotan una
resultado positivo de la prueba.
Ejemplo : las pruebas no invasivas para la enfermedad de las arterias coronarias son ineficaces
eficaz en pacientes con una baja probabilidad previa a la prueba porque su
las especificidades oscilan entre 0,80 y 0,95. En estos pacientes, la alta
Se requiere una arteriografía coronaria específica para hacer un diagnóstico seguro.
• Cuando la probabilidad de enfermedad previa a la prueba es baja, un resultado positivo de la prueba suele ser
no diagnóstico .
• Cuando la probabilidad previa a la prueba es muy alta, la especificidad de una prueba no es importante .
Cuando la probabilidad de enfermedad previa a la prueba es alta (0,70 o mayor), la
La probabilidad de enfermedad posterior a la prueba es alta en toda la gama de especificidades.
se muestra en la figura. Por tanto, una prueba con una especificidad muy alta tiene poca
ventaja cuando el médico sospecha fuertemente una enfermedad.
• La mayoría de las pruebas de detección tienen un bajo rendimiento de enfermedad . Se realizan pruebas de detección
en pacientes que no presentan síntomas o hallazgos de enfermedad. Normalmente, el
La probabilidad de enfermedad previa a la prueba es muy baja (a menudo 1 o 2 pacientes por 1000
probado). La figura 4.7 muestra que la probabilidad de enfermedad posterior a la prueba suele ser
bastante baja. Cuando el costo del cribado incluye la evaluación de pacientes que
demuestren tener resultados falsos positivos, el uso rutinario de pruebas de detección puede ser
muy costoso. Además, la probabilidad de una prueba de detección positiva suele ser
baja debido a la baja probabilidad previa a la prueba.
Página 92
80 Toma de decisiones médicas
• La especificidad de una prueba tiene poco o ningún efecto sobre la interpretación de un resultado negativo.
resultado de la prueba . La interpretación de un resultado de prueba negativo puede ser posible incluso si el
La especificidad de la prueba no se conoce con precisión, como se ve en la familia inferior.
de curvas en la Figura 4.6.
La importancia de la especificidad puede entenderse intuitivamente al darse cuenta
que todos los pacientes no enfermos son candidatos a resultados falsos positivos.
Este hecho tiene dos implicaciones:
• Cuando la probabilidad previa a la prueba es baja , los pacientes no enfermos superan con creces en número
pacientes enfermos. Por lo tanto, los resultados falsos positivos superarán en número a los
resultados positivos a menos que la prueba sea muy específica.
• Si la probabilidad previa a la prueba es alta , los pacientes enfermos que son candidatos
para los resultados positivos verdaderos superan con creces el número de pacientes no enfermos que son
candidatos a resultados falsos positivos. En consecuencia, los resultados verdaderos positivos
superará en número a los resultados falsos positivos, y la especificidad de una prueba no es
muy importante.
0,90 TP = .98
0,80 TP = 0,75
0,70
0,60
TP = .50
TP = .50
0,50
0,40 TP = 0,75
0,30
Probabilidad posterior a la prueba
0,20 TP = .98
0,10
0,00
0 0,2 0.4 0,6 0,8 1
Probabilidad previa a la prueba
Figura 4.7 Efecto de la sensibilidad de una prueba sobre la probabilidad de enfermedad posterior a la prueba. La especificidad de
la prueba se fijó en 0,95. La probabilidad posterior a la prueba se calculó cuando la sensibilidad de una prueba
se fijó en 0,98, 0,75 y 0,50. Aquí, TP denota sensibilidad. Curvas cóncavas hacia arriba.
denotar un resultado de prueba negativo. Las curvas cóncavas hacia abajo denotan un resultado de prueba positivo.
Página 93
Comprender la nueva información: el teorema de Bayes 81
• Cuando la probabilidad previa a la prueba de un diagnóstico es alta, la probabilidad posterior a la prueba después
un resultado negativo de la prueba suele ser demasiado alto para descartar el diagnóstico . Cuando el pre
La probabilidad de prueba es alta (mayor que 0,80), un médico puede solicitar una prueba en el
Espero que un resultado negativo muestre que la enfermedad no está presente. Esta
Por lo general, la justificación es incorrecta, ya que un resultado negativo en un
La prueba no reduce la probabilidad de enfermedad por debajo de 0,10. Esta gene-
La clasificación no se aplica a una prueba perfectamente sensible (sin falsos negativos
resultados), pero existen pocas pruebas de este tipo, y generalmente son caras y
a menudo arriesgado.
• Cuando la probabilidad de enfermedad previa a la prueba es baja, la sensibilidad de una prueba es relativamente
sin importancia . Cuando la probabilidad previa de enfermedad es baja (0,20 a 0,10),
El uso de una prueba para descartar una enfermedad a menudo es posible, dependiendo de qué
probabilidad que usted cree que es lo suficientemente baja como para '' descartar '' una enfermedad (Capítulo 9
aborda este tema). La necesidad de una prueba de alta sensibilidad depende de la
requisitos del médico. El clínico que necesita una gran tranquilidad
de una probabilidad posprueba muy baja por lo general tiene que gastar más para obtenerlo.
Página 94
82 Toma de decisiones médicas
P[D]×P[R|D]
P[D|R]= (4,5)
( P [ D ] × P [ R | D ] + P [sin D ] × P [ R | sin D ])
Página 95
Comprensión de nueva información: teorema de Bayes 83
Cuadro 4.3
mostró que la sensibilidad de esta prueba en los hombres aumentó a medida que la probabilidad previa
de la enfermedad de las arterias coronarias aumentó (Tabla 4.3). Los autores clasificaron cada
paciente según el tipo de síndrome de dolor torácico. Como se muestra en la Tabla 4.3, la prueba previa
La probabilidad de enfermedad de las arterias coronarias variaba según el tipo de tórax.
síndrome de dolor. Este estudio inscribió a cientos de hombres, lo que significó que el
Los autores pudieron medir de manera confiable la sensibilidad en subgrupos de pacientes con
una probabilidad previa a la prueba diferente. El número de mujeres era menor y el
Es menos probable que las diferencias en el rendimiento de las pruebas sean estadísticamente significativas.
(Tabla 4.3).
Página 96
84 Toma de decisiones médicas
P [ R 2 | D , R 1] = P [ R 2 | D ]
4.7 Uso del teorema de Bayes para interpretar una secuencia de pruebas
Las pruebas de diagnóstico se utilizan a menudo en secuencia. Un hallazgo anormal en una prueba
puede plantear inquietudes que solo pueden resolverse con una segunda prueba. Por ejemplo,
cuando se realiza una prueba en una persona asintomática, un hallazgo anormal puede
plantean preocupaciones, y parece necesaria una segunda prueba. ¿Qué método debería ser
utilizado para interpretar los resultados de la segunda prueba? El lector que ha absorbido
las lecciones de este capítulo responderán de la siguiente manera:
Post-prueba # 1 =
Prueba preliminar n. ° 1
Prueba preliminar n. ° 2
Positivo
prueba
Figura 4.8 Interpretación de una secuencia de pruebas para la enfermedad de las arterias coronarias.
Página 97
Comprender nueva información: teorema de Bayes 85
tiene una importante enfermedad de las arterias coronarias. El médico tiene tres alternativas:
ignore el hallazgo, realice una prueba de diagnóstico no invasiva o realice
arteriografía. Muchos médicos tomarían el curso intermedio y realizarían una
gammagrafía con radionúclidos de ejercicio del miocardio o ecocardiograma de esfuerzo.
Antes de usar el teorema de Bayes para calcular la probabilidad posprueba de enfermedad coronaria
enfermedad arterial, el médico debe responder dos preguntas:
1. ¿Qué debo usar para la probabilidad previa a la prueba de enfermedad de las arterias coronarias?
Página 98
86 Toma de decisiones médicas
Cuadro 4.4
Numero de pacientes
CAD = enfermedad de las arterias coronarias; E + = ECG de esfuerzo positivo; E− = ECG de esfuerzo negativo; T + =
exploración de radionúclidos positiva; T− = exploración de radionúclidos negativa; ¿MI? = ECG de esfuerzo equívoco.
Reimpreso de Sox HC, Prueba de ejercicio en caso de sospecha de enfermedad arterial coronaria. Disease-a-Month, 1985;
31 (12): 1-70 (diciembre de 1985) con permiso de Elsevier.
de desempeño en pruebas han estudiado una prueba en lugar de varias. Afortunadamente, siete
Estudios generales han realizado un ECG de esfuerzo y una gammagrafía con radionúclidos antes
a la arteriografía coronaria. Se resumen los resultados de tres estudios
en la Tabla 4.4.
Si las dos pruebas son condicionalmente independientes, la sensibilidad y la especificidad
de la exploración debe ser el mismo en pacientes con un ECG de esfuerzo anormal que
en pacientes con un ECG de esfuerzo normal. Probaremos esta suposición usando el
datos de estos tres estudios (Tabla 4.5). Un par de asteriscos (*) denota dos
valores que son estadísticamente significativamente diferentes entre sí ( p < 0,05).
La especificidad de la exploración es significativamente mayor cuando el ECG de esfuerzo es
normal que cuando es anormal. Por lo tanto, el supuesto de condicional
la independencia no es válida para estas dos pruebas.
Asimismo, la sensibilidad y especificidad del ECG de esfuerzo en pacientes
con una exploración normal puede compararse con la sensibilidad y especificidad
del ECG de esfuerzo en pacientes con una exploración anormal (tabla 4.6). los
Cuadro 4.5
Cuadro 4.6
Página 99
Comprender la nueva información: el teorema de Bayes 87
Cuadro 4.7
La especificidad difiere de acuerdo con los resultados de la exploración, mientras que la sensibilidad
no diferir.
Por tanto, aunque la sensibilidad de cada prueba es independiente de los resultados de
la otra prueba, la especificidad de cada prueba depende de los resultados de la
otra prueba. El efecto de asumir incorrectamente la independencia condicional de la
Página 100
88 Toma de decisiones médicas
Esta sección contiene material avanzado y se puede omitir sin perder continuidad .
Hasta ahora, hemos aprendido a calcular la probabilidad condicional de
una enfermedad frente a todas las demás enfermedades posibles (expresada como "sin enfermedad"). Haciendo
entonces, expresamos la probabilidad de otras enfermedades solo como (1 - P [ A ]), donde A
es la condición objetivo. En efecto, estamos diciendo que la contribución de otros
enfermedades al denominador del teorema de Bayes es una constante que refleja la
Distribución de frecuencia de otras enfermedades en el diagnóstico diferencial en el
población entera de pacientes con sospecha de la condición A .
Suponiendo que las tasas de enfermedad en una población de estudio se apliquen a un
el paciente puede provocar errores. Si, además de la afección objetivo sospechada, un
paciente específico tiene otra condición que hace que la prueba sea positiva, el
La frecuencia de resultados positivos en la prueba puede ser mucho mayor que en el estudio.
población. En consecuencia, podríamos sobrestimar la probabilidad posterior a la prueba de
la condición objetivo después de una prueba positiva.
Página 101
Comprender nueva información: teorema de Bayes 89
Cuadro 4.8
Enfermedad X y z
P[xyA]
P[x|A]=
P[A]
P[xyA]=P[A]×P[x|A]
P[x]=P[A]×P[x|A]+P[B]×P[x|B]+P[C]×P[x|C]
P[xyA]
P[A|x]=
P[x]
P[A]×P[x|A]
P[A|x]= (4,14)
P[A]×P[x|A]+P[B]×P[x|B]+P[C]×P[x|C]
A partir de este caso de tres enfermedades, es un pequeño paso para expresar el teorema de Bayes en
su forma más general, con n enfermedades. En la ecuación 4.13, j se refiere a un
hallazgo, y el subíndice i se refiere a una enfermedad:
P[D1]×P[j|D1]
P[D1|j]=∑n (4,15)
( P [ D i ] × P [ j | D i ])
i=1
Página 102
90 Toma de decisiones médicas
Resumen
Problemas
1. Si la probabilidad de enfermedad previa a la prueba es 0,1, la tasa de verdaderos positivos para la
prueba es 0,8 y la especificidad de la prueba es 0,15, ¿cuál es la probabilidad
que el paciente no tiene la enfermedad, una vez que sepa que la prueba es
¿positivo?
2. Si las siguientes afirmaciones son verdaderas, ¿es la probabilidad del síntoma A
independiente de la probabilidad del síntoma B ?
Página 103
Comprender nueva información: teorema de Bayes 91
que solo la enfermedad B está presente es 0,2. ¿Tiene suficiente información para
determinar la probabilidad de que ambas enfermedades estén presentes?
5. Suponga que, con base en sus hallazgos durante la evaluación inicial de un
paciente, cree que la probabilidad de enfermedad es 0,25. Estarías dispuesto
iniciar un tratamiento específico si la probabilidad de enfermedad es superior a 0,5.
¿Cuál es la razón de probabilidad mínima para un resultado de prueba que cambiará su
tratamiento de este paciente?
6. Suponga que ha instalado un marcapasos en un paciente. Será
necesario reemplazar la batería en 10 años; sin embargo, la experiencia ha enseñado
usted que la probabilidad de falla en algún otro componente del dispositivo
durante un período de un año es 0.05. Es decir, si el marcapasos funciona a
punto en el tiempo, la probabilidad de que siga funcionando un año después es
0,95. Suponga que esta probabilidad de falla anual permanece constante durante
la vida del dispositivo. ¿Cuál es la probabilidad de que este marcapasos falle
antes de que sea necesario reemplazar la batería?
Bibliografía
Fagan, TJ (1975) Nomograma para la fórmula de Bayes. Revista de Medicina de Nueva Inglaterra , 293 , 257.
Gorry, GA y Barnett, GO (1968) Diagnóstico secuencial por computadora. Diario del americano
Asociación Médica , 205 , 849–54.
Una descripción del uso secuencial del teorema de Bayes para interpretar varios hallazgos clínicos.
Una discusión clara de cómo el resultado negativo de una prueba puede ser evidencia contra una enfermedad y
evidencia para otro.
Raiffa, H. (1968) Análisis de decisiones: conferencias introductorias sobre elecciones bajo incertidumbre , Addison-
Wesley, Reading, MA.
El capítulo 2 de este libro clásico contiene una derivación del teorema de Bayes.
Sox, HC (1985) Prueba de esfuerzo en caso de sospecha de enfermedad arterial coronaria. Enfermedad al mes ,
31 (12), 1–70.
Página 104
92 Toma de decisiones médicas
Weiner, DA, Ryan, TJ, McCabe, CH y col . (1979) Prueba de esfuerzo con ejercicio: correlación entre
antecedentes de angina, respuesta del segmento ST y prevalencia de enfermedad arterial coronaria en el
Estudio de Cirugía de Arteria Coronaria (CASS). Revista de Medicina de Nueva Inglaterra , 301 , 230–5.
Este estudio ilustra cómo medir la tasa de verdaderos positivos y la tasa de falsos positivos en
Los subgrupos de pacientes pueden aportar nuevos conocimientos. Este estudio mostró que el rendimiento de la prueba
del ECG de esfuerzo depende de la historia del paciente.
Página 105
CAPÍTULO 5
Midiendo la precisión de
información de diagnóstico
Introducción
Esta parte del capítulo trata sobre un lenguaje para describir los resultados de las pruebas. Nosotros primero
describir la distribución de los resultados de las pruebas en pacientes con la condición de destino y
en aquellos que no tienen la condición de destino. Sobre la base de este conocimiento,
luego consideramos varias formas de describir los resultados de las pruebas.
La mayoría de los resultados de las pruebas se expresan como variables continuas. Por ejemplo, el
concentración sérica de troponina I y T (constituyentes proteicos del músculo cardíaco
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
93
Página 106
94 Toma de decisiones médicas
No. de
pacientes
Concentración de suero
células) es una medida del daño del músculo cardíaco. La troponina cardíaca sérica puede
ser cualquier valor de menos de 0.01 ng / ml a más de 100 ng / ml, dependiendo
en la cantidad de músculo dañado. En un paciente con sospecha de miocardio
infarto, cada punto en esta escala indica algo sobre la probabilidad
que el paciente ha tenido un infarto de miocardio. Para comprender esta afirmación, primero
considere los resultados de una prueba en una población de individuos sanos. Figura 5.1
muestra la distribución de valores alrededor del valor central.
La figura 5.1 muestra una distribución simétrica de valores. Se parece mucho
la curva de distribución normal , que tiene muchas estadísticas importantes
propiedades. Los más importantes son la media de la distribución,
que es el promedio no ponderado de los resultados de todos los individuos, y el estándar
desviación , que es una medida del grado de dispersión alrededor de la media de la
distribución. La curva normal tiene otra característica importante: los resultados de la prueba
para el 65% de la población caen dentro de una desviación estándar de la media
valor. Los resultados de la prueba para el 95% de la población se encuentran dentro de dos estándares
desviaciones de la media (Figura 5.2).
Los resultados de las pruebas en una población sana a menudo se distribuyen normalmente (es decir, tienen
una distribución simétrica que tiene las propiedades de la distribución normal
curva). La figura 5.2 muestra la media de la distribución en personas normales y
los valores de dos desviaciones estándar por encima y por debajo de la media.
Usamos '' condición objetivo '' en lugar de '' enfermedad '' porque es más específico para
el propósito del clínico. Un médico usa una prueba para probar una hipótesis específica:
"¿Este paciente tiene la condición de destino?"
Significar
1 SD1 SD
No. de
pacientes
2 SD 2 SD
Concentración de suero
Página 107
Individuos Individuos
sin enfermedad con enfermedad
No. de
pacientes
Concentración de suero
Figura 5.3 Distribución de los resultados de la prueba en individuos con la condición objetivo y en individuos que
no tienen la condición objetivo.
Definición de punto de corte : el resultado de la prueba que divide el espectro de resultados de la prueba.
en una región positiva y una región negativa.
Página 108
96 Toma de decisiones médicas
y, como guía para la interpretación, el resultado de la prueba que corresponde al '' superior
límite de lo normal ''. El '' límite superior de lo normal '' suele ser todos los valores hasta dos
desviaciones estándar por encima de la media. Como se muestra en la Figura 5.3, la distribución
La curva para personas que no tienen la condición objetivo puede superponerse a la curva.
para pacientes con la afección objetivo. A menudo, esto significa que los pacientes con
la condición objetivo tiene resultados de prueba que están dentro del "rango de lo normal".
Por lo tanto, utilizar el rango de normalidad para interpretar el resultado de una prueba puede ser engañoso.
Debemos evitar usar el '' límite superior de lo normal '' como punto de referencia.
para definir un resultado de prueba por varias razones:
• La etiqueta "límite superior de lo normal" fomenta el razonamiento simplista.
Los médicos pueden asumir que un valor por encima del límite superior de normal
significa que la enfermedad está presente y un valor por debajo significa que la enfermedad
está ausente.
• El mejor valor de punto de corte para dividir los resultados "positivos" de los "negativos"
dependerá de la situación clínica, no simplemente de la distribución de
resulta en personas sanas, como veremos al final de este capítulo.
Página 109
Medición de la precisión de la información de diagnóstico 97
condición. Un resultado '' negativo '' está por debajo del punto de corte y disminuye el
probabilidad de la condición objetivo.
troponina sérica significa una mayor probabilidad de que el paciente tenga un miocardio
infarto, y un valor muy bajo significa una probabilidad menor. Un resultado que
mueve la probabilidad de la condición objetivo más cerca de 1.0 o 0 - uno que
reduce la incertidumbre al mínimo; es útil por muchas razones. Sin embargo, como
veremos en capítulos posteriores, pasar un umbral de probabilidad para tomar medidas
es una justificación suficiente para emprender esa acción. Reducir aún más la incertidumbre
no cambiará la gestión, por lo que los recursos necesarios no se gastan bien.
Refiriéndose a la Figura 5.4, dentro del rango de resultados de prueba que ocurren en ambos
pacientes con la condición objetivo y pacientes que no tienen el objetivo
condición (la región de superposición), el resultado de una prueba es consistente con tener
la condición de destino o no tenerla. Si la región de superposición contiene el corte
valor que define un resultado de prueba positivo y negativo, pacientes con el objetivo
La afección puede tener un resultado negativo (falso negativo) y los pacientes que no
tener la condición objetivo puede tener un resultado positivo (falso positivo) (Figura 5.4).
Pensar en la región de superposición nos lleva a un fundamental y poderoso
principio:
Individuos Individuos
sin enfermedad con enfermedad
Falso-
negativo
No. de resultado
pacientes
Falso positivo
resultado
Punto de corte
Concentración de suero
definir
positivo
resultado
Figura 5.4 La distribución de resultados en pacientes con y sin la condición objetivo. los
El punto de corte define un resultado positivo (o negativo) y divide la región de superposición en la que los resultados
ocurren en pacientes con y sin la condición de destino en resultados falsos negativos y
resultados falsos positivos.
Página 110
98 Toma de decisiones médicas
Para convencerse de que este principio es cierto, imagine mover la línea vertical
que representa el punto de corte a la derecha a lo largo del eje horizontal. El relativo
proporción de cambios en los resultados falsos positivos y falsos negativos. También lo hace el
proporción relativa de pacientes que tienen un resultado de prueba por encima del punto de corte
y también tienen la condición objetivo, que determina la probabilidad de la
condición de destino en pacientes con un resultado por encima del punto de corte. Sección 5.2 de este
Este capítulo describirá exactamente lo que significa este importante principio en la práctica.
En esta parte del capítulo, hemos adquirido un lenguaje para describir pruebas
resultados. Se aplica a cualquier información que pueda afectar nuestra certeza sobre la
estado real del paciente: historial, examen físico o resultado de una prueba de diagnóstico.
Hemos adoptado un lenguaje que categoriza los resultados de las pruebas en '' positivos ''
y '' negativo ''. Esta decisión nos priva de cierta información, pero está en
manteniendo nuestro enfoque en obtener solo la información que necesitamos para hacer un
decisión, ni menos ni más.
Esta forma del teorema de Bayes nos recuerda que la función de la información diagnóstica
mación es cambiar la probabilidad de enfermedad . La razón de verosimilitud es la más
medida significativa de información de diagnóstico porque muestra el efecto de
la información sobre la probabilidad de enfermedad. En otras palabras:
P[R|D]
razón de verosimilitud =
P [ R | no D ]
Página 111
Medición de la precisión de la información de diagnóstico 99
Definición de prueba `` estándar de oro '' : el procedimiento que define el estado verdadero
del paciente en un estudio de rendimiento de la prueba (también conocido como '' diagnóstico
estándar de referencia'').
Definición de muestra verificada : pacientes que reciben la prueba estándar de oro para
verificar su estado de enfermedad (idealmente, idéntico a la población de origen, pero también
a menudo, ya sea una muestra , o un subconjunto, de la población de origen o completamente no relacionado
a la población de origen).
En el estudio ideal de una prueba, cada paciente de una población fuente que contiene
N pacientes se someten tanto a la prueba índice como al procedimiento estándar de oro.
Si los resultados de la prueba son una variable dicotómica (positiva o negativa), un 2 por 2
tabla es una forma conveniente de mostrar los resultados del estudio. En la Tabla 5.1 el
nombre '' 2 × 2 '' se refiere a la matriz de las cuatro celdas ligeramente sombreadas que contienen el
resultados de la prueba primaria, etiquetados TP, FP, FN y TN.
Página 112
100 Toma de decisiones médicas
Cuadro 5.1
Positivo Negativo
Positivo Verdadero positivo (TP) Falso positivo (FP) TP + FP
Negativo Falso negativo (FN) Verdadero negativo (TN) FN + TN
Totales TP + FN FP + TN N = TP + FN + FP + TN
Página 113
Medir la precisión de la información de diagnóstico 101
Para medir la tasa de verdaderos positivos de una prueba, realice la prueba índice y el oro
prueba estándar en una población fuente. En términos de la tabla 2 × 2, el verdadero positivo
tasa (TPR) de una prueba es como se da en la Tabla 5.1 (En las Tablas 5.1 a 5.4, la numeración
se destacan el valor y el denominador de las definiciones de rendimiento de la prueba).
TP
TPR =
TP + FN
Para medir la tasa de verdaderos negativos de una prueba, realice la prueba índice y la
prueba estándar de oro en una población de origen. En términos de la tabla 2 × 2, el
Cuadro 5.2
Positivo Negativo
Positivo Verdadero positivo (TP) Falso positivo (FP) TP + FP
Negativo Falso negativo (FN) Verdadero negativo (TN) FN + TN
Totales TP + FN FP + TN N = TP + FN + FP + TN
Tennesse
TNR =
FP + TN
Página 114
102 Toma de decisiones médicas
Para medir la tasa de falsos negativos de una prueba, realice la prueba índice y la
prueba estándar de oro en una población de origen. En términos de la tabla 2 × 2, el
La tasa de falsos negativos (FNR) de una prueba es la que se muestra en la Tabla 5.3.
Cuadro 5.3
Positivo Negativo
Positivo Verdadero positivo (TP) Falso positivo (FP) TP + FP
Negativo Falso negativo (FN) Verdadero negativo (TN) FN + TN
Totales TP + FN FP + TN N = TP + FN + FP + TN
FN
FNR =
TP + FN
En pacientes enfermos, el resultado de una prueba es positivo (un resultado verdadero positivo)
o negativo (un resultado falso negativo). Por lo tanto, la tasa de falsos negativos es la
complemento de la tasa de verdaderos positivos:
FNR = 1 - TPR
Página 115
Medición de la precisión de la información de diagnóstico 103
lo que significa la '' probabilidad de que se produzca un resultado positivo en la prueba si el paciente
no tiene la condición objetivo '':
Para medir la tasa de falsos positivos de una prueba, realice la prueba índice y la
prueba estándar de oro en una población de origen. En términos de la tabla 2 × 2, el
La tasa de falsos positivos (FPR) de una prueba es la que se muestra en la Tabla 5.4.
Cuadro 5.4
Positivo Negativo
Positivo Verdadero positivo (TP) Falso positivo (FP) TP + FP
Negativo Falso negativo (FN) Verdadero negativo (TN) FN + TN
Totales TP + FN FP + TN N = TP + FN + FP + TN
FP
FPR =
FP + TN
FPR = 1 - TNR
Valor predictivo
Página 116
104 Toma de decisiones médicas
Cuadro 5.5
Positivo Negativo
Positivo Verdadero positivo (TP) Falso positivo (FP) TP + FP
Negativo Falso negativo (FN) Verdadero negativo (TN) FN + TN
Totales TP + FN FP + TN N = TP + FN + FP + TN
Cuadro 5.6
Positivo Negativo
Positivo Verdadero positivo (TP) Falso positivo (FP) TP + FP
Negativo Falso negativo (FN) Verdadero negativo (TN) FN + TN
Totales TP + FN FP + TN N = TP + FN + FP + TN
TP
PV + =
TP + FP
Tennesse
PV− =
TN + FN
Página 117
Medición de la precisión de la información de diagnóstico 105
Cuadro 5.7
Definido como la probabilidad de enfermedad después Definido como la proporción de pacientes con un
teniendo en cuenta nueva información resultado de la prueba que tiene enfermedad (o no tiene enfermedad)
Una relación matemática (teorema de Bayes) Calculado a partir de una tabla de resultados de 2 × 2 en un
permite calcular el posterior población específica de pacientes
(o posprueba) probabilidad en cualquier población
Advertencia : Requiere la suposición de que el Advertencia : debido a que se refiere a una prueba tal como se usa en un
cocientes de sensibilidad, especificidad y probabilidad población particular, utilizando una publicación
obtenido de la investigación publicada se aplica a valor predictivo de una enfermedad en una población
el paciente en la situación específica con una prevalencia diferente de la enfermedad
causará errores potencialmente graves
Página 118
106 Toma de decisiones médicas
Página 119
Medición de la precisión de la información de diagnóstico 107
35 tienen 15 no tengo
esplenomegalia esplenomegalia
20 15 10 5
cierto falso cierto falso
positivo negativo negativo positivo
resultados resultados resultados resultados
Figura 5.5 Flujo de pacientes a través de un estudio ilustrativo de una prueba hipotética de esplenomegalia.
Cuadro 5.8
20
tasa de verdaderos positivos (TPR; P [+ | D ], sensibilidad) = = 0,57
35
10
tasa de verdaderos negativos (TNR; P [- | no D ], especificidad) = = 0,67
15
Similitud,
15
tasa de falsos negativos = = 0,43
35
5
tasa de falsos positivos = = 0,33
15
Página 120
108 Toma de decisiones médicas
Valor predictivo:
20
PV + = = 0,80
25
10
PV− = = 0,40
25
Población de origen : pacientes cuyos médicos no pueden ponerse de acuerdo sobre el tamaño de la
bazo; algunos pueden sentirlo, pero otros no; también, los pacientes cuyo bazo no está
palpables, pero tienen una enfermedad que a menudo se acompaña de esplenomegalia.
Muestra verificada : pacientes que están a punto de someterse a una esplenectomía, generalmente
porque su bazo es tan grande que les está causando problemas médicos.
De hecho, los pacientes de la muestra verificada tienen bazos tan grandes que no
¡Necesita una exploración del bazo! En este ejemplo, la muestra verificada no es un subconjunto
de la población de origen.
Hasta ahora, en esta sección, hemos aprendido una paradoja importante de la tecnología.
evaluación:
Los pacientes en un estudio de desempeño de la prueba a menudo difieren de los pacientes que
normalmente se hace la prueba.
Página 121
Medición de la precisión de la información de diagnóstico 109
Aplicar el valor predictivo en una población a otra corre el riesgo de error porque
diferentes prevalencias de enfermedad en las dos poblaciones pueden afectar drásticamente
el valor predictivo de una prueba. Aquí, usamos la tasa de verdaderos positivos (0.57) y falsa-
tasa positiva (0,33) de la exploración del bazo en la población verificada para calcular
el valor predictivo de la prueba en una población de atención primaria de pacientes con
sospecha de esplenomegalia, en la que la prevalencia de esplenomegalia es sólo
20%. Utilizando la exploración en 1000 pacientes de esta población, la distribución de
Resultados de pruebas positivos y negativos entre pacientes enfermos y no enfermos.
sería como se muestra en la Figura 5.6.
Figura 5.6 Resultados de la aplicación de la prueba de esplenomegalia a una población hipotética de atención primaria
pacientes con una probabilidad previa a la prueba del 20% de tener esplenomegalia.
Página 122
110 Toma de decisiones médicas
114 = 0,30
PV + =
114 + 264
536 = 0,86
PV− =
536 + 86
Tabla 5.9 Valor predictivo en una población de muestra de verificación y la población de origen.
Página 123
Medición de la precisión de la información de diagnóstico 111
La forma de razón de posibilidades del teorema de Bayes establece que la probabilidad posterior a la prueba
de la enfermedad depende de la razón de probabilidad de la prueba (o, de manera equivalente, su
sensibilidad y especificidad):
El clínico bien podría preguntarse, "si utilizo el teorema de Bayes para interpretar el resultado de una prueba,
¿Puedo usar la razón de verosimilitud de un estudio publicado para calcular la posprueba?
probabilidades en mis pacientes? '' El propósito de esta sección es responder a esta pregunta.
Primero, considere las características del estudio ideal de una prueba de diagnóstico:
5.5.1 Características del estudio que ayuden a asegurar que los resultados
aplicar a la práctica habitual
Por supuesto, a menudo hay varias configuraciones típicas para las pruebas. Por ejemplo,
Muchos médicos de atención primaria solicitan un electrocardiograma de esfuerzo cuando
sospechar enfermedad de las arterias coronarias en un paciente con dolor torácico. Cardiólogos
también atiende a pacientes con dolor en el pecho, pero generalmente después de un médico de atención primaria
Página 124
112 Toma de decisiones médicas
ha evaluado al paciente. Tomados como un grupo, los pacientes de los especialistas son a menudo
muy diferente a los pacientes de los médicos de atención primaria. Los resultados de un estudio
del rendimiento de la prueba de esfuerzo puede aplicarse a la práctica de un cardiólogo, pero no
necesariamente a la atención primaria.
El montaje retrospectivo de una cohorte de estudio es un diseño mucho más débil. En un típico
estudio retrospectivo, alguien identifica a todos los pacientes que se sometieron a una prueba durante un
intervalo de tiempo previo definido. Se planifica un buen estudio retrospectivo de antemano.
y tiene un protocolo de estudio. El protocolo del estudio debe incluir un
conjunto estándar de características clínicas pertinentes. Sin embargo, algunos de los elementos son
normalmente no se encuentra en el historial médico de un paciente.
Qué buscar en un estudio: una tabla que enumera las características clínicas clave y sus
frecuencia en la población fuente y la muestra verificada. Cada elemento de este
La tabla debe enumerar el número de pacientes con datos faltantes.
Página 125
Medición de la precisión de la información de diagnóstico 113
del rendimiento de la prueba. Las fuentes de estos números son los resultados del oro.
prueba estándar y la prueba de índice. Un paso esencial es asegurarse de que la gente
que interpretan la prueba estándar de oro y la prueba índice utilizan los mismos criterios cada
vez que clasifican el resultado de una prueba . El protocolo del estudio debe establecer las reglas de
interpretar las pruebas.
Suponga que la prueba índice es una prueba de imagen, como una radiografía de tórax. A
El radiólogo mira esta imagen y ve un patrón. Este patrón tiene cierta
características que la experiencia ha demostrado para predecir la enfermedad subyacente.
El radiólogo debe decidir cómo clasificar la imagen y luego etiquetarla.
correctamente (por ejemplo, "apariencia de panal irregular"). Los líderes de un estudio quieren
para asegurarse de que el radiólogo clasifique patrones similares de la misma manera cada
hora. Para lograr este objetivo, deben decidir qué características del
El patrón de la radiografía de tórax debe hacer que el especialista clasifique el patrón en
de una manera particular y asígnele la etiqueta adecuada.
Los líderes de un estudio deben especificar un sistema para clasificar patrones en un
imagen, reflejando la realidad clínica de que varios patrones pueden reflejar la comprensión
enfermedad de mentira, a menudo en un grado diferente con algunas características más precisas que
otros. Alternativamente, pueden decidir clasificar el patrón como "positivo" o
'' negativo '' para una condición objetivo, en cuyo caso deben definir '' positivo ''.
Qué buscar en un estudio : ¿Los autores definen los criterios para decidir cómo
etiquetar un resultado, ya sea con un nombre o llamándolo "positivo" o "negativo"?
¿Verificaron dos veces para asegurarse de que los especialistas estaban usando sus criterios?
¿consecuentemente? ¿Se corresponden sus criterios con el sistema utilizado en su hospital?
Página 126
114 Toma de decisiones médicas
de la arteriografía coronaria del paciente (la prueba estándar de oro) puede influir
que el médico califique el electrocardiograma de ejercicio como anormal.
Qué buscar en un estudio : busque una declaración de que el protocolo del estudio
requirió cegar a las personas que interpretaron la prueba índice a los resultados de
la prueba del patrón oro y viceversa. Los que interpretaron una de las pruebas
no debería haber tenido ninguna información sobre el resultado de la otra prueba.
Página 127
Medición de la precisión de la información de diagnóstico 115
Este error no ocurrirá con los resultados de las pruebas numéricas, como el suero
nivel de tiroxina o una medida de la resistencia de las vías respiratorias, como la fuerza vital forzada
capacidad a 1 segundo.
0,2000
0.1800
0,1600
0,1400
0.1200
0,1000
0,080
0,060
0,040
Medio intervalo de confianza del 95%
0,020
0.000
10 20 30 40 50 60 70 80 90
100 110 120 130 140 150 160 170 180 190 200
Número de pacientes con afección objetivo
Figura 5.7 Relación entre el intervalo de confianza del 95% para la sensibilidad de una prueba y la
número de pacientes utilizados en un estudio para medir la sensibilidad de una prueba. En este cálculo, el
La sensibilidad de la prueba es 0,90.
Página 128
116 Toma de decisiones médicas
Qué buscar: El estudio debe incluir al menos 100 pacientes que tengan
condición de destino y 100 pacientes que no tienen la condición de destino.
• Todos los pacientes que se someten a la prueba índice también tienen la prueba estándar de oro.
La fuente de error más importante en la medición del rendimiento de la prueba se debe a
diferencias entre la muestra verificada y la población fuente, que
Contiene a los pacientes que se someten a la prueba en la práctica habitual. En el ejemplo del
gammagrafía esplénica, hemos visto el contraste entre la población de origen y la
muestra verificada. Este ejemplo extremo de sesgo del espectro ayuda a comprender
el concepto, que discutiremos en detalle en la siguiente parte del capítulo.
Un estudio bien informado de la sensibilidad y especificidad de una prueba abordará
todas las características clave de un estudio bien diseñado y cuidadosamente ejecutado.
La declaración STARD (Normas para la presentación de informes de precisión diagnóstica)
describe una lista de verificación de 25 elementos de las características importantes (ver Referencias).
Cuando se aplica al estudio del rendimiento de las pruebas de diagnóstico, el sesgo de espectro
generalmente se refiere a diferencias entre el tipo de pacientes en la fuente
población y la muestra verificada en un estudio. Como resultado, las medidas
del rendimiento de la prueba puede no aplicarse a la población de origen. Sesgo de espectro
también puede referirse a diferencias entre estudios en el espectro de pacientes. Como un
Como resultado, los estudios no obtendrán los mismos resultados en cuanto a sensibilidad y especificidad.
El sesgo del espectro afecta la medición del rendimiento de la prueba en dos fases de la
evaluación de una prueba. En la primera fase, la prueba no está probada y es difícil
para encontrar pacientes para inscribirse en un estudio de la prueba. En la segunda fase, los médicos
confían demasiado en la precisión del resultado de la prueba de índice negativo y
no está dispuesto a derivar a los pacientes con este resultado a someterse a la prueba estándar de oro.
La siguiente sección describe cómo puede ocurrir el sesgo de espectro en estudios de prueba
rendimiento. Las secciones posteriores describen los efectos del sesgo del espectro en las medidas.
del rendimiento de la prueba.
5.6.1 La primera fase de la evaluación de la prueba: probar el '' más enfermo de los
enfermo '' y el '' más sano de los bien ''
Los primeros estudios de una prueba de diagnóstico son intentos de saber si la prueba es precisa
suficiente para justificar un estudio más a fondo. La primera preocupación es asegurarse de que la prueba
ser positivo en enfermedad grave. Una segunda preocupación es asegurarse de que la prueba sea
no positivo en todo el mundo. La forma más fácil de lograr este objetivo limitado es
estudiar la prueba en dos poblaciones de pacientes completamente diferentes:
Página 129
Medición de la precisión de la información de diagnóstico 117
'' Los más enfermos de los enfermos '': una población son los pacientes más enfermos que,
porque tienen una enfermedad avanzada, son ideales para aprender si la prueba puede
detectar enfermedades. La sensibilidad de la prueba puede ser muy alta en estos pacientes.
porque su enfermedad avanzada es fácil de detectar. Cuando los pacientes que representan
Si se somete a la prueba un espectro más amplio de enfermedades, la sensibilidad suele disminuir.
'' El mejor de los pozos '': La otra población de estudio conveniente consiste en
voluntarios sanos. En muchas situaciones, es razonable asumir la ausencia
de la condición objetivo porque los voluntarios se encuentran en excelente estado de salud. Por lo tanto,
realizar una prueba estándar de oro para demostrar la ausencia de la condición objetivo
es innecesario. Los voluntarios suelen ser mucho más jóvenes que los pacientes que
normalmente se sometería a la prueba en la práctica. Los voluntarios también suelen estar libres de
enfermedades que pueden causar una prueba índice de falso positivo. A medida que se evalúa la prueba
Con un espectro más amplio de pacientes, la tasa de falsos positivos de la prueba generalmente
aumenta (y la especificidad cae).
El procedimiento es una forma especial de sesgo de espectro, llamado sesgo de referencia de prueba . Prueba-
El sesgo de derivación es la forma más común de sesgo en los estudios de desempeño en pruebas,
y, por tanto, es muy importante comprenderlo.
Definición de sesgo de derivación de la prueba: error sistemático en la medición del desempeño de la prueba.
mance porque una prueba de índice anormal influye en la decisión de derivar un
paciente para la prueba estándar de oro.
Página 130
118 Toma de decisiones médicas
Por lo tanto
20
tasa de verdaderos positivos (TPR; P [+ | D ], sensibilidad) = = 0,57
35
10
tasa de verdaderos negativos (TNR; P [- | no D ], especificidad) = = 0,67
15
Página 131
Medición de la precisión de la información de diagnóstico 119
Tabla 5.11 Resultados hipotéticos del estudio de la gammagrafía del bazo en la población de origen.
Positivo 20 5 25
Negativo 15 + 45 10 + 135 205
Totales 80 150 230
Por lo tanto
20
tasa de verdaderos positivos (TPR; P [+ | D ], sensibilidad) = = 0,25
35 + 45
10 + 135
tasa de verdaderos negativos (TNR; P [- | no D ], especificidad) = = 0,97
15 + 135
La muestra verificada contenía todos los pacientes con resultados positivos en la prueba índice.
pero solo unos pocos pacientes con resultados de prueba índice negativos. Los pacientes que
no fue referido a la muestra verificada (en negrita) habría tenido
resultados verdaderos negativos o falsos negativos. Los denominadores del verdadero positivo
La tasa y la tasa de verdaderos negativos en la muestra verificada (ver Tabla 5.10) son menores
que en la población de origen (Tabla 5.11). Dado que todos los pacientes con positivo
Las pruebas fueron referidas y por lo tanto estaban en la muestra verificada, el numerador
de la tasa de verdaderos positivos es la misma que en la población índice. Por lo tanto,
la tasa de verdaderos positivos (sensibilidad) en la muestra verificada es mayor que en la
población índice. La figura 5.8 ilustra este punto gráficamente.
Cuando está presente el sesgo de referencia de la prueba, la tasa de verdaderos positivos es mayor en el
muestra que en la población de origen.
5.6.4 Efecto del sesgo del espectro sobre la tasa de falsos positivos de una prueba
El sesgo de espectro debido a la derivación selectiva también afecta la tasa de falsos positivos de
una prueba, lo que hace que sea más alta en la muestra verificada de lo que sería en la
población de origen.
Página 132
120 Toma de decisiones médicas
Índice Índice
Población de estudio
población población
T+
T+
T+ T+
T-
T-
T-
No
enfermedad Enfermedad T-
Figura 5.8 El efecto de la derivación preferencial de pacientes con pruebas positivas en las mediciones de
tasa de verdaderos positivos (TPR) y tasa de falsos positivos (FPR). T− denota una prueba de índice negativa; T +
denota una prueba de índice positiva.
Sesgo de gravedad de la enfermedad : cuando un paciente está muy enfermo, es probable que un médico
paciente para el procedimiento estándar de oro, a pesar de que la prueba índice es
negativo. Esta tendencia natural enriquece la muestra verificada con pacientes enfermos,
en relación con su número en la población de origen. Independientemente de si
tienen la afección objetivo u otras enfermedades, los pacientes enfermos son más propensos
tener resultados positivos en la prueba de índice. Al medir el desempeño de un
prueba para la condición de destino, una prueba de índice positiva en un paciente con otra
la enfermedad es un resultado falso positivo. Por lo tanto, el sesgo de gravedad de la enfermedad aumenta la
tasa de falsos positivos (y disminución de la especificidad).
Sesgo de derivación de la prueba: es menos probable que los médicos deriven a un paciente con un
prueba de índice para una prueba estándar de oro. Por lo tanto, la muestra verificada tiene relativamente
pocos pacientes con una prueba de índice negativa, lo que significa relativamente pocos verdaderos
resultados de prueba negativos. Una reducción en la tasa de verdaderos negativos (especificidad) significa
un aumento en la tasa de falsos positivos, ya que los dos deben sumar 1.0. Por lo tanto,
El sesgo de derivación de la prueba hace que la tasa de falsos positivos sea mayor (y, por lo tanto, la especificidad
ser menor) en la muestra verificada de lo que sería en la población de origen.
La tabla 5.12 utiliza el estudio de gammagrafía del bazo para ilustrar el efecto del sesgo de derivación de la prueba
sobre las medidas de rendimiento de la prueba.
Página 133
Medición de la precisión de la información de diagnóstico 121
Además, consulte la Figura 5.8 para ver una representación gráfica del efecto de
sesgo de referencia de prueba en la tasa de falsos positivos.
Debido a estos sesgos de derivación y a la inclusión y exclusión estrictas
criterios, la muestra verificada puede contener tan solo el 3% de la población de origen
(Philbrick y col ., 1982). Los lectores deben analizar los informes de desempeño de las pruebas
características para la evidencia de estos sesgos. Una pista importante para el espectro
El sesgo es un estudio retrospectivo, en el que la decisión de solicitar una prueba depende de
el médico en lugar de incorporarse en un protocolo de estudio. Una prueba de índice positiva
proporciona una justificación para solicitar una prueba estándar de oro peligrosa o costosa. En
Por el contrario, es difícil convencer al paciente que ha tenido un índice negativo
prueba para someterse a una prueba estándar de oro potencialmente peligrosa o al paciente
compañía de seguros para pagar una costosa prueba estándar de oro después del negativo
prueba de índice. Las mejores pistas para un estudio confiable son el diseño prospectivo, una
contabilidad de cuántos pacientes de la población de origen abandonaron y por qué,
y una comparación de las características clínicas de la población de origen y
la muestra verificada.
El sesgo de espectro es un problema grave, pero es posible remediarlo. El siguiente
La sección contiene consejos sobre cómo ajustar la tasa de verdaderos positivos y falsos
tasa positiva de sesgo del espectro.
Página 134
122 Toma de decisiones médicas
P [ R ] × P [ D | R , S +]
P[R|D]=
P[D]
Página 135
Medición de la precisión de la información de diagnóstico 123
L[R]=c×L [R]
Por lo tanto, un autor de un estudio sobre el rendimiento de las pruebas debe hacer más que dar la
probabilidades de la condición objetivo en la población verificada, que aparecería
en una tabla de 2 × 2. El autor debe intentar hacer un diagnóstico definitivo en todos los pacientes.
en la población de origen (los que se someten a la prueba del índice) ya sea a largo plazo
seguimiento a través de la historia clínica o llamando a cada paciente para conocer el
diagnostico final. A partir de esta información, el autor pudo calcular las probabilidades
de la condición objetivo en la población de origen y en la muestra verificada,
calcule c , y luego calcule la razón de verosimilitud en la población de origen.
Página 136
124 Toma de decisiones médicas
P [ + | D], P [D] = .9
1,00
0,90
0,80
0,70
P [ + | D], P [D] = .5 P [ - | D], P [D] = .9
0,60
P [ - | D], P [D] = .5
0,50
0,40
0,20
P [ - | D], P [D] = .1
0,10
0,00
1 21 41 61 81 101
Tasa de verdaderos positivos (%)
Figura 5.9 Cambio en la probabilidad posterior a la prueba debido a cambios en la tasa de verdaderos positivos. los
La tasa de falsos positivos fue de 0,2 para todos los cálculos. La probabilidad previa a la prueba (indicada por P [ D ]) fue 0,1,
0,5 y 0,9 en cálculos sucesivos utilizando el teorema de Bayes y variando la tasa de verdaderos positivos de
la prueba de 0 a 1.0. Las probabilidades posteriores a la prueba después de una prueba positiva ( P [+ | D ]) se indican mediante la
lineas solidas. Después de una prueba negativa ( P [- | D ]), se indican con líneas discontinuas. El sombreado
La sección denota el rango de tasas de verdaderos positivos típicamente presentes en la práctica clínica.
Línea de fondo
• Preocuparse por las mediciones precisas del rendimiento de la prueba cuando su paciente
un resultado inesperado :
Página 137
Medición de la precisión de la información de diagnóstico 125
En la mayor parte de este capítulo, hemos descrito los resultados de las pruebas como "positivos" y
'' negativo ''. A menudo, utilizamos estos términos porque el laboratorio clínico proporciona
sólo el "límite superior de lo normal" como información para guiar la interpretación de la prueba
(a estas alturas, debería sentirse impaciente con los laboratorios clínicos que
¡No proporcione la información que necesita para interpretar los resultados de la prueba!). Ahora eso
P [| D + ], P [D] = .9
1,00
0,90
P [| D + ], P [D] = .5
0,80
0,70
P [| D - ], P [D] = .9
0,60
0,50
P [| D - ], P [D] = .5
0,40
0,20
0,10
P [| D - ], P [D] = .1
0,00
0 0,2 0.4 0,6 0,8 1
Figura 5.10 Cambio en la probabilidad posterior a la prueba debido a cambios en la tasa de falsos positivos. los
La tasa de verdaderos positivos fue 0,9 para todos los cálculos. La probabilidad previa a la prueba (indicada por P [ D ]) fue 0,1,
0.5 y 0.9 en cálculos sucesivos usando el teorema de Bayes y variando la tasa de falsos positivos
de la prueba de 0 a 1.0. Las probabilidades posteriores a la prueba después de una prueba positiva ( P [- | D ]) se indican mediante
las líneas continuas. Después de una prueba negativa, ( P [- | D ]), se indican con líneas discontinuas. El sombreado
La sección denota el rango de tasas de verdaderos positivos típicamente presentes en la práctica.
Página 138
126 Toma de decisiones médicas
• Las probabilidades condicionales de todos los resultados de la prueba por encima de un valor de corte en
paciente enfermo y no enfermo (Figura 5.13 en la página 128). Desde P [ R | D ]
y P [ R | no D ], podemos calcular la razón de verosimilitud de cualquier resultado de prueba que
cae por encima del valor de corte.
Los resultados de la prueba deben vincularse a una decisión de acción. Cuando el laboratorio clínico
informa el resultado de una prueba como un número (p. ej., un valor de troponina I sérica de 50 ng / dl),
tenemos que decidir si ese número excede el umbral numérico para tomar
acción. Nos gustaría que ese valor de umbral (el punto de corte) sea el mejor
para el paciente.
El médico que se entera del resultado de una prueba siempre debe hacer la pregunta:
'' ¿Qué hago ahora? '' Hay tres alternativas: no hacer nada, obtener más
información o iniciar el tratamiento. Como veremos en el capítulo 9, el paciente
La probabilidad posterior a la prueba de la condición objetivo determina cuál de estos tres
las alternativas maximizarán el bienestar del paciente. Según Bayes '
teorema, la probabilidad de enfermedad posterior a la prueba depende de la razón de probabilidad,
Individuos Individuos
sin enfermedad con enfermedad
No. de
pacientes
Concentración de suero
Página 139
Medición de la precisión de la información de diagnóstico 127
= Verdadero positivo
= Falso negativo
x1 x2
Concentración de suero
= Falso positivo
= Verdadero negativo
x1 x2
Concentración de suero
Figura 5.12 Cálculo de P [ R | D ] (panel superior) y P [ R | no D ] (panel inferior) para una variedad de pruebas
resultados.
que a su vez depende del valor de corte de la prueba. Nuestro objetivo en esta sección
es sentar las bases para determinar el valor de corte del resultado de la prueba que
maximiza el bienestar del paciente.
Establecer un criterio para tomar acción requerirá hacer un intercambio
(Figura 5.14 en la página 129):
• Para obtener una prueba que detecte a todos los pacientes con la enfermedad, reduzca el punto de corte
valor hasta que todos los resultados de las pruebas en pacientes con enfermedad estén por encima de él. Como el
El valor de corte cae, cada vez hay más pacientes que no tienen la enfermedad.
tendrá resultados que se encuentran por encima de él y, por lo tanto, son resultados falsos positivos.
Por lo tanto, para estar seguro de detectar a todos los pacientes enfermos, uno debe aceptar la
compensación de una mayor tasa de falsos positivos.
• Para obtener una prueba que sea anormal solo en personas con una afección objetivo,
aumentar el valor de corte hasta que todos los resultados de la prueba en pacientes que no tienen
la condición objetivo se encuentra debajo de ella. Sin embargo, a medida que aumenta el valor de corte,
Página 140
128 Toma de decisiones médicas
Número No
de enfermedad Enfermedad
pacientes
Numero de pacientes
Número
No
de Enfermedad
enfermedad
pacientes
Numero de pacientes
Figura 5.13 Cálculo de P [ R | D ] (panel superior) y P [ R | no D ] (panel inferior) para todos los resultados de la prueba
por encima de un valor de corte (indicado por la línea vertical).
cada vez más pacientes que tienen la enfermedad tendrán resultados que
se encuentran por debajo del valor de corte y, por lo tanto, son resultados falsos negativos. Evitando
resultados falsos positivos significa aceptar más resultados falsos negativos.
En la terminología de la teoría de juegos, ajustar la definición de una prueba anormal
El resultado es un "juego de suma cero": un objetivo se logra a expensas de otro.
Página 141
Medición de la precisión de la información de diagnóstico 129
Normal
individuos
Enfermo
Número de individuos
pacientes
Concentración de suero
Enfermo
individuos
Concentración de suero
Figura 5.14 Efecto de alterar el valor de corte que define un resultado de prueba anormal.
• El área por encima de la línea de 45 grados: el índice de probabilidad de los resultados de la prueba.
que caen por encima de la línea de 45 grados es mayor que 1.0, lo que indica que el
Página 142
130 Toma de decisiones médicas
Falso positivo
Falso negativo
Enfermedad
No pacientes
Falso positivo
1.0
Falso negativo
Enfermedad
No pacientes
Falso positivo
Tasa de verdaderos positivos
Falso negativo
Enfermedad
0 1.0
No pacientes
Tasa de falsos positivos
Concentración sérica de CPK
Figura 5.15 Curva ROC para los niveles de troponina sérica utilizada para detectar infarto de miocardio
(datos hipotéticos).
1.0
> 0,5
.8
> 1.0
.6
.4 > 1,5
> 2.0
.2 > 2,5
Sensibilidad (tasa de verdaderos positivos)
.2 .4 .6 .8 1.0
Figura 5.16 Curva ROC para la depresión del segmento ST en un electrocardiograma de ejercicio. Cada
El punto representa una cantidad diferente de depresión del segmento ST, como se indica en el gráfico por
número de milímetros de depresión ST. Curva ROC creada por los autores utilizando datos de
Diamond y Forrester (1979).
Página 143
Medición de la precisión de la información de diagnóstico 131
H 1-P[D]
pendiente de la curva ROC = ×
B P[D]
donde P [ D ] = la probabilidad de enfermedad previa a la prueba, H = los daños netos del tratamiento
pacientes que no tienen la condición de destino (los daños de un falso positivo
resultado), y B = el beneficio neto de tratar a los pacientes con la afección objetivo.
el bienestar es muy poderoso y es una razón de peso para utilizar este método para
determinar el punto de corte de una prueba.
Página 144
132 Toma de decisiones médicas
El capítulo 9 contiene una descripción del método para determinar los daños
( H ) y beneficios ( B ) del tratamiento. En los ejemplos de este capítulo, usaremos
juicio subjetivo para estimar la relación de H a B .
Ejemplo: imagina una prueba de anticuerpos séricos contra una enfermedad infecciosa
de graves consecuencias. La concentración de anticuerpos puede tener cualquier valor.
Un grupo de investigación confiable ha medido la razón de probabilidad de cada suero
concentración.
Hay dos poblaciones objetivo potenciales para esta prueba: las que tienen
hallazgos clínicos de enfermedad activa ( confirmación de enfermedad ) y aquellos que han
no hay evidencia de la enfermedad, pero desea donar sangre que pueda transmitir la
infección ( detección ). Los daños y beneficios netos del tratamiento dependen de la
población objetivo.
Valor de corte para la confirmación de la enfermedad: pacientes que requieren confirmación de la enfermedad
ción puede tener o no una enfermedad. Suponga que la probabilidad de enfermedad es 0.50.
Los pacientes con una prueba positiva se someten a un tratamiento muy tóxico para los huesos.
médula ósea, lo que pone al paciente en riesgo de otras infecciones durante un período de varios
meses. Los pacientes con la enfermedad obtienen un beneficio considerable de la enfermedad.
detección porque, aunque la enfermedad es incurable, el tratamiento puede prolongar
supervivencia hasta por un año. Pacientes que no tienen la enfermedad pero tienen un
la prueba positiva recibe el tratamiento muy tóxico pero no puede beneficiarse de él. Por lo tanto,
la proporción de daños y beneficios para la detección de enfermedades es de 2 a 1. En esta población,
el resultado de la prueba que divide '' negativo '' de '' positivo '' corresponde al
punto en la curva ROC donde la tangente tiene la siguiente pendiente:
H × 1 - P [ D ] = 2 × 1 - 0,5
pendiente de la curva ROC = = 2,0
B P[D] 1 0,5
Valor de corte para el cribado: pacientes que son candidatos para el cribado
detectar este agente infeccioso se enfrenta a una situación algo diferente. El predominio
La incidencia de esta enfermedad en personas asintomáticas es de sólo 0,001 (1 caso de cada 1000
personas asintomáticas). Hay un beneficio considerable en la detección de enfermedades.
porque estas personas pueden donar sangre infecciosa sin darse cuenta. Ya que
el tratamiento es tan tóxico que nadie, de común acuerdo, inicia el tratamiento cuando
el paciente está asintomático. Por lo tanto, los daños de tratar a pacientes que
tienen pruebas positivas pero no tienen enfermedad es muy bajo, aunque los pacientes
tienen la carga psicológica de saber que pueden tener una enfermedad que podría
Página 145
Medición de la precisión de la información de diagnóstico 133
1.0
.8
.6
.4
Pendiente de la tangente
a la curva ROC en
punto de corte óptimo = 2.0
.2
Sensibilidad (tasa de verdaderos positivos)
.2 .4 .6 .8 1.0
Figura 5.17 Curva ROC para una prueba hipotética de anticuerpos contra el agente infeccioso que causa graves
enfermedad.
más tarde será fatal. En general, la relación entre los daños y los beneficios para la detección de enfermedades
se estima en 1 a 50. En esta población, la prueba debe considerarse
anormal en el punto de la curva ROC donde su pendiente es
H 1-P[D] 1 1 - 0,001
pendiente de la curva ROC = × = ×
B P[D] 50 0,001
1 0,999
= × = 20
50 0,001
Página 146
134 Toma de decisiones médicas
1.0
Sensibilidad
0 1.0
0 .20 .40 .60 .80 1.0
Sensibilidad Tasa de falsos positivos
(1 especificidad)
Figura 5.18 Varios estudios hipotéticos de la precisión de una prueba de diagnóstico graficada en ROC
espacio (panel de la derecha) y como un diagrama de bosque de sensibilidad (panel de la izquierda). Cada punto representa
un estudio diferente del rendimiento de las pruebas.
Página 147
Medición de la precisión de la información de diagnóstico 135
Página 148
136 Toma de decisiones médicas
1.0
Sensibilidad
0 1.0
0 .20 .40 .60 .80 1.0
Figura 5.19 Dos formas de resumir una colección de estudios sobre la precisión de una prueba de diagnóstico.
El panel de la izquierda es un diagrama de bosque de sensibilidad. El diamante representa la sensibilidad media.
El panel de la derecha es un gráfico de varios estudios en el espacio de la República de China. Cada punto representa un
estudio del rendimiento de las pruebas. El punto oscuro representa la sensibilidad media y el falso positivo.
Velocidad. La curva representa una curva ROC resumida. El óvalo representa el 95% de confianza.
Perímetro. Esta ilustración es un dibujo, no un diagrama calculado. Para ver un ejemplo con datos de la vida real,
consulte la Figura 4 en el artículo de Leeflang et al . (2008).
Resumen
Página 149
Medición de la precisión de la información de diagnóstico 137
Problemas
◦ ◦
1. Al realizar una prueba de fiebre (temperatura superior a 99 F (37 C)), que es
◦ ◦
la tasa de verdadero positivo para un termómetro que siempre lee 105 F (41 C)?
¿Cuál es la tasa de falsos positivos de este termómetro?
2. Considere una población que consta de 100 pacientes con enfermedad coronaria.
que involucran un solo vaso, 50 pacientes con enfermedad coronaria que involucran dos
vasos, 30 pacientes con enfermedad coronaria que afecta a tres vasos, y 150
pacientes sin enfermedad coronaria. Suponga que la probabilidad de un positivo
prueba en cinta rodante en pacientes con enfermedad de un solo vaso es de 0,4, la probabilidad
de una prueba en cinta rodante positiva en pacientes con enfermedad de doble vaso es 0,6,
y la probabilidad de una prueba en cinta rodante positiva en pacientes con triple vaso
enfermedad es 0.8. ¿Qué tasa de verdaderos positivos se observaría en esta población?
si la prueba en cinta rodante se usara para detectar enfermedad coronaria?
3. Suponga que acaba de completar la evaluación de una nueva prueba para el cáncer de pulmón.
y para su sorpresa, encontró que la probabilidad de un resultado positivo
resultado en pacientes con cáncer de pulmón es sólo 0,05, mientras que la probabilidad de un
prueba positiva en pacientes que no tienen cáncer de pulmón es 0,85. Puedes ver
algún uso para esta prueba?
4. Suponga que decido llamar enfermo a un paciente si cae una moneda lanzada
"cabezas". ¿Cuál es la razón de probabilidad para esta prueba peculiar?
Página 150
138 Toma de decisiones médicas
daño severo del músculo cardíaco. Cuando una prueba tiene muchos resultados posibles,
El médico debe elegir un resultado que defina el umbral para actuar como si
el paciente tenía la condición objetivo. Este apéndice contiene la derivación de
la relación matemática para identificar el punto en la curva ROC que
corresponde a la definición preferida de un resultado anormal. La decisión de
dar o negar el tratamiento a un paciente depende de si el paciente
El resultado de la prueba está por encima o por debajo de este punto de corte.
Esta derivación depende de conceptos que aparecen por primera vez en los siguientes
capítulos. El lector debe consultar estos capítulos a medida que aparezcan nuevos conceptos.
El autor ha basado esta derivación en artículos de Metz y de Swets (ver
Bibliografía).
Nuestro objetivo es encontrar la definición de un resultado anormal que maximice
el beneficio neto de hacer la prueba. Dado que se desconoce el verdadero estado del paciente,
expresamos el beneficio neto como un valor esperado (valor esperado toma de decisiones
T+
U [TP]
D+ P [+ | D]
P [D]
T−
U [FN]
P [- | D]
U [prueba]
T+
U [FP]
P [+ | sin D]
D−
P [no D] T−
U [TN]
P [- | no D]
Página 151
Medición de la precisión de la información de diagnóstico 139
pero
P (- | sin D ) = 1 - P (+ | sin D ) y P (- | D ) = 1 - P (+ | D )
U (prueba) = [( U tp - U fn ) × P ( D ) × P (+ | D )] + [( U fp - U tn ) × P (sin D )
× P (+ | sin D )]
P (+ | D ) = R [ P (+ | sin D )]
× P (sin D ) × P (+ | sin D )]
Página 152
140 Toma de decisiones médicas
d [ R [ P (+ | sin D )]]
0 = ( U tp - U fn ) × P [ D ] × + ( U fp - U tn ) × P (sin D )
d [ P (+ | sin D )]
En el Capítulo 9, nos referimos a ( U fp - U tn ) como el '' daño '' de tratar a una persona no enferma
persona (denotado como H ), y ( U fn - U tp ) como el '' beneficio '' de tratar a un enfermo
persona (denotado como B ). Por tanto, la ecuación A5.3 se convierte en
d [ R [ P (+ | sin D )] P [no D ] H
= × (A5.4)
d [ P (+ | sin D )] P[D] B
Bibliografía
Página 153
Medición de la precisión de la información de diagnóstico 141
Bossyut, PM, Reitsma, JB, Bruns, DE et al . (2003) Estándares para la presentación de informes de diagnóstico
precisión. Hacia un informe completo y preciso de los estudios de precisión diagnóstica:
Iniciativa STARD. Annals of Internal Medicine , 138 , 40–4.
Un breve artículo que describe los elementos clave de un estudio de la precisión de una prueba de diagnóstico y cómo
para denunciarlos. Un artículo adjunto solo en línea profundiza mucho más.
Una valiosa fuente de datos para curvas ROC para pruebas cardíacas.
Gray, R., Begg, CB y Greenes, RA (1984a) Construcción de las características operativas del receptor
curvas isticas cuando la verificación de la enfermedad está sujeta a sesgo de selección. Toma de decisiones médicas ,
4 , 151–64.
Un buen artículo para aquellos que deseen aprender más sobre las curvas ROC y cómo pueden ser
utilizado para comparar pruebas de diagnóstico.
Irwig, L., Tosteson, ANA, Gatsonis, C. et al . (1994) Directrices para metanálisis que evalúan
pruebas de diagnóstico. Annals of Internal Medicine , 120 , l 667–76.
Leeflang, MMG, Deeks, JJ, Gastsonis, CG y Bossyut, PMM (2008) Revisiones sistemáticas
de la exactitud de la prueba de diagnóstico. Annals of Internal Medicine , 149 , 889–97.
Una descripción excelente y actualizada de los elementos clave de una revisión sistemática de diagnóstico
Exactitud de la prueba, incluidos métodos estadísticos fiables para combinar los resultados de los estudios.
Este artículo clásico llevó los principios del análisis de decisiones a una amplia audiencia médica.
Metz, CE (1978) Principios básicos del análisis ROC. Seminars in Nuclear Medicine , 8 , 283–98.
Este artículo es el clásico reconocido sobre el análisis de la República de China. Contiene una derivación del
método para elegir el valor de corte óptimo para una prueba de diagnóstico.
Este artículo describe cómo caracterizar los resultados de muchos estudios de desempeño en pruebas.
por una curva ROC resumida.
Los autores muestran cómo los factores de selección limitan el número de pacientes en la fuente
población que puede participar en estudios de la tasa de verdaderos positivos y la tasa de falsos positivos
de una prueba.
Página 154
142 Toma de decisiones médicas
La descripción clásica del efecto de la selección sesgada de pacientes sobre la tasa de verdaderos positivos
y tasa de falsos positivos.
Un libro clásico. El primer capítulo contiene una derivación del punto de operación óptimo en
la curva ROC.
Weiner, DA, Ryan, TJ, McCabe, CH y col . (1979a) Prueba de esfuerzo con ejercicio: correlación entre
antecedentes de angina, respuesta del segmento ST y prevalencia de enfermedad arterial coronaria en el
Estudio de Cirugía de Arteria Coronaria (CASS). Revista de Medicina de Nueva Inglaterra , 301 , 230–5.
Este estudio ilustra cómo la medición de la tasa de verdaderos positivos y la tasa de falsos positivos
en subgrupos clínicos y anatómicos de pacientes puede dar sus frutos en nuevos conocimientos. Este estudio
mostró que la tasa de verdaderos positivos del electrocardiograma de ejercicio depende de la
historial del paciente.
Página 155
CAPÍTULO 6
Hasta ahora, este libro se ha centrado en el diagnóstico. Hemos visto cómo las herramientas de
La teoría de la probabilidad puede cuantificar la incertidumbre en la observación clínica y la prueba.
interpretación. La suposición implícita de los primeros cinco capítulos es que la expresión
Considerar la incertidumbre del diagnóstico como probabilidad conducirá a una mejor toma de decisiones.
Este capítulo justifica esa suposición al mostrar cómo utilizar estas herramientas para
ayudar a los médicos a clasificar sus opciones cuando se enfrentan a decisiones grandes y pequeñas.
Un médico toma muchas decisiones todos los días hábiles al solicitar una prueba,
elegir un tratamiento u hospitalizar a un paciente. El clínico experimentado
toma muchas decisiones fácilmente porque hay poco en juego o porque el problema
lem es familiar. El médico experimentado tiene procedimientos operativos estándar
para estas situaciones. Las heurísticas o políticas clínicas cuidadosamente elegidas son
entre las características distintivas del maestro clínico. Este capítulo
vide un marco analítico de decisiones para comprender los ingredientes de
buenas heurísticas.
Los métodos descritos en este capítulo se basan en cuatro conceptos relacionados:
1. Una decisión puede conducir a cualquiera de varios resultados posibles, según se determine
por la casualidad de sucesos posteriores.
2. Cada uno de esos resultados se puede representar con un número, como el
duración correspondiente de la vida del paciente. Nos referimos a ese número como el
valor del resultado.
3. Cada resultado también tiene una probabilidad, que mide la probabilidad de que
el paciente experimentará ese resultado.
4. El valor esperado es una medida resumida de todos los resultados que pueden resultar
de una decisión. Se calcula multiplicando el valor de cada resultado.
por su probabilidad y sumando los productos. Cuando el valor del resultado
es la duración de la vida del paciente, esa suma de productos es la vida del paciente
expectativa.
La noción fundamental en este capítulo es que una persona puede comparar la
alternativas en una decisión calculando el valor esperado para cada alternativa.
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
143
Página 156
144 Toma de decisiones médicas
Página 157
Toma de decisiones sobre el valor esperado 145
6.1 Un ejemplo
Margen de 3 cm
Resección
Página 158
146 Toma de decisiones médicas
Primera resección
Segundas resecciones
Tercera resección
Página 159
Toma de decisiones de valor esperado 147
Calidad de vida : la elección de Hank de un tratamiento también podría afectar a largo plazo
calidad de su vida.
• La cirugía tradicional removería la mucosa que recubre su recto.
La cirugía reconstructiva podría restaurar la mucosa; sin embargo,
Hank probablemente requeriría una colostomía permanente y usaría un
bolsa de colostomía por el resto de su vida.
• La cirugía dirigida microscópicamente tiene la ventaja de evitar una
colostomía si la enfermedad no se ha extendido al canal anal de Hank.
• Renunciar al tratamiento puede evitar una colostomía a menos que sea posteriormente
necesario para hacer frente a las consecuencias de una enfermedad metastásica no tratada.
La tabla 6.1 resume las ventajas y desventajas de los tres
alternativas de tratamiento. En aras de la simplicidad, esta discusión asume
que Hank decidió ignorar varios problemas a corto plazo. Por ejemplo, el
Las cirugías son incómodas y, dependiendo de la extensión de la enfermedad,
el procedimiento dirigido microscópicamente requerirá un procedimiento más largo. los
Página 160
148 Toma de decisiones médicas
Hacer nada Evita la colostomía en corto Dejado con local sin tratar
término enfermedad que podría extenderse
y ser fatal
Cirugía tradicional Podría ser curativo pero evitarlo Es probable que haya colostomía
colostomía
Dirigido microscópicamente Podría evitar la colostomía Podría pasar por alto una enfermedad local que
cirugía podría extenderse y ser fatal
Página 161
Toma de decisiones de valor esperado 149
Enfermedad presente
Sin tratamiento
con enfermedad
Sin tratamiento
Figura 6.3 Árbol de decisión genérico para dos estados de enfermedad y dos alternativas de tratamiento.
Página 162
150 Toma de decisiones médicas
Figura 6.4 Árbol de decisión para el problema de decisión de Hank después de una biopsia por punción negativa.
Página 163
Toma de decisiones de valor esperado 151
Enfermedad local
Enfermedad local no tratada
Cirugía tradicional : como se muestra en la Figura 6.6, los posibles resultados para
La cirugía tradicional es un poco más complicada debido a la incertidumbre.
sobre el resultado de la cirugía reconstructiva que se realizará
después. Esa cirugía intentará reparar la mucosa anal que
dañarse tomando el gran margen de tejido alrededor de la lesión visible.
Hank no requerirá una colostomía si este procedimiento tiene éxito. Con
Página 164
152 Toma de decisiones médicas
exitoso
Enfermedad local Curado con
Mucosa anal colostomía
remoto
Metástasis Metástasis
sin colostomía
Injerto
exitoso
Enfermedad local Curado sin
colostomía
Nodo de oportunidad para
extensión de la lesión local
Metástasis Metástasis
sin colostomía
Incompleto
Dado que Hank es quien toma las decisiones, debemos basar el análisis en su incertidumbre.
tainty sobre las posibilidades que enfrenta. El paciente cuyo dilema inspiró
El ejemplo de Hank fue un científico que había dedicado su carrera a trabajar con datos.
Habría preferido cuantificar su incertidumbre utilizando observaciones empíricas.
variaciones. Sin embargo, la enfermedad de Paget perianal es muy rara. Con solo un puñado
de los casos descritos en la literatura, no tenía una base empírica para pensar
sobre la incertidumbre en su decisión. Hank se sentía cómodo pensando en
incertidumbre en términos subjetivos, como se describe en el Capítulo 3. Para la decisión de Hank
problema, mediremos la probabilidad de un resultado por la probabilidad de que
asignaría a un evento. Dado que Hank no era un clínico en ejercicio, había
basarse en las probabilidades declaradas por los oncólogos implicados en su caso,
que estimarían los riesgos de Hank recordando su propia experiencia de experiencias similares
casos y buscando en la literatura médica.
Los nodos de azar en el árbol de decisiones para el problema de Hank describen la
eventos inciertos que podría experimentar mientras vivía con su enfermedad. Estos
los nodos de probabilidad son:
• Extensión de la enfermedad.
• Cirugía reconstructiva exitosa después de la cirugía tradicional (y evitación
de una colostomía).
Página 165
Toma de decisiones sobre el valor esperado 153
P [ D ] × P [- | D ]
P [ D | -] = (6.2)
( P [ D ] × P [- | D ]) + ( P [sin D ] × P [- | sin D ])
P [- | D ] = P [Biopsia por punch negativa | Mucosa anal tiene Paget s células] (6,4)
P [ D | -] = P [Anal mucosa tiene Paget s células | Biopsia por punch negativa] (6,6)
Por lo tanto, necesitamos determinar las tasas de verdaderos positivos y falsos positivos
para la biopsia por punción, así como la probabilidad previa a la prueba para las células de Paget en
Mucosa anal de Hank. Comenzaremos con la tasa de falsos positivos.
Página 166
154 Toma de decisiones médicas
Tasa de falsos positivos de la biopsia por punción : después de hablar con su oncólogo, Hank
confiado en que es poco probable que un patólogo confunda tejido normal con un
Celda de Paget. Por lo tanto, su tasa de falsos positivos para la biopsia por sacabocados es
P [Biopsia por punch positiva | Mucosa anal es libre de Paget s células] = 0,01 (6,7)
Tasa de verdaderos positivos de la biopsia por punción : una biopsia por punción es solo una muestra del tejido
que podrían contener células de Paget, por lo que es posible que las células afectadas no se incluyan en
la biopsia por sacabocados. Además, el patólogo podría pasar por alto una célula de Paget
que estaba presente en la muestra. Por lo tanto, se requieren dos cosas para
biopsia por punch positivo verdadero: las células de Paget se incluyen en la muestra de biopsia
y el patólogo reconoce que son células de Paget. Eso es,
Hank creía que la biopsia por punción tenía un 50% de posibilidades de incluir la enfermedad de Paget
células si las células de Paget estaban presentes en la mucosa anal. Es decir, creía que
el primer término del lado derecho de la ecuación 6.8 es 0.50. Hank dudaba
que el patólogo no identificaría las células de Paget si estuvieran presentes en
la biopsia. Por lo tanto, creía que el segundo término de la ecuación 6.8 era
0,95. Por lo tanto,
Probabilidad previa a la prueba : Finalmente, la probabilidad previa a la prueba de Hank para la presencia de
Las células de Paget en su mucosa anal eran del 30%.
Probabilidad posterior a la prueba : insertar estas probabilidades en la determinación del teorema de Bayes
extrae la probabilidad posprueba de Hank de las células de Paget en su mucosa anal después de una
biopsia por punción negativa:
Por lo tanto, la biopsia por punción negativa redujo la incertidumbre de Hank sobre
si las células de Paget estaban en la mucosa anal del 30% al 19% aproximadamente.
La figura 6.8 muestra cómo la probabilidad posterior a la prueba después de un golpe negativo
biopsia varía con la probabilidad previa a la prueba de Hank de que las células de Paget estuvieran en
la mucosa anal.
Mucosa anal extirpada mediante cirugía dirigida microscópicamente : hay dos
formas en que la cirugía dirigida microscópicamente podría conducir a la extracción de
parte de la mucosa anal. Primero, el patólogo examina el tejido extirpado.
Página 167
Toma de decisiones sobre el valor esperado 155
1.0
0,9
0,8
0,7
0,6
0,5
0.4
0,3
0,2
0,1
0.0
P [células de Paget en la mucosa anal | Biopsia con punch negativo]
0.0 0,1 0,2 0,3 0.4 0,5 0,6 0,7 0,8 0,9 1.0
P [células de Paget en la mucosa anal]
detecta células de Paget en la mucosa anal - un verdadero positivo. En segundo lugar, Paget
las células pueden estar ausentes de la mucosa anal pero el patólogo por error
identifica una celda normal como una celda de Paget: un falso positivo. Cualquiera de los eventos
podría dar lugar a la eliminación de la mucosa anal, por lo que la probabilidad de que anal
se eliminará la mucosa es la suma de las dos probabilidades. Simbólicamente,
P[AyB]
P[A|B]= (6,12)
P[B]
Por lo tanto, podemos escribir los dos términos de la mano derecha de la ecuación 6.11 como
Página 168
156 Toma de decisiones médicas
que es más o menos la misma que la probabilidad de que las células de Paget
están presentes en la mucosa anal de Hank porque Hank asignó tales
baja probabilidad de que el patólogo cometa un error falso positivo
(Ecuación 6.14).
Extracción completa de las células de Paget mediante cirugía dirigida microscópicamente :
Finalmente, la cirugía dirigida microscópicamente eliminará las células de Paget
siempre que el patólogo detecte las células de Paget que están presentes en el
tejido resecado, que es la tasa de verdaderos positivos del patólogo. Como se ha señalado
arriba, Hank cree que la tasa de verdaderos positivos del patólogo para encontrar
Las células de Paget en una muestra son del 95%. Por lo tanto
(6,17)
La figura 6.9 muestra el árbol de decisiones de Hank después de sumar las probabilidades
extraído en las secciones anteriores. Este árbol se puede utilizar para calcular la probabilidad
de cualquier resultado individual multiplicando las probabilidades en cada nodo de probabilidad en
las ramas que conducen a ese resultado (a menudo llamadas probabilidades de ruta ). Para
ejemplo, la probabilidad de que Hank se cure sin una colostomía si
elige la cirugía tradicional es
Página 169
Toma de decisiones de valor esperado 157
Figura 6.9 Árbol de decisión para el problema de decisión de Hank con probabilidades.
La tabla 6.2 enumera todas las probabilidades de todos los resultados posibles en la
problema de decisión. Estas probabilidades pueden proporcionar un significado cuantitativo a
varias de las declaraciones hechas anteriormente sobre las alternativas de tratamiento de Hank.
Por ejemplo, la probabilidad de curación de la cirugía tradicional es
Por lo tanto, Hank debería creer que la cirugía más complicada es un poco
menos probabilidades de curar su enfermedad. Al mismo tiempo, la probabilidad de que Hank
terminar con una colostomía con el tratamiento tradicional es
Página 170
158 Toma de decisiones médicas
Renunciar a cualquier tratamiento Enfermedad local sin colostomía Por evaluación directa 0.0500
Página 171
Toma de decisiones de valor esperado 159
80
70
60
50
40
30
20
10
Esperanza de vida restante (años)
0
0 10 20 30 40 50 60 70 80 90100
Figura 6.10 Esperanza de vida de los hombres blancos en EE. UU. (Datos de 2997).
La esperanza de vida es la duración media de vida que queda a una edad determinada. Cómo
lo estimamos? Partimos de cifras medias de la población. Figura 6.10
muestra la esperanza de vida de los hombres blancos en EE. UU., según datos de 2007. A
60 años, Hank podría esperar vivir unos 20 años más si pudiera recuperar su
salud después de la curación de su enfermedad de Paget perianal.
Hank enfrentaría menores expectativas de vida por los otros posibles resultados.
que él podría experimentar. Por ejemplo, solo esperaría vivir otra
dos años si su enfermedad de Paget ya había hecho metástasis. Con local no tratado
Hank creía que su esperanza de vida sería de cinco años, según
las tasas de supervivencia informadas para el melanoma maligno. El impacto de tener un
La colostomía sobre la esperanza de vida fue menos clara para Hank. Basado en conversaciones
con sus médicos y pacientes con colostomías, esperaba que una colostomía
no afectaría la duración de su vida.
La tabla 6.3 enumera las probabilidades y la esperanza de vida de Hank para cada uno de los
posibles resultados. Más adelante en este capítulo discutiremos cómo estimar la
expectativas de vida asociadas con los resultados. Por ahora, tomaremos el de Hank.
estimaciones como un hecho. Podemos usar los números de esta tabla para calcular la vida
expectativa asociada con cada alternativa de tratamiento.
Por ejemplo, el 95% de los pacientes que abandonan el tratamiento vivirán los cinco años
esperado para un paciente con enfermedad local no tratada. El 5% restante de estos
los pacientes vivirán los dos años que espera un paciente con enfermedad metastásica.
Por lo tanto, si Hank renuncia al tratamiento, su esperanza de vida es
Página 172
160 Toma de decisiones médicas
Tabla 6.3 Probabilidades de resultado y esperanza de vida para los posibles resultados de Hank.
La tabla 6.4 muestra los cálculos de esperanza de vida para cada uno de los tratamientos de Hank.
alternativas de mento.
Renunciar a cualquier tratamiento tiene la esperanza de vida más baja para Hank. Es
Claro que ninguno de sus médicos recomendó esta alternativa. Lo tradicional
El abordaje quirúrgico maximizaría la esperanza de vida de Hank porque es más
probablemente para curar su enfermedad de Paget perianal. Sin embargo, su esperanza de vida con
La cirugía dirigida microscópicamente es solo medio año más corta que su vida.
expectativa con la cirugía tradicional.
Página 173
Toma de decisiones de valor esperado 161
Página 174
162 Toma de decisiones médicas
20
15
10
Esperanza
5 de vida (años)
0
0.0 0,1 0,2 0,3 0.4 0,5 0,6 0,7 0,8 0,9 1.0
P [Enfermedad metastásica]
Página 175
Toma de decisiones de valor esperado 163
20
15
10
5
Esperanza de vida (años)
0
2 4 6 8 10 12 14 dieciséis 18 20
Figura 6.12 Esperanza de vida para alternativas versus esperanza de vida para enfermedades no tratadas.
Página 176
164 Toma de decisiones médicas
0,30
LE = 0 años
Tratamiento A
6
0,70
LE = 9 años
Sin prueba
3
0,20
LE = 1 año
Tratamiento B
7
0,80
LE = 8 años
0,15
LE = 0 años
Tratamiento A
1 8
0,85
LE = 9 años
Prueba +
4
0.4 0,30
LE = 1 año
Tratamiento B
9
0,70
LE = 8 años
Prueba
2
0,40
LE = 0 años
Tratamiento A
10
0,60
LE = 9 años
Prueba−
5
0,6 0,10
LE = 1 año
Tratamiento B
11
0,90
LE = 8 años
Valor esperado = x 1
Valor esperado = x 2
Valor esperado = x 3
Resultado con valor igual a
equivalente a
máximo de x 1 , x 2 , x 3 ,…, x M
Valor esperado = x M
Página 177
Toma de decisiones de valor esperado 165
Tratamiento A
6 LE = 0,30 × 0 años + 0,70 × 9 años = 6,3 años
Sin prueba
3
Tratamiento B
7 LE = 0,20 × 1 año + 0,80 × 8 años = 6,6 años
Tratamiento A
1 8 LE = 0,15 × 0 años + 0,85 × 9 años = 7,7 años
Prueba +
4
0.4 Tratamiento B
9 LE = 0,30 × 1 año + 0,70 × 8 años = 5,9 años
Prueba
2
Tratamiento A
10 LE = 0,40 × 0 años + 0,60 × 9 años = 5,4 años
Prueba−
5
0,6 Tratamiento B
11 LE = 0,10 × 1 año + 0,90 × 8 años = 7,3 años
p1
Valor = y 1
p2
Valor = y 2
p3
Valor = y 3
Resultado con valor igual a
equivalente a p 1y 1 + p 2y 2 + p 3y 3 + … + p N y N
pN
Valor = y N
Por ejemplo, la Figura 6.14 ha reemplazado los nodos de probabilidad de resultado del tratamiento
(Nodos 6 a 11) en la Figura 6.13 con sus valores esperados. Hacerlo no ha
cambió el árbol en el sentido de que un nodo de azar es equivalente a su esperado
valor. Por ejemplo, el valor esperado para el nodo 6 es
En el análisis del valor esperado, 6.3 años para ciertos son equivalentes a la apuesta
representado por el nodo 6 en la figura 6.13.
La figura 6.15 muestra el siguiente paso en el proceso en el que los nodos de decisión
(Nodos 3 a 5) han sido reemplazados por la alternativa con la mayor
valor. Por ejemplo, el nodo 3 es una elección entre el nodo 6, que tiene un esperado
valor de 6,3 años, y Nodo 7, que tiene un valor esperado de 6,6 años.
Por lo tanto, el valor esperado para el nodo 3 es
LE para el nodo 3 = máx. (6,3 años, 6,6 años) = 6,6 años (6,27)
La figura 6.16 simplifica aún más el árbol al reemplazar la probabilidad restante (nodo
2) por su valor esperado:
LE para el nodo 2 = 0,6 7,7 años + 0,4 7,3 años = 7,5 años (6,28)
Página 178
166 Toma de decisiones médicas
1
0,6
4 LE = máx. (7,7 años , 5,9 años ) = 7,7 años
2
0.4
5 LE = máx. (5,4 años , 7,3 años ) = 7,3 años
3 LE = 6,6 años
p 1 y 1 + p 2 y 2 + p 3 y 3 + ... + p N y N
dónde
p 1 , p 2 , p 3 , ... , p N
y 1 , y 2 , y 3 , ... , y N
Página 179
Toma de decisiones de valor esperado 167
Máximo de x 1 , x 2 , x 3 , ... , x M
dónde
x 1 , x 2 , x 3 , ... , x M
Resumen
Página 180
168 Toma de decisiones médicas
Problemas
1. Determine si la esperanza de vida de Hank con cirugía dirigida microscópicamente
aún sería mayor que su esperanza de vida con la cirugía tradicional si
no se realiza la biopsia por sacabocados.
2. Amplíe el árbol de decisiones para el problema de decisión de Hank que se muestra en la Figura 6.4.
para incluir la decisión de realizar o no la biopsia por punción.
3. Vuelva a dibujar el árbol de decisiones de la Figura 6.13 para el caso en que la prueba opcional
tiene una tasa de mortalidad del 10%. Determine si someterse a la prueba aún sería
la alternativa preferida.
4. Dibuje el árbol de decisiones para evaluar a un paciente con dolor torácico por coronario.
enfermedad arterial utilizando los siguientes supuestos:
• La decisión comienza después de completar el historial y el examen físico. Residencia en
la historia y el físico el tomador de decisiones cree que la probabilidad
de la enfermedad de las arterias coronarias en el paciente es del 20%.
• El tomador de decisiones puede someter al paciente a una prueba en cinta rodante. Trate el
prueba en cinta rodante como una prueba binaria con una tasa de verdaderos positivos de 0,60 y una
tasa de falsos positivos de 0,10. Suponga que la prueba en cinta rodante no conlleva ningún riesgo.
a la supervivencia del paciente.
• El responsable de la toma de decisiones también puede solicitar una arteriografía para el paciente. Tratar
este procedimiento como una prueba binaria con una tasa de verdaderos positivos de 0,90 y una
tasa de falsos positivos de 0,01. Suponga que la arteriografía sometida a
tasa de complicaciones fatales del 0,1% (es decir, 1 de cada 1000 resulta en muerte).
• Suponga que el tratamiento quirúrgico de la enfermedad de las arterias coronarias tiene un efecto fatal
tasa de complicaciones del 1% (es decir, 1 de cada 100 procedimientos resulta en la muerte).
• Suponga las siguientes expectativas de vida del paciente:
Bibliografía
Holloway, CA (1979) Toma de decisiones bajo incertidumbre: modelos y opciones , Prentice Hall,
Englewood Cliffs, Nueva Jersey.
El Capítulo 3 cubre el mismo material que el libro Rafia mencionado a continuación. El libro de Holloway
fue escrito para estudiantes de escuelas de negocios; sin embargo, la escritura es muy clara.
Página 181
Toma de decisiones sobre el valor esperado 169
Raffia, H. (1968) Conferencias introductorias de análisis de decisiones sobre elecciones bajo incertidumbre ,
Addison-Wesley, Reading, MA.
Página 182
CAPÍTULO 7
Este capítulo describe alternativas al árbol básico de decisiones que se pueden utilizar para
representan problemas en los que los resultados se desarrollan a lo largo del tiempo. El tiempo se complica
la mayoría de las decisiones médicas. Ocasionalmente, una decisión de tratamiento conduce a una
resultado diate, como la muerte durante un procedimiento quirúrgico. Sin embargo, la mayora
Los resultados surgen con el tiempo durante ese proceso que llamamos "vida".
este aspecto de las decisiones médicas en el Capítulo 6 cuando describimos una decisión
problema en el que el paciente tenía una opción cuyos resultados esperados abarcaban
una gama de posibles longitudes de vida. En ese ejemplo, usamos la vida del paciente.
expectativa como medida de resultado, reconociendo que la esperanza de vida, definida
como la duración media de vida restante - sólo resume la distribución para
los posibles años de vida que le quedan al paciente. La longitud real de la
la vida del paciente sigue siendo incierta. Este capítulo presenta un método para representar
enviando la incertidumbre en los resultados de los procesos que se desarrollan con el tiempo.
Usaremos un modelo descrito por primera vez en el siglo XIX por el ruso
matemático, Andrey Markov.
Comenzaremos con los modelos de Markov, una herramienta estándar para representar juegos
bles que se desarrollan con el tiempo. Veremos que los analistas utilizan modelos de Markov cuando un
El problema de decisión es demasiado complejo para ser representado con precisión por un árbol de decisión.
Luego, nos basaremos en los conocimientos proporcionados por el modelo de Markov para presentar
un modelo matemático de supervivencia conocido como modelo de supervivencia exponencial .
Los modelos de Markov representan el futuro del paciente como una serie de transiciones entre
estados de salud. Cada estado de salud representa una etapa bien definida en la progresión.
sión de la condición del paciente. Por ejemplo, un modelo de Markov de cáncer de mama
El tratamiento puede incluir estados de salud etiquetados como "Libre de síntomas" y "Sistémico".
Recaída. '' Se pueden conectar dos estados de salud mediante un enlace correspondiente al
posibilidad de que la condición del paciente progrese de un estado a otro.
Se elige un período de tiempo fijo, como un mes o un año, para el modelo. El problema
capacidad asociada con un enlace mide la probabilidad de que el correspondiente
La transición del estado de salud habrá ocurrido al final de ese período de tiempo.
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
170
Página 183
Modelos de Markov y resultados variables en el tiempo 171
0,02
Sistémico 0,60
Síntoma 0,06 0,70 Recaída
Libre
0,90 0,20
0,01
0,40
Regional
0,01
Recaída 0,10
1,00
0,15
Local Muerte
Recaída 0,05
0. 80
Figura 7.1 Modelo de Markov simplificado de supervivencia posoperatoria del cáncer de mama.
1 Las probabilidades que se muestran en la Figura 7.1 no se derivan de la literatura médica. Son
elegido para ilustrar la metodología en lugar de describir la enfermedad real.
Página 184
172 Toma de decisiones médicas
Más adelante en esta sección veremos que la ecuación 7.1 es útil para determinar la
la esperanza de vida global del paciente y para estimar las probabilidades de transición.
Observe que para cualquier estado de salud dado, la suma de las probabilidades de transición
alejándose de ese estado de salud, más la probabilidad de supervivencia, es igual a 1.
Esto se debe a que, obviamente, el paciente debe cambiar a otro estado de salud.
o bien permanecer en el mismo estado de salud. También observe que la muerte aparece en este
modelo como un estado de salud para el que la probabilidad de "supervivencia" es 1. En otras palabras,
Los modelos de Markov representan la muerte como un estado de atrapamiento del que no hay salida.
El modelo simple de Markov que se muestra en la Figura 7.1 se centra en el pronóstico
después del tratamiento del cáncer de mama. La recurrencia del cáncer como
La recaída local, regional o sistémica corresponde a transiciones a estados de salud.
con probabilidades de supervivencia reducidas. Por ejemplo, la probabilidad de supervivencia para
el estado de salud de '' recaída sistémica '' es 0,60 en comparación con una probabilidad de supervivencia
de 0,90 para el estado de salud "Libre de síntomas". El modelo también representa el
progresión de una recaída local a una recaída regional y la progresión de una
recaída regional en una liberación sistémica.
La probabilidad de supervivencia para el estado de salud `` Libre de síntomas '' en la Figura 7.1
cuantifica la eficacia del tratamiento utilizado inicialmente para hacer que el paciente
libre de síntomas. El valor de la probabilidad de supervivencia aumenta con el efecto
tividad del tratamiento. Por tanto, el modelo podría utilizarse para analizar la
impacto del tratamiento inicial en la esperanza de vida del paciente. Sin embargo, esto
El modelo simple ignora los tratamientos que podrían usarse para manejar una recaída.
El modelo se ha revisado en la Figura 7.2 para mostrar una revisión que incluye
el manejo de una recaída local. Esta revisión asume que el tratamiento
de la recaída local dura un período de tiempo (tres meses) y concluye
con el paciente entrando en un estado de salud de '' Recaída local controlada '' o
más progresando al estado de salud "Recaída regional". En otras palabras, el
probabilidad de permanecer en el estado de salud de '' Tratamiento de recaída local '' para
más de un período de tiempo es 0. El modelo de Markov en la Figura 7.2 asume
que una recaída local controlada no progresará a una recaída regional. Si esto
la suposición no era correcta, entonces se agregaría un enlace que representaría
la posibilidad de que el paciente pueda cambiar de la '' Local Controlada
Página 185
Modelos de Markov y resultados variables en el tiempo 173
0,02
Sistémico
0,60
Síntoma 0,06 0,70 Recaída
Libre
0,90 0,20
0,01
0,40
0,01 Regional
Recaída 0,10
1,00
0,60
Local Muerte
Recaída
Revisado 0,20
Tratamiento
0,40 Local
Recaída
0. 80
Figura 7.2 Modelo de Markov de cáncer de mama con manejo local de recaídas.
Estado de recaída '' al estado de '' recaída regional ''. El punto es que Markov
Los modelos se pueden ampliar fácilmente para representar una amplia variedad de supuestos.
sobre el futuro del paciente. El modelado de Markov es un método muy flexible para
que representa la naturaleza dinámica de los resultados de la atención médica.
Independencia de Markov
El proceso que gobierna las transiciones entre estados de salud tiene Markov
independencia si
Página 186
174 Toma de decisiones médicas
En otras palabras, los modelos de Markov asumen que el estado de salud del paciente durante
el próximo período de tiempo depende únicamente del estado de salud actual del paciente durante
el período de tiempo actual. No depende del camino que trajo el
persona a su estado de salud actual.
Por ejemplo, observe que el modelo de Markov en la Figura 7.1 (y reproducido
en la Figura 7.3) muestra dos posibilidades de cómo el paciente podría encontrarse
en el estado de salud '' Recaída regional ''. Primero, el paciente puede progresar directamente
al estado de salud '' Recaída regional '' desde el estado de salud `` Libre de síntomas ''
(etiquetado como Ruta 1 en la Figura 7.3). En segundo lugar, el paciente puede progresar primero al '' Local
Recaída '' estado de salud y luego progresa al estado de salud '' Recaída regional ''
(etiquetado como Ruta 2 en la Figura 7.3). El supuesto de independencia de Markov es que
las probabilidades de que la transición salga del estado de salud '' Recaída regional ''
son los mismos independientemente de la ruta que describa cómo el paciente alcanzó el
Estado de salud '' Recaída regional ''.
La independencia de Markov puede no ser siempre una suposición realista. Para
ejemplo, la recaída del cáncer de mama que se detecta por primera vez como una recurrencia regional
La reincidencia podría ser más agresiva que una recaída que se detecta por primera vez como un
reaparición. En el primer caso, la probabilidad de supervivencia una vez en el '' Regional
Recaída '' el estado de salud sería más bajo que si el paciente alcanzara esta salud
estado después de estar por primera vez en el estado de recurrencia local.
Afortunadamente, las desviaciones de la independencia de Markov a menudo se pueden abordar
agregando estados de salud al modelo. La figura 7.4 muestra cómo se puede hacer esto.
La recaída regional ahora está representada por dos estados de salud: '' Regional Directa
Recaída '' para la progresión directamente desde el estado de salud '' Libre de síntomas '' y
'' Recaída regional indirecta '' para la progresión a través de la '' Recaída local ''
estado de salud. Observe que la probabilidad de supervivencia para la '' Regional Directa
0,02
Sistémico
0,60
0,06 Recaída
Síntoma 0,70
Libre
0,90 0,20
0,01
0,40
Ruta 1 Regional
0,01
Recaída 0,10
1,00
Camino 2
0,15 Muerte
Local
Recaída 0,05
0,80
Figura 7.3 Rutas hacia el estado de salud de "Recaída regional" en el modelo de Markov de cáncer de mama.
Página 187
Modelos de Markov y resultados variables en el tiempo 175
0,02
Sistémico
0,60
Síntoma 0,06 0,70 Recaída
Libre
0,90 0,20
0,01
0,30
Directo
Regional 0,10
0,01
Recaída
1,00
0,75 0,15
Muerte
Indirecto 0,10
Local Regional
Recaída 0,15
Recaída
0. 80
0,05
Figura 7.4 Modelo de cáncer de mama revisado para asegurar la independencia de Markov.
Recaída '' estado de salud (0,70) es menor que la probabilidad de supervivencia para el '' Indirecto
Recaída regional '' (0,75), lo que indica que la primera tiene implicaciones menos favorables.
cationes para el pronóstico del paciente. Un refinamiento similar del modelo
ser necesario si la supervivencia en el estado de salud de '' recaída sistémica '' depende de cómo
el paciente alcanzó este estado de salud. El modelo resultante es más complicado
dibujar, pero los métodos utilizados para analizar los modelos de Markov siguen siendo válidos.
1
tiempo medio pasado en estado de salud = (7,3)
1 - probabilidad de supervivencia
Página 188
176 Toma de decisiones médicas
P B = 0,02
P A = 0,90
Sistémico
0,60
Síntoma P C = 0,06 Recaída
0,70
Libre
0,20
PAG
D = 0,01
0,40
Directo
PAG Regional 0,10
mi
= 0,01 Recaída
1,00
0,75 0,15
Muerte
Indirecto 0,10
Local Regional
Recaída 0,15
Recaída
0. 80
0,05
Figura 7.5 Probabilidades de supervivencia y transición para el estado de salud "libre de síntomas".
Por ejemplo, refiriéndonos a las etiquetas que asignamos a las probabilidades asociadas
con el estado '' Libre de síntomas '' en la Figura 7.5, podemos escribir
PA+PB+PC+PD+PE=1 (7,5)
PB+PC+PD+PE=1-PA (7,6)
Página 189
Modelos de Markov y resultados variables en el tiempo 177
1
PA=1- = 0,90 (7,8)
10
Supongamos también que el 60% de las pacientes posoperatorias con cáncer de mama mueren a causa de otros
causas sin experimentar una recaída de su cáncer de mama. Entonces de
Ecuación 6.31 podemos escribir
PC PC PC
0,60 = = = (7,9)
PB+PC+PD+PE 1-PA 0,10
O, reordenando los términos, la probabilidad de supervivencia para la salud '' libre de síntomas ''
el estado es
Observaciones similares basadas en cálculos sobre las frecuencias relativas de los sistemas
Las recaídas temáticas, regionales y locales se utilizarían para determinar las otras
probabilidades de transición.
1-p Muerto
pag Viva de todos 1.0
Causas
Causas
Página 190
178 Toma de decisiones médicas
1,0000
Masculino Mujer
0,1000
0.0100
0,0001
<1 1-4 5-14 15-24 25-34 35-44 45-54 55-64 65-74 75-84 85+
Grupo de edad
Figura 7.7 Tasa de mortalidad anual ajustada por edad (datos del censo de EE. UU. De 1993).
La Figura 7.9 muestra el mismo modelo de tres estados para el hombre de 50 años
paciente. Suponemos que los pacientes con diagnóstico de leucemia enfrentan aproximadamente
la misma tasa de mortalidad anual por leucemia independientemente de la edad. Por lo tanto,
Muerto
desde 1.0
Leucemia
0,448
0.550 Viva
0,002
Muerto
de otro 1.0
Causas
Figura 7.8 Modelo de Markov de tres estados para leucemia, paciente de 30 años.
Página 191
Modelos de Markov y resultados variables en el tiempo 179
Muerto
desde 1.0
Leucemia
0,448
0.546 Viva
0,006
Muerto
de otro 1.0
Causas
Figura 7.9 Modelo de Markov de tres estados para leucemia, paciente de 50 años.
la probabilidad de transición (0.448) para el enlace del estado de salud '' vivo '' a
el estado de salud "Muerto por leucemia" no ha cambiado. La transición superior
probabilidad de 0.006 para el vínculo entre el estado de salud '' Vivo '' y el
El estado de salud "Muerto por otras causas" se toma de la curva de la Figura 7.7.
Finalmente, la probabilidad de supervivencia (0.546) se determina aplicando la
relación en la Ecuación 7.4:
Debemos observar dos advertencias al usar este enfoque para calcular la edad
tasas de mortalidad ajustadas. El primero es actuarial. Las tasas de mortalidad anual
que se muestran en la Figura 7.7 incluyen muertes por leucemia. Por tanto, la transición
probabilidades en las Figuras 7.8 y 7.9 para el vínculo con el '' Muerto de otros
Las causas '' en realidad incluyen muertes por leucemia. Sin embargo, la leucemia es relativamente
causa rara de muerte, que representa menos del 0,5% de las muertes registradas
por los Centros para el Control de Enfermedades (CDC). Por lo tanto, las muertes por leucemia
un efecto insignificante en las probabilidades de transición que se muestran en las Figuras 7.8 y
7,9. El efecto no sería despreciable si la enfermedad en cuestión fuera más
común. Por ejemplo, las enfermedades cardiovasculares causan casi el 30% de las muertes.
registrado en los Estados Unidos. Determinación de las tasas de mortalidad ajustadas por edad
para enfermedades más comunes requiere tasas de mortalidad que excluyan la enfermedad
en cuestión. Los datos actuariales de fuentes como los CDC generalmente permiten
exclusión de enfermedades específicas al calcular las tasas de mortalidad.
La segunda advertencia es de naturaleza médica y más difícil de abordar. Nuestra
El método de ajuste por edad asume que el efecto de la edad sobre la mortalidad total es
totalmente contenido en el riesgo de muerte por otras causas. En otras palabras, el
Los modelos de las Figuras 7.8 y 7.9 asumen que un paciente de leucemia de 30 años
el mismo riesgo de morir de leucemia durante el próximo año que el de 50 años
Paciente con leucemia. Esta suposición puede ser razonable al comparar 30
años y 50 años, pero no sería razonable al comparar
30 años y 90 años. La edad avanzada a menudo cambia la forma en que los pacientes
reaccionar ante una enfermedad como la leucemia; tienen más probabilidades de morir por complicaciones
de tratamiento, por ejemplo, simplemente porque son más frágiles. Los cambios
Página 192
180 Toma de decisiones médicas
de edad avanzada puede traducirse en diferentes tasas de mortalidad ajustadas por edad de
la propia enfermedad. El ajuste por edad en este caso requiere datos de estudios que
incluir pacientes con edades en el rango de interés.
Los modelos de Markov son valiosos para el análisis de decisiones clínicas porque pueden
revelan la relación entre la esperanza de vida del paciente y las consideraciones
ciones tales como la eficacia del tratamiento y la naturaleza de la enfermedad a medida que
evoluciona con el tiempo. Las siguientes dos secciones describen cómo son las expectativas de vida
calculado para modelos de Markov.
Describimos dos enfoques diferentes. El primero se aplica a relativamente simples
modelos como los que ilustran este capítulo. Este enfoque es similar al
algoritmo de plegado de árboles discutido en la Sección 6.9. Usamos el segundo enfoque
para modelos de Markov más grandes y complicados. Por ejemplo, capítulos posteriores
en este libro, utilice modelos de Markov para analizar cuestiones de política. Estos modelos
implican un gran número de estados de salud y utilizan procesos complejos para determinar
las probabilidades de transición. El segundo método usa un algoritmo llamado Monte
Simulación de Carlo para determinar la esperanza de vida de un paciente que se enfrenta a la
situación clínica representada en un modelo de Markov.
0,02
Sistémico
Síntoma Recaída 0,60
0,06 0,70 7,5 meses
Libre
0,90 30 meses 0,20
0,01
0,40
Regional
0,01 Recaída
10 meses 0,10
1,00
Local
0,15
Muerte
Recaída
15 meses 0,05
0. 80
Figura 7.10 Modelo de Markov de cáncer de mama que muestra la estancia media en cada estado de salud.
Página 193
Modelos de Markov y resultados variables en el tiempo 181
La esperanza de vida se puede determinar para modelos de Markov acíclicos invariantes en el tiempo
determinando dos propiedades del modelo: (1) el tiempo promedio que un paciente
gastar en cada estado de salud una vez que el paciente entra en ese estado de salud; y (2) el
probabilidades de que el paciente entre en cada uno de los estados de salud. Como notamos en
Ecuación 7.1, el tiempo promedio pasado en un estado de salud se puede determinar a partir de
la probabilidad de supervivencia para ese estado de salud:
1
tiempo medio pasado en estado de salud = (7,13)
1 - probabilidad de supervivencia
Por ejemplo, la estadía promedio en el estado de salud '' Recaída regional '' en
La figura 7.10 es
1
estancia media en Recaída Regional = = 3,3 cuartos
0,3 / cuarto
= 10 meses (7,14)
La estadía promedio para cada uno de los estados de salud se ha agregado al simple
modelo de Markov de cáncer de mama en la Figura 7.10.
Ahora calcularemos la esperanza de vida general del paciente para cada uno de los
estados de salud de recaída. Por ejemplo, como se muestra en la Figura 7.11, una vez que el '' Sistémico
Recaída '' se alcanza el estado de salud, la esperanza de vida del paciente para el resto
de su vida está determinada enteramente por el tiempo que permanezca en este estado de salud.
Por lo tanto, la esperanza de vida para el estado de salud '' Recaída sistémica '' es simplemente
7,5 años. Esto se debe a que el modelo asume que el paciente solo abandona el
Estado de salud "Recaída del sistema" cuando muere.
No ocurre lo mismo con el estado de salud "Recaída regional". Refiriéndose a
Figura 7.12, algunos de los pacientes abandonan este estado de salud al morir. Sin embargo,
LE = 7,5 meses
0,02
Sistémico
Recaída 0,60
Síntoma
0,06 0,70 7,5 meses
Libre
0,90 30 meses 0,20
0,01
0,40
Regional
0,01 Recaída
0,10
10 meses
1,00
0,15
Local Muerte
Recaída
15 meses 0,05
0. 80
Figura 7.11 Esperanza de vida de los pacientes en el estado de salud "Recaída del sistema".
Página 194
182 Toma de decisiones médicas
LE = 7,5 meses
0,02
Sistémico
Recaída 0,60
Síntoma
0,06 0,70 7,5 meses
Libre
0,90 30 meses 0,20
0,01
0,40
Regional
0,01 Recaída
0,10
10 meses
1,00
0,20 0,15
LE = 10 meses + Local × 7,5 meses Muerte
Recaída0,20 + 0,10
= 15 meses 15 meses 0,05
0. 80
Figura 7.12 Esperanza de vida de los pacientes en el estado de salud "Recaída regional".
0,20
P [recaída sistémica | El paciente sale de la recaída regional] =
0,10 + 0,20
= 0,67 (7,15)
Por tanto, la probabilidad de que un paciente en el estado de salud '' Recaída regional '' sea de 0,67
alcanzará el estado de salud "Recaída sistémica". Una vez en el '' Sistémico
Recaída '' estado de salud el paciente tiene una esperanza de vida de 7,5 meses, ya que
determinado antes. Por tanto, la esperanza de vida global de un paciente en el
El estado de salud '' Recaída regional '' es
La Figura 7.13 muestra el cálculo de la esperanza de vida para la '' Recaída local ''
estado de salud. El modelo asume que los pacientes abandonan este estado al morir
o desarrollando una recaída regional. Por tanto, la esperanza de vida de un paciente
en el estado de salud '' Recaída local '' es
( )
0,15
LE para recaída local = 15 meses + × 15 meses
0,15 + 0,05
= 26,3 meses (7,17)
Página 195
Modelos de Markov y resultados variables en el tiempo 183
0,02
Sistémico
Recaída 0,60
Síntoma
0,06 LE = 15 meses 7,5 meses
Libre
0,90 30 meses
0,20
0,01
0,40
Regional
0,01 Recaída
0,10
10 meses
1,00
0,15
Local
Muerte
Recaída
15 meses 0,05
0. 80
0,15
LE = 15 meses + × 15 meses
0,15 + 0,05
= 26,3 meses
Figura 7.13 Esperanza de vida de los pacientes en el estado de salud "Recaída local".
Finalmente, la Figura 7.14 muestra el cálculo de la esperanza de vida para el '' Síntoma
Estado de salud libre ''. Para este estado de salud, el paciente puede pasar a tres posibles
estados de salud distintos de la muerte: '' Recaída local '' '' Recaída regional '' y
'' Recaída sistémica ''. Por lo tanto, la esperanza de vida viene dada por las siguientes
cálculo:
El método ilustrado para este modelo simple de Markov puede extenderse a más
modelos complicados siempre que las probabilidades permanezcan constantes y no haya caminos
se añaden que devolverían al paciente a un estado de salud después de haber sido
izquierda. El requisito de que el modelo de Markov sea acíclico a menudo se puede satisfacer
agregando estados de salud, como hicimos en la Sección 7.2.1, para satisfacer el
Supuesto de independencia de Markov. La invariancia temporal puede ser más difícil
Página 196
184 Toma de decisiones médicas
0,02
LE = 30 meses + × 7,5 meses
0,01 + 0,01 + 0,06 + 0,02
0,01
+ × 15,0 meses
0,01 + 0,01 + 0,06 + 0,02
0,01
+ × 26,3 meses
0,01 + 0,01 + 0,06 + 0,02
= 35,6 meses
0,02
Sistémico
Síntoma Recaída 0,60
0,06 0,70 7,5 meses
Libre
0,90 30 meses 0,20
0,01
0,40
LE = 7,5 meses
Regional
0,01 Recaída
0,10
10 meses
1,00
0,15
Local
LE = 15 meses Muerte
Recaída
15 meses 0,05
0. 80
LE = 26,3 meses
Figura 7.14 Esperanza de vida para pacientes en el estado de salud "Libre de síntomas".
Página 197
Modelos de Markov y resultados variables en el tiempo 185
0,02
Sistémico
Recaída 0,60
Síntoma
0,06 LE = 15 meses 7,5 meses
Libre
0,90 30 meses
0,20
0,01
0,40
Regional
0,01 Recaída
0,10
10 meses
1,00
0,15
Local
Muerte
Recaída
15 meses 0,05
0. 80
0,15
LE = 15 meses + × 15 meses
0,15 + 0,05
= 26,3 meses
Figura 7.15 Modelo de Markov de cáncer de mama utilizado para ilustrar la simulación de Monte Carlo.
todos los valores posibles entre 0 y 1 son igualmente probables. Deje X 1 denotar esto
primer número aleatorio. Porque definimos el rango de la distribución a
se encuentran entre 0 y 1, la probabilidad es 1 de que X 1 esté entre 0 y 1. Dado que
X 1 se distribuye uniformemente, para algún número p mayor que 0 y
menor que 1, la probabilidad de que el valor de X 1 esté entre 0 y P también
es igual a p . En particular, si p es la probabilidad de supervivencia (0,90) para el '' Síntoma
Estado de salud libre '', la probabilidad de que el número aleatorio X 1 esté entre
0 y X 1 es igual a la probabilidad de que el paciente permanezca en el '' Síntoma
Estado de salud libre ''. Por lo tanto, el algoritmo de simulación de Monte Carlo decide
que el paciente permanece en el estado de salud '' Libre de síntomas '' de acuerdo con el
siguiente regla:
Si 0.00 ≤ X 1 ≤ 0.90, entonces el estado de salud para el primer período de tiempo es Symtom Free
(7,19)
Del mismo modo, el algoritmo decide si el paciente se mueve a uno de los otros servicios de salud.
estados de acuerdo con las reglas
Si 0,90 <X 1 ≤ 0,91, el estado de salud del primer período de tiempo es Recaída local.
(7,20)
Si 0,94 <X 1 ≤ 1,00, el estado de salud para el primer período de tiempo es Muerte (7,23)
Página 198
186 Toma de decisiones médicas
Supongamos, por ejemplo, que X 1 es igual a 0,915 802 693 732 358. El algoritmo
decidiría que el paciente se encuentra en el estado de salud de '' Recaída regional '' para el
primer período de tiempo.
El primer período de tiempo ha terminado y el paciente se encuentra en la '' Recaída regional ''
estado de salud. ¿Qué pasará en el segundo período de tiempo? El algoritmo entonces
elige un segundo número aleatorio X 2 , también distribuido uniformemente entre 0 y
1, y aplica la misma lógica que la anterior, excepto que el algoritmo usaría
las probabilidades de transición para el estado de salud '' Recaída regional '':
Si 0.90 <X 2 ≤ 1.00, el estado de salud para el segundo período de tiempo es Muerte (7,26)
Una simulación de Monte Carlo utiliza este enfoque para generar una gran cantidad de
caminos para el modelo de Markov. La tabla 7.1 enumera 10 de las rutas generadas por un
Simulación de Monte Carlo del ejemplo utilizado en esta sección. Los estados de salud
ocupados durante un período de tiempo están representados por las letras asignadas a cada
estado en la Figura 7.15.
Continuar la simulación por 100 caminos a través del modelo produce una muestra
para el cual la duración media de la vida es de 11,92 trimestres (o 35,8 meses), con un
Intervalo de confianza del 95% de ± 0,12 trimestres (o 0,35 meses). Este resultado concuerda
con una esperanza de vida de 12 trimestres (o 36 meses) que calculamos en el
sección anterior para este modelo de Markov.
La simulación de Monte Carlo es un método poderoso porque se puede aplicar a
modelos con un gran número de estados de salud. La simulación de Monte Carlo también puede
utilizarse para analizar modelos que tienen trayectorias cíclicas. La figura 7.16 es un ejemplo de
un modelo cíclico. Muestra un modelo de Markov simple de tres estados para un hipotético
enfermedad en la que el paciente alterna entre un estado de salud `` bueno '' y un estado de salud
Estado de salud '' enfermo ''. Observe que la probabilidad de muerte es 10 veces mayor cuando
Página 199
Modelos de Markov y resultados variables en el tiempo 187
Tabla 7.1 Diez caminos generados por la simulación de Monte Carlo del modelo de Markov en
Figura 7.15.
1 AAAAAAAAAAAAAAAAAAAA 20 cuartos
2 AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAASS 37 cuartos
3 AAAAAAAAAAAAAAAA 16 cuartos
4 Automóvil club británico 2 cuartos
5 SSS 3 cuartos
6 AAAAAALLRRRRRSSSSS 18 cuartos
7 AALRRRS 7 cuartos
8 AAAAAAAAAAAAAAAAAAAAAAAAAAAAA 30 cuartos
9 AAAAAAAAAAA 11 cuartos
10 AAAAAAAAARS 11 cuartos
'' A '' = Libre de síntomas, '' L '' = Recaída local, '' R '' = Recaída regional,
'' S '' = Recaída sistémica.
el paciente se encuentra en el estado de salud "enfermo" (0,20 frente a 0,02). El modelo asume
que un paciente en el estado de salud "enfermo" sigue enfrentándose a este riesgo elevado
hasta que el paciente se recupere y vuelva al estado de salud "Bien". Un monte
La simulación de Carlo que genera 1000 trayectorias estima la longitud promedio del paciente
de vida (esperanza de vida) en 13,8 períodos de tiempo, con un intervalo del 95% de ± 0,05
períodos de tiempo.
El modelo simple de tres estados de la figura 7.16 se puede utilizar para explorar diferentes
estrategias de manejo de esta hipotética enfermedad. Por ejemplo, suponga
que una estrategia preventiva (por ejemplo, dejar de fumar) podría reducir a la mitad la probabilidad
de cambiar de "Bien" a "Enfermo", es decir, de 0,20 a 0,10. A
La simulación de Monte Carlo de esta estrategia preventiva estima que el paciente
la esperanza de vida aumentaría a 20,2 períodos de tiempo, un aumento de 6,4 períodos de tiempo
períodos. Otra estrategia podría ser utilizar un tratamiento que aumente la
probabilidad de que un paciente en el estado de salud '' Enfermo '' cambie de nuevo al
0,40
0,20
0,02
0,20
Muerto
1,00
Página 200
188 Toma de decisiones médicas
20
18
dieciséis
14
12
0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80
Tasa de recuperación [(PWell | Stick]
Figura 7.17 Esperanza de vida versus tasa de recuperación para el modelo de Markov de tres estados.
Estado de salud "bueno" en un período de tiempo, lo que podríamos llamar la tasa de recuperación . En
Figura 7.16 esta probabilidad de transición es 0.40. Utilizando la simulación de Monte Carlo
para modelos con diferentes valores para la probabilidad de transición de '' Enfermo '' a
'' Bueno '', podemos ver el posible impacto de esta segunda estrategia. Los resultados son
se muestra en la Figura 7.17.
Este capítulo se centra en la esperanza de vida. En consecuencia, la discusión de
Los modelos de Markov y la simulación de Monte Carlo se han limitado al uso de
estas herramientas para determinar esta única medida del resultado del paciente. En
realidad, estas poderosas herramientas pueden responder a una gama más amplia de preguntas, ya que
Las rutas generadas por la simulación de Monte Carlo representan el tipo de resultados
que el paciente experimentará, así como el período de tiempo que el paciente
gasta en estado de salud.
Por ejemplo, observe en la Tabla 7.1 que las rutas 1, 3, 4, 8 y 9 terminan sin el
paciente que se traslada a cualquiera de los tres estados de salud que implican una recaída. Estos
representan a pacientes que mueren sin el regreso de su cáncer de mama. En el
100 caminos generados aleatoriamente por la simulación de Monte Carlo, 59 (o 59%) de
los caminos no involucraron ninguno de los estados de salud de recaída. Algunos de los caminos
fueron sólo unos pocos períodos de tiempo; la paciente murió antes de que su cáncer pudiera
recaída. Esta observación ilustra el concepto de causas competitivas de mortalidad .
En efecto, las diferentes causas de muerte compiten entre sí para ser la causa de
la muerte de un individuo.
Finalmente, la otra ventaja de la simulación Monte Carlo es que la transición
las probabilidades no tienen que mantenerse constantes. El analista puede utilizar cualquier
modelo de predicción adecuado (ver Capítulo 3) para variar el valor de una transición
probabilidad durante una simulación. Por ejemplo, manteniendo la probabilidad de supervivencia
Página 201
Modelos de Markov y resultados variables en el tiempo 189
para la constante de estado de salud '' sin síntomas '' es equivalente a suponer que
las tasas de mortalidad no cambian a medida que cambia el paciente. Sin embargo, como estaba claramente
Evidentemente en la Figura 7.7, las tasas de mortalidad aumentan con la edad. Por lo tanto,
Un modelo de Markov más realista variaría las probabilidades de supervivencia a medida que
la edad del paciente aumenta durante una ruta generada. El poder de Montecarlo
simulación es que permite al analista incorporar detalles como este en el
modelo, lo que aumenta la fidelidad de la simulación en consecuencia.
El análisis de la esperanza de vida es, en última instancia, el estudio de los factores que ponen al
la vida del paciente está en riesgo. En el análisis del árbol de decisiones del problema de decisión de Hank,
esos factores están representados por los nodos de probabilidad de los riesgos resultantes de
el alcance de su enfermedad y la eficacia de sus tratamientos. Markov
Los modelos representan riesgos por las probabilidades de las transiciones que mueven el
paciente hacia ese estado de atrapamiento final que llamamos muerte. Esta sección describe
Otro método ampliamente utilizado para representar el riesgo basado en lo que se llama
el modelo de supervivencia exponencial . La siguiente es una definición formal de la
modelo de supervivencia exponencial:
Tenga en cuenta que las unidades para λ son 1 / tiempo. El gráfico de la Figura 7.18 muestra la
modelo de supervivencia exponencial cuando 1 / λ es igual a 1,5 años.
Figura 7.'8 Modelo de supervivencia exponencial con 1 / λ = 1,5 años.
1.0
0,8
0,6
0.4
0,2
[Duración de la vida> x]
PAG
0.0
0.0 12 24 36 48
Duración de la vida en meses (x)
Página 202
190 Toma de decisiones médicas
1-p
pag Viva Muerto 1.0
Figura 7.19 Modelo de Markov simple de dos estados con probabilidad de supervivencia constante.
Ahora usaremos el modelo de Markov simple de dos estados que se muestra en la Figura 7.19.
comprender las propiedades del modelo de supervivencia exponencial. En el caso
del modelo de Markov, la probabilidad de que el paciente sobreviva una longitud fija
El período de tiempo está representado por la probabilidad de supervivencia constante, denotada p en
el modelo de Markov simple de dos estados que se muestra en la figura 7.19. Veremos eso
el modelo de supervivencia exponencial implica una probabilidad de supervivencia constante excepto
que permitimos la longitud del período de tiempo en el modelo de Markov en la Figura 7.19
ser arbitrariamente corto. En otras palabras, el modelo de supervivencia exponencial es un
Modelo de Markov con una visión del tiempo continua en lugar de discreta.
Comenzaremos esta demostración derivando la función de supervivencia para
el modelo de Markov en la Figura 7.19. Esta función de supervivencia determinará la
probabilidad de que el paciente siga vivo después de un número determinado de períodos de tiempo.
Tenga en cuenta que para que el paciente esté vivo al inicio del n º tiempo
período, el paciente debe estar vivo al comienzo del ( n - 1) período de tiempo
y no morir durante este período de tiempo. Eso es,
En el gráfico superior de la Figura 7.20, hemos trazado esta relación cuando establecimos
el período de tiempo será de un año y la probabilidad de supervivencia p será de 0,33 / año.
Los otros gráficos de la Figura 7.20 muestran la misma relación para los modelos.
con la misma esperanza de vida pero periodos de tiempo más cortos. Sosteniendo la vida
Página 203
Modelos de Markov y resultados variables en el tiempo 191
] 1.0
X
0,8
Modelo de Markov (años)
Modelo de supervivencia exponencial
0,6
0.4
0,2
[Duración de la vida>
PAG
0.0
0 12 24 36 48
Duración de la vida en meses ( x )
] 1.0
X
0,8 Modelo de Markov (cuartos)
Modelo de supervivencia exponencial
0,6
0.4
0,2
[Duración de la vida>
PAG
0.0
0 12 24 36 48
] 1.0
X
0,8
Modelo de Markov (meses)
Modelo de supervivencia exponencial
0,6
0.4
0,2
[Duración de la vida>
PAG
0.0
0 12 24 36 48
Duración de la vida en meses ( x )
Figura 7.20 Modelo de Markov con diferentes períodos de tiempo y modelo de supervivencia exponencial.
1
esperanza de vida en el modelo de dos estados = (7,33)
1 - probabilidad de supervivencia
Por lo tanto, el gráfico superior de la Figura 7.20 traza la curva de supervivencia para un Markov.
modelo con una esperanza de vida de
1
esperanza de vida en el modelo de dos estados = = 1,5 años (7,34)
1 - 0,33 / año
El gráfico del medio en la Figura 7.20 traza la curva de supervivencia para un Markov similar.
modelo en el que el paciente enfrenta la misma esperanza de vida de 1,5 años excepto
Página 204
192 Toma de decisiones médicas
1 1
probabilidad de supervivencia = 1 - =1- = 0,83 / cuarto (7,35)
1,5 años 6 cuartos
De manera similar, el gráfico inferior de la Figura 7.20 traza la curva de supervivencia para un
Modelo de Markov en el que el paciente aún enfrenta una esperanza de vida de 1,5 años
excepto que ahora el período de tiempo se ha reducido a un mes. los
La probabilidad de supervivencia para este tercer modelo de Markov es
1 1
probabilidad de supervivencia = 1 - =1- = 0,94 / mes (7,36)
1,5 años 18 meses
Por lo tanto, las curvas de supervivencia de la figura 7.20 describen tres modelos de Markov.
que son equivalentes en el sentido de que todos corresponden a la misma esperanza de vida de
1,5 años para el paciente. La razón para dibujar estas tres curvas es tener en cuenta
que convergen hacia la misma curva suave que la duración del tiempo
el período disminuye. De hecho, las curvas de supervivencia del modelo de Markov convergen en una
modelo de supervivencia exponencial con la misma esperanza de vida de 1,5 años. Ese
El modelo de supervivencia exponencial se muestra como una línea de puntos que traza la Ecuación 7.27
para 1 / λ igual a 1,5 años en cada uno de los tres gráficos.
Entonces, el modelo de supervivencia exponencial se puede considerar como un tipo de Markov
modelo. Esto significa que algunos de los mismos tipos de análisis demostraron
para los modelos de Markov anteriormente en este capítulo también se puede realizar con el
modelo de supervivencia exponencial.
Por ejemplo, recuerde la discusión sobre las probabilidades de supervivencia ajustadas por edad
en la Sección 7.2.3. La figura 7.21 reproduce una de las figuras utilizadas en ese
Discusión de cómo las diferentes causas de muerte contribuyen a la esperanza de vida.
de un paciente de 50 años con leucemia.
Utilizando las mismas probabilidades de transición hipotéticas que antes, supongamos
1 1
esperanza de vida = = (7,40)
1 - probabilidad de supervivencia p Leucemia + p Otro
Página 205
Modelos de Markov y resultados variables en el tiempo 193
Muerto
desde 1.0
Leucemia
0,448
0.546 Viva
0,006
Muerto
de otro 1.0
Causas
Figura 7.21 Modelo de Markov de tres estados para leucemia, paciente de 50 años.
La esperanza de vida de los pacientes que enfrentan el riesgo descrito por el modelo en
La ecuación 7.41 viene dada por
1
esperanza de vida = (7,42)
λ Leucemia + λ Otro
En otras palabras, los parámetros del modelo en el modelo de supervivencia exponencial pueden
sumarse para determinar la esperanza de vida, al igual que las probabilidades de muerte
de varias causas se pueden sumar en el modelo de Markov para determinar la vida
expectativa. A la útil relación ilustrada en la ecuación 7.42 se le dio el
nombre Aproximación exponencial decreciente para la esperanza de vida o DEALE cuando
J. Robert Beck, Jerome P. Kassirer y Stephen G. Pauker lo presentaron a la
comunidad de toma de decisiones médicas.
Como lo reconoce la letra '' A '' en el nombre, el análisis DEALE se basa en
una aproximación. Es una aproximación porque DEALE se aplica solo si el
La tasa de mortalidad del paciente es constante (es decir, no cambia durante el resto
de la vida del paciente). Recordando las curvas de tasa de mortalidad anual en la Figura 7.7,
Esta suposición no es cierta cuando se ve en todo el período de una
toda la vida. Sin embargo, en el contexto de cánceres y otras amenazas agresivas para el
la supervivencia del paciente, los cambios en la tasa de mortalidad dependiente de la edad a lo largo del tiempo
generalmente se puede ignorar. La cruda realidad es que los pacientes con agresiones fatales
Las enfermedades rara vez viven lo suficiente para hacer frente a los cambios dependientes de la edad en sus
tasas de mortalidad. Por ejemplo, refiriéndose a las probabilidades de transición que se muestran
Página 206
194 Toma de decisiones médicas
10
9
8
7
6
5
4
Error3(años)
2
1
0
0% 10% 20%
Tasa de mortalidad anual asumida por leucemia ( p Leucemia )
Figura 7.22 Error para el modelo de supervivencia exponencial de leucemia, paciente masculino de 50 años.
En la Figura 7.21, el riesgo para la supervivencia del paciente debido a la leucemia es 100 veces
mayor que el riesgo de otras causas.
La figura 7.22 muestra el error resultante de mantener la tasa de mortalidad para
otras causas ( p Otras ) constante a medida que el paciente envejece, dados los diferentes supuestos
tasas de mortalidad por leucemia ( p Leucemia ). Error para la tasa de mortalidad constante
El modelo se mide en relación con un modelo que varía la tasa de mortalidad de otros
causas de acuerdo con los valores que se muestran en la Figura 7.7, comenzando con el
tasa de mortalidad para hombres de 50 años. Ambos modelos fueron evaluados usando Monte
Simulación de Carlo. Tenga en cuenta que el modelo de tasa de mortalidad constante sobreestima
esperanza de vida porque ignora el aumento de la tasa de mortalidad que enfrenta
edades del paciente. Por otro lado, el error es menor a un año una vez que el
la tasa de mortalidad por leucemia es superior al 10%. El error es demasiado pequeño para ser
representada por la simulación de Monte Carlo, una vez que la tasa de mortalidad anual para
la leucemia alcanza el 20%.
De hecho, el modelo de supervivencia exponencial a menudo proporciona un buen ajuste a la
- λx
P [Sobrevivir hasta el momento x ] = e (7,43)
Página 207
Modelos de Markov y resultados variables en el tiempo 195
80%
60%
40%
Porcentaje
20% de sobrevivientes
0%
0 12 24 36 48 60
Meses después del tratamiento
Figura 7.23 Modelo de supervivencia exponencial ajustado a los datos del cáncer de próstata en estadio IV.
sN
P [Sobrevivir hasta el momento x ] = (7,45)
s0
Pendiente = −λ
Probabilidad de supervivencia
0,1
0 12 24 36 48 60
Meses después del tratamiento
Figura 7.24 Ajuste del modelo de supervivencia exponencial a los datos de supervivencia que se muestran en la Figura 7.23.
Página 208
196 Toma de decisiones médicas
Resumen
Los modelos de Markov son una herramienta versátil para analizar la incertidumbre en un
proceso, como una enfermedad, que sigue su curso en el tiempo. Un modelo de Markov
representa los posibles resultados que enfrenta el paciente como caminos a través de un
conjunto de estados de salud. En cualquier momento, el paciente se encuentra exactamente en uno de
estos estados de salud. Un resultado es una secuencia de visitas a los estados de salud.
Los modelos de Markov también representan el tiempo como una secuencia de períodos de igual duración.
Por convención, las transiciones entre estados de salud solo ocurren al final de
un período de tiempo.
Los modelos de Markov representan la incertidumbre en la experiencia del paciente por
asignar probabilidades de transición a cada uno de los posibles vínculos entre los
estados de salud. Una probabilidad de transición en el vínculo entre el estado de salud A
Página 209
Modelos de Markov y resultados variables en el tiempo 197
Página 210
198 Toma de decisiones médicas
que es la suma de los parámetros para cada uno de los valores de supervivencia exponencial
modelos para las causas de muerte. Además, la esperanza de vida del paciente
es igual a 1 sobre la suma de los parámetros del modelo para el individuo posible
causas de muerte. El nombre de este enfoque para estimar la esperanza de vida.
es la aproximación exponencial decreciente de la esperanza de vida o DEALE.
Problemas
1. La Figura 7.25 (copiada de la Figura 7.4 en la Sección 7.2.1) muestra cómo convertir
estructurar y modificar el modelo de Markov del cáncer de mama para satisfacer las
Supuesto de independencia de Markov cuando la tasa de supervivencia para el '' Regional
El estado de salud de la recaída depende de si el paciente experimentó primero o no
Experimentó una recaída local. Dibuja un modelo de Markov modificando el modelo
que se muestra en la figura 7.25, de modo que el supuesto de independencia de Markov sigue siendo
satisfecho si la probabilidad de supervivencia para el estado de salud '' Recaída sistémica ''
depende de si el paciente experimentó por primera vez una alteración local o
recaída regional. Suponga que la probabilidad de supervivencia para el '' Indirecto
El estado de salud de recaída local '' es 0,65 / cuarto si el paciente experimenta por primera vez
ya sea una recaída local o regional. Suponga que la probabilidad de supervivencia para
la "Recaída sistémica directa" es 0,60 / trimestre.
2. Utilice el algoritmo descrito en la Sección 7.2.4 para determinar la esperanza de vida
por el resto de la vida de la paciente si se enfrenta a la incertidumbre representada
0,02
Sistémico
0,60
Síntoma 0,06 0,70 Recaída
Libre
0,90 0,20
0,01
0,30
Directo
Regional 0,10
0,01
Recaída
1,00
0,75 0,15
Muerte
Indirecto 0,10
Local Regional
Recaída 0,15
Recaída
0,80
0,05
Página 211
Modelos de Markov y resultados variables en el tiempo 199
S1 p. 11
pag
p. 12 13
pág 23
pág 22 S2 S3 p. 33
pag
24
p. 25 p. 35
p. 45
S5
1,00 S4 pág 44
(Muerte)
por el modelo de Markov que se muestra en la Figura 7.25. Haz lo mismo con el Markov
modelo que desarrolló para su respuesta al problema 1.
3. La figura 7.26 muestra un modelo de Markov abstracto con cinco estados de salud indicados
S 1 a S 5 . La probabilidad de transición del estado de salud S i a S j se denota p ij .
Suponiendo que el paciente comienza en el estado de salud S 1 , ¿cuál es la vida del paciente?
¿expectativa?
4. La figura 7.27 resume las expectativas de vida para cada uno de los estados de salud.
en el modelo simplificado de Markov del cáncer de mama que se analiza en este capítulo.
Suponga que el estado de salud inicial del paciente es incierto y está descrito por
LE = 7,5 meses
LE = 35,6 meses
0,02
Sistémico
Recaída 0,60
Síntoma
0,06 0,70
Libre 7,5 meses
30 meses 0,20
0,90
0,01
0,40
Regional
0,01 Recaída
0,10
10 meses
1,00
0,15
Local Muerte
LE = 15 meses
Recaída
15 meses 0,05
0,80
LE = 26,3 meses
Página 212
200 Toma de decisiones médicas
Tabla 7.2 Tasas de supervivencia informadas para pacientes con cáncer de próstata, por estadio.
0 6 12 18 24 30 36 42 48 54 60
I 100 89 85 81 79 77 75 72 68 64 64
II 100 90 87 83 77 75 72 70 66 63 62
III 100 87 81 75 69 sesenta y cinco
60 55 54 52 48
IV 100 81 71 61 51 44 39 34 30 25 22
I 50 años
II 60 años
III 70 años
IV 80 años
1
tiempo medio pasado en estado de salud = (A7.1)
1 - probabilidad de supervivencia
Página 213
Modelos de Markov y resultados variables en el tiempo 201
Sea p la suma de las probabilidades de que las transiciones abandonen el estado de salud
y tenga en cuenta que la probabilidad de que el paciente permanezca durante al menos k períodos de tiempo
es (1 - p ) k . Por tanto, la probabilidad de que el paciente se mantenga en el estado de salud
para exactamente k períodos de tiempo es
∑∞ ∑∞
esperanza de vida = ip (1 - p ) i −1 = p × yo (1 - p ) yo −1 (A7.3)
i=1 i=1
Las siguientes manipulaciones algebraicas se pueden utilizar para resolver esta suma infinita.
La idea básica es determinar el límite de la suma parcial. Sea q igual al
complemento de la probabilidad p . La suma parcial se puede escribir entonces como
sigue:
∑norte
suma parcial de los primeros n términos = (1 - q ) × ( yo + 1) × q yo
i=0
∑norte ∑norte
= ( yo + 1) q yo - ( yo + 1) q yo +1
i=0 i=0
∑norte ∑
n +1
= ( yo + 1) q yo - yo × q yo +1
i=0 i=1
Sin embargo, los términos en la segunda suma y la tercera suma se cancelan excepto por el
primer término en la segunda suma y el último término en la tercera suma. Por lo tanto,
( )
∑norte
suma parcial de los primeros n términos = q yo + 0 × q 0 - ( n + 1) q n +1
i=0
( )
∑norte
= q yo - ( n + 1) q n +1 (A7.5)
i=0
Página 214
202 Toma de decisiones médicas
Por lo tanto, la esperanza de vida de un paciente que se enfrenta al simple estado de dos
El modelo de Markov es igual al límite de esta suma parcial cuando n se acerca al infinito.
Pero observe que dado que q es menor que 1,
( n + 1) q n +1 → 0 cuando n → ∞ (A7.6)
∑∞
esperanza de vida = q yo (A7.7)
i=0
Esta suma infinita más simple se evalúa repitiendo el mismo enfoque utilizado
sobre. Darse cuenta de
∑norte ∑norte ∑norte ∑norte ∑
n +1
(1 - q ) × q yo = q yo - q yo +1 = q yo - q yo (A7.8)
i=0 i=0 i=0 i=0 i=1
Todos los términos se cancelan excepto el primer término en la primera suma y el último
término en la segunda suma. Por lo tanto, dividir por 1 - q y reemplazar q por 1 - p
reduce la suma parcial a la siguiente expresión simple:
1 - (1 - p ) n +1 1
suma parcial de los primeros n términos = → como n → ∞ (A7.9)
pag pag
La estimación del parámetro λ que minimiza el error al cuadrado está dada por el
relación
∑N (∑ N ) (∑ N )
( )
norte ( t i ln ( r i )) - ti en r yo
i=1 i=1 i=1
λ= (∑ N ) (∑ )
∑N N (A7.11)
norte (titi)- ti ti
i=1 i=1 i=1
Página 215
Modelos de Markov y resultados variables en el tiempo 203
Bibliografía
Howard, RA (1971) Volumen I de sistemas probabilísticos dinámicos: Modelos de Markov , John Wiley y
Sons, Inc., Nueva York.
Una discusión matemáticamente orientada de los modelos de Markov que proporciona una completa
introducción a este fascinante tema.
Página 216
CAPÍTULO 8
Los capítulos 6 y 7 presentaron un método para calcular los valores esperados para
las opciones disponibles para quien toma decisiones. La motivación detrás de lo esperado
El análisis de valor es el supuesto de que los tomadores de decisiones prefieren la alternativa
que maximiza el valor esperado. Por ejemplo, cuando el valor es medido por el
duración de la vida del paciente, el análisis del valor esperado identifica la alternativa
que maximiza la esperanza de vida del paciente, un enfoque de uso común
a la toma de decisiones médicas. Los métodos presentados en los capítulos 6 y 7
son altamente escalables y se pueden aplicar a problemas muy complicados. los
Los cálculos aritméticos resultantes pueden requerir una computadora, ya que el número de
aumenta los nodos o estados de salud. Sin embargo, los conceptos subyacentes esperados
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
204
Página 217
Medición del resultado de la atención: análisis de la utilidad esperada 205
aversión en el sentido de que un gran resultado positivo es más que compensado por la
desventaja de un resultado negativo igualmente grande.
El análisis del valor esperado presentado en el Capítulo 6 ignora la aversión al riesgo.
Por lo tanto, este capítulo muestra cómo asignar medidas a los resultados que
capturar tanto las actitudes de riesgo como la multidimensionalidad que se encuentra en la mayoría de
problemas de decisión médica. Estas medidas de resultado se denominan servicios públicos . Ellos
son la base de un método llamado análisis de utilidad . Las matemáticas de lo esperado
El análisis de valor y el análisis de utilidad son similares. Ambos comparan alternativas
basado en la suma de las medidas de resultado, ponderadas según el resultado
probabilidades. El análisis de utilidad difiere en la forma en que asigna medidas a los resultados.
der del capítulo presenta enfoques alternativos para determinar una decisión
utilidades de resultados del fabricante, cada una basada en suposiciones simplificadas sobre el
preferencias del tomador de decisiones.
La evaluación de la utilidad directa se basa en un formalismo introducido por John
von Neumann y Oskar Morgenstern en 1947. Establecieron una
método para determinar la utilidad del resultado basado en cinco supuestos básicos sobre
las preferencias de un individuo al elegir entre resultados inciertos.
Discutir los detalles de estos supuestos, o axiomas, nos desviaría
de la intención pragmática de este libro. Por lo tanto, movimos ese teórico
discusión a un apéndice de este capítulo. Sin embargo, estos supuestos son
no mágico o irrazonable. Por ejemplo, von Neumann y Morgenstern
se supone que las preferencias son transitivas: si se prefiere el resultado A al resultado
B y el resultado B se prefiere al resultado C, entonces el resultado A también debe ser
preferido resultado C . En resumen, el análisis de la utilidad se basa en un conjunto razonable
de supuestos sobre cómo los tomadores de decisiones piensan sobre los resultados que
afrontar un problema de decisión con incertidumbre.
Dados estos cinco supuestos, el proceso de evaluación directa es el siguiente.
Sea X 1 , ... , X N los N posibles resultados para un problema de decisión.
Suponga que estos resultados están numerados de modo que el resultado menos preferido
es X 1 y el resultado más preferido es X N . Entonces la utilidad para X 1 es 0, la
utilidad para X N es 1, y cualquier resultado intermedio X i es la probabilidad π i tal
Página 218
206 Toma de decisiones médicas
Resultado X i equivalente a
1-πi
Resultado X 1
π yo
Resultado X n
Resultado X i equivalente a
1-πi
Resultado X 1
Página 219
Medición del resultado de la atención: análisis de la utilidad esperada 207
Por ejemplo, recuerde los cinco posibles resultados que enfrentó Hank en la decisión
problema analizado en el capítulo 6. Hank debe elegir entre tres tratamientos
alternativas. Enumerados en orden decreciente de preferencia por Hank, el posible
Los resultados que enfrentó son:
• Curado sin colostomía.
• Curado con colostomía.
• Enfermedad local sin colostomía.
• Enfermedad metastásica sin colostomía.
• Enfermedad metastásica con colostomía.
En otras palabras, desde la perspectiva de Hank, el mejor resultado posible sería
ser `` curado sin colostomía '' y el peor resultado posible sería
'' Enfermedad metastásica con colostomía ''. Por lo tanto,
La utilidad de Hank para uno de los resultados intermedios, como '' Curado con
colostomía '', sería entonces la probabilidad π tal que la siguiente equivalencia
lence es verdad:
π
Curado sin
colostomía
Curado con
equivalente a
colostomía
1-π
Enfermedad metástica
con colostomía
aceptar hasta un 10% de probabilidad de tener una enfermedad metastásica si eso significa que
podría evitar una colostomía. La tabla 8.1 muestra las utilidades de Hank para todos los
resultados que enfrentó en su problema de decisión.
Tabla 8.1 Utilidades de Hank para los posibles resultados que enfrentó.
Salir Utilidad
Página 220
208 Toma de decisiones médicas
Enfermedad metástica
Utilidad = 0.1
Renunciar a cualquier 0,05
Figura 8.1 Árbol de decisión para el problema de decisión de Hank con probabilidades y utilidades.
Estas utilidades se han agregado al árbol de decisiones de Hank en la Figura 8.1. los
Los métodos presentados en el Capítulo 6 para calcular la esperanza de vida ahora se pueden
utilizado para calcular la utilidad esperada de Hank para sus alternativas de tratamiento. los
Los cálculos se muestran en la Tabla 8.2. Los resultados indican que Hank
prefiere la cirugía dirigida microscópicamente, porque esta alternativa equilibra
el riesgo de acortar la vida de una enfermedad no tratada con la posibilidad de evitar una
colostomía, lo que mejoraría su calidad de vida.
Página 221
Medición del resultado de la atención: análisis de la utilidad esperada 209
π
Curado sin
colostomía
Enfermedad local
equivalente a
sin colostomía
1-π Enfermedad metástica
con colostomía
Página 222
210 Toma de decisiones médicas
Tabla 8.3 Utilidades de Hank para los posibles resultados que enfrentó.
Salir Utilidad
Página 223
Medición del resultado de la atención: análisis de la utilidad esperada 211
1.0
0,9
0,7
0,6
0,5
0.4
Utilidad esperada
0,3
0.0
0,1 0,2 0,3 0.4 0,5 0,6 0,7 0,8 0,9
U ( enfermedad local sin colostomía)
0,925
Cirugía tradicional
Cirugía dirigida microscópicamente
0,920
0,915
Utilidad esperada
0,910
0,905
0,10 0,15 0,20 0,25 0,30
U ( enfermedad local sin colostomía )
Figura 8.3 Análisis de sensibilidad enfocado para U (Enfermedad local sin colostomía).
Página 224
212 Toma de decisiones médicas
La utilidad de Hank para '' Enfermedad local sin colostomía '' es mayor que 0,16 si
prefiere el resultado en el lado izquierdo de esta comparación, lo que confirma la
conclusión de que la cirugía dirigida microscópicamente es su tratamiento preferido
alternativa.
Marcar para
Marcar para lo peor Marcar como mejor
intermedio
Salir Salir
Salir
0.0 0,1 0,2 0,3 0.4 0,5 0,6 0,7 0,8 0,9 1.0
Figura 8.4 Escala lineal para capturar la fuerza de la preferencia por los posibles resultados.
Página 225
Medición del resultado de la atención: análisis de la utilidad esperada 213
y mide la fuerza de las preferencias del paciente por los resultados que
caras de pacientes. En efecto, las posiciones de las marcas en la escala lineal son aproximadamente
imar las probabilidades de indiferencia determinadas en el proceso de evaluación.
Esta sección describe un método eficiente para medir la capacidad de un tomador de decisiones
utilidad para la duración de la vida. El método se limita a resultados que difieren
según una única dimensión: la duración de la vida. Por lo tanto, este método tiene la
defecto de ser unidimensional. Sin embargo, con este método
Ser capaz de captar las actitudes de riesgo de quien toma las decisiones a través de la respuesta a
una sola pregunta de evaluación. Más adelante en este capítulo veremos cómo extender
el método para obtener resultados con múltiples estados de calidad.
El modelo de utilidad descrito en esta sección es similar al exponencial
modelo de supervivencia discutido en el Capítulo 7. Esa discusión mostró cómo el
modelo de supervivencia exponencial puede representar la incertidumbre en el resto
años de vida para un paciente. Debido a las propiedades matemáticas de la exposición
modelo de supervivencia potencial, la esperanza de vida del paciente es simplemente 1 / λ , donde λ
es la tasa de mortalidad anual. La validez de un análisis basado en este modelo
depende de que la tasa de mortalidad anual de una enfermedad permanezca constante durante el
resto de la vida del paciente. Aunque este supuesto puede no ser válido como un
la enfermedad progresa y se acerca la muerte, este modelo conveniente simplifica
la comparación de dos resultados en función de las tasas de mortalidad correspondientes.
Al igual que con el modelo de supervivencia exponencial, suponga que los resultados en un
El problema de decisión solo difiere según la duración de la vida del paciente. los
Entonces se puede pensar en la utilidad del tomador de decisiones para los posibles resultados.
como la función U ( x ), que determina la utilidad para una vida de x años. los
El modelo de supervivencia exponencial se denomina modelo paramétrico de supervivencia, ya que puede
estar completamente descrito por el único parámetro λ que mide el nivel de
riesgo que enfrenta el paciente. Manteniendo el parámetro λ constante y variando el
El valor de x determina la probabilidad de sobrevivir x años dado ese nivel de riesgo.
El objetivo de esta sección es establecer un modelo paramétrico similar de utilidad.
El modelo que consideraremos se denomina " modelo de utilidad exponencial " y
tiene la forma
-γx
U(x)=1-e (8,4)
Página 226
214 Toma de decisiones médicas
1.0
0,9
g = 16
0,8 g=8
g=4
0,7
g=2
) 0,6
(x g=1
U
0,5
g=0
g = −1
Utilidad
0.4
g = −2
0,3 g = −4
0,2 g = −8
g = −16
0,1
0.0
0 2 4 6 8 10 12 14 dieciséis18 20
Resultado como años de vida, x
La utilidad del tomador de decisiones durante seis años es 0,7. Refiriéndose a la Figura 8.5, el
función de utilidad exponencial que asigna un valor de 0,7 a seis años tiene un valor
Página 227
Medición del resultado de la atención: análisis de la utilidad esperada 215
Por supuesto, nada en el proceso de evaluación requiere pedir solo una evaluación.
pregunta de ment. De hecho, si las respuestas del tomador de decisiones a evaluaciones múltiples
Todas las preguntas dieron el mismo valor de γ , uno tendría más confianza en el
parámetro γ elegido para el correspondiente modelo de utilidad exponencial. Alterar-
de forma nativa, múltiples evaluaciones que implican diferentes valores para γ sugerirían
que el modelo de utilidad exponencial no es un buen ajuste para el tomador de decisiones
preferencias. La siguiente sección formaliza esta noción.
Gana $ 25 equivalente a
1-p
Gana $ 0
Es decir, al que toma las decisiones le es indiferente entre $ 25 seguro y una apuesta
que tiene un 75% de posibilidades de otorgar $ 50. Ahora suponga que el tomador de decisiones
Se le pide que considere la siguiente apuesta en la que todos los posibles resultados
se han incrementado en $ 50:
pag
Gana $ 100
Gana $ 75 equivalente a
1-p
Gana $ 50
¿La probabilidad de indiferencia del tomador de decisiones para esta segunda evaluación
la pregunta sigue siendo 0,75? Si es así, se dice que las preferencias del tomador de decisiones
satisfacer la propiedad delta . Declarado formalmente:
Propiedad delta
La propiedad delta se cumple si para los resultados A , B y C lo siguiente
equivalencia
pag
A
B equivalente a
1-p
C
Página 228
216 Toma de decisiones médicas
B+Δ equivalente a
1-p
C+Δ
La importancia de la propiedad delta es que es válida para todos los tomadores de decisiones.
con preferencias que coinciden con el modelo de utilidad exponencial. Por lo tanto, el delta
propiedad proporciona una prueba fácil para determinar si la preferencia de un tomador de decisiones
se puede representar mediante el modelo de utilidad exponencial. El matemáticamente
El lector inclinado puede encontrar una derivación de este importante resultado en el apéndice.
a este capítulo.
Siguiendo las líneas discontinuas de la Figura 8.6, la curva con γ = 4 implica que
La probabilidad de indiferencia del individuo sería de aproximadamente 0,7 para este
pregunta de evaluación. El valor esperado de la apuesta en la evaluación.
la pregunta es entonces
Página 229
Medición del resultado de la atención: análisis de la utilidad esperada 217
1.0
0,9
g = 16
Aversión al riesgo
0,8
g=8
0,7
g=4
) 0,6 g=2
(x g=1 Riesgo indiferente
U
0,5 g=0
g = −1
Utilidad
0.4
g = −2
g = −4
0,3
g = −8
0,2
g = −16
Preferencia de riesgo
0,1
0.0
0 2 4 6 8 10 12 14 dieciséis18 20
Resultado como años de vida, x
Figura 8.6 Curvas de utilidad que ilustran preferencias de aversión al riesgo, indiferencia al riesgo y preferencia por el riesgo.
Ahora considere la curva de la figura 8.6 con γ = −4. Para esta curva de utilidad
los mayores aumentos en la utilidad ocurren cuando la supervivencia está cerca del máximo
valor posible. Por ejemplo, cambiar la supervivencia de 18 a 20 años aumenta
la utilidad de 0,66 a 1,0. Por el contrario, la utilidad cambia muy poco para los cambios
en la supervivencia a corto plazo, por ejemplo, cuando la supervivencia aumenta de 0 a 2 años
corresponde a casi ningún aumento en la utilidad. Individuos con preferencias
descritas por estas curvas dan más importancia a los cambios en el largo plazo
supervivencia que los cambios en la supervivencia a corto plazo. En diversos grados, esto se mantiene
para todas las curvas de utilidad en la Figura 8.6 con valores negativos para γ .
Estas personas prefieren el riesgo porque prefieren una apuesta que tiene
un valor esperado de X años a X años con certeza. Para ver esto, considere cómo
responderían a la siguiente pregunta de evaluación:
pag
Vivir 20 años
Página 230
218 Toma de decisiones médicas
pag
Vivir 20 años
Página 231
Medición del resultado de la atención: análisis de la utilidad esperada 219
Sobrevivir
l A e −l A x
PA
Tratamiento de riesgo A
Muerte operativa
Muerte
1-PA
Sobrevivir
l B e −l B x
PB
Tratamiento de riesgo B
Muerte operativa
Muerte
1-PB
Tenga en cuenta que la ecuación 8.10 usa γ , el parámetro para la utilidad exponencial
modelo, para incorporar las actitudes de riesgo del tomador de decisiones en la comparación
de resultados.
Por ejemplo, considere el problema de decisión simple que se muestra en la figura 8.7.
que implica una elección entre dos tratamientos con resultados inciertos. los
La duración de la vida del paciente después de sobrevivir al tratamiento elegido será
distribuidos según un modelo de supervivencia exponencial. Denote el corto
plazo de probabilidad de sobrevivir al Tratamiento A y al Tratamiento B por P A y
P B , respectivamente. De manera similar, denote la esperanza de vida del paciente después de sobrevivir
Similitud,
PB
esperanza de vida para el tratamiento B = (8.12)
λB
PA PB
> (8,13)
λA λB
Sin embargo, suponga que las actitudes de riesgo de quien toma las decisiones están descritas por un
modelo de utilidad exponencial con coeficiente γ . Usando la ecuación 8.10, calculamos
Página 232
220 Toma de decisiones médicas
= PAγ
(8,14)
γ+λA
Similitud,
PBγ
utilidad esperada para el tratamiento B = (8,15)
γ+λB
Por lo tanto, si consideramos las actitudes de riesgo del tomador de decisiones, el Tratamiento A es
Preferido al Tratamiento B solo si se cumple lo siguiente:
PAγ PBγ
> (8,16)
γ+λA γ+λB
Observe que mientras γ sea positivo, lo que significa que el paciente es reacio al riesgo, el
la desigualdad se cumple si cancelamos γ del numerador en ambos lados de la ecuación
8.16. Es decir, para la persona que toma decisiones con aversión al riesgo, se prefiere el tratamiento A a
Tratamiento B solo si se cumple lo siguiente:
PA PB
> (8,17)
γ+λA γ+λB
También observe que esta relación es la misma que la Ecuación 8.13 - la relación
basado en el análisis de esperanza de vida, si γ es 0. En otras palabras, la esperanza de vida
El análisis y los modelos de utilidad exponencial llegan a la misma conclusión.
cuando el tomador de decisiones es indiferente al riesgo.
En resumen, el modelo de utilidad exponencial es una herramienta útil para reflejar la
las actitudes de riesgo del tomador de decisiones en un análisis de decisiones. El proceso de evaluación
requiere solo la respuesta a una sola pregunta. La estructura matemática de
la función de utilidad exponencial permite combinarla con la exponencial
modelo de supervivencia para representar más plenamente las preocupaciones de un tomador de decisiones enfrentado
con resultados inciertos que se desarrollarán con el tiempo.
Página 233
Medición del resultado de la atención: análisis de la utilidad esperada 221
p A (3)
Vivir 10 años en
estado de calidad Q A
Vivir 3 años en
equivalente a
estado de calidad Q A
1 - p A (3)
Muerte inmediata
= π A (3) (8,18)
1.0
0,9 U(x,QA)
0,8
0,7
0,6
0,5 U(x,QB)
Utilidad
0.4
0,3
0,2
0,1
0.0
0 1 2 3 4 5 6 7 8 9 10
Duración de la vida (años)
Figura 8.8 Utilidad para la duración de la vida con dos estados de calidad.
Página 234
222 Toma de decisiones médicas
Paso 2: El segundo paso plantea las mismas preguntas de evaluación, excepto que el
estado de calidad es ahora Q B . El siguiente sería un ejemplo típico:
p B (3)
Vivir 10 años en
estado de calidad Q A
Vivir 3 años en
estado de calidad Q B equivalente a
1 - p B (3)
Muerte inmediata
= [ θ B × 1] + [(1 - θ B ) × 0]
=θB (8,21)
Página 235
Medición del resultado de la atención: análisis de la utilidad esperada 223
O, en general,
Por ejemplo, suponga que evaluar la duración de la vida para cada estado de calidad
requiere cinco preguntas ( M = 5) y hay tres estados de calidad ( N = 3). Entonces
el proceso de evaluación total requeriría 17 preguntas de evaluación:
Página 236
224 Toma de decisiones médicas
p B (3)
Vivir 10 años en
estado de calidad Q B
Vivir 3 años en
estado de calidad Q B equivalente a
1 - p B (3)
Muerte inmediata
p A (3)
Vivir 10 años en
estado de calidad Q A
Vivir 3 años en
estado de calidad Q A equivalente a
1 - p A (3)
Muerte inmediata
En otras palabras, asumimos que las actitudes de riesgo del tomador de decisiones sobre
La duración de la vida no depende de la calidad de vida experimentada durante el
resto de la vida del paciente. Esta suposición no es lo mismo que ignorar
calidad de vida. Solo asumimos que para cualquier estado de calidad dado, el
tomador de decisiones aceptaría las mismas concesiones riesgosas en la duración de la vida.
Bajo este supuesto, si x denota la duración de la vida en el lado izquierdo de
la pregunta de evaluación, podemos quitar el subíndice de la indiferencia
probabilidad y escribe:
Página 237
Medición del resultado de la atención: análisis de la utilidad esperada 225
Por ejemplo, evaluar la duración de la vida para cada estado de calidad requiere cinco
preguntas ( M = 5) y hay tres estados de calidad ( N = 3). Entonces el total
El proceso de evaluación requeriría 7 preguntas de evaluación en lugar de 17:
-γx
Utilidad ( x años, Q A ) = 1 - e (8,30)
qB
Vivir 10 años en
estado de calidad Q A
Vivir 10 años en
estado de calidad Q B equivalente a
1-qB
Muerte inmediata
θ yo γ
utilidad para la supervivencia exponencial en estado de calidad i = (8,32)
γ+λ
Página 238
226 Toma de decisiones médicas
Por ejemplo, Hank se enfrentó a un problema de decisión que tenía tres posibles
estados:
• Q A Sin síntomas y sin colostomía
• Q B Erupción perianal local
• Colostomía Q C
Su probabilidad de indiferencia para la siguiente pregunta de evaluación es 0,95:
qB
Síntoma de vivir 10 años
gratis sin colostomía
Vive 10 años con perianal
equivalente a
erupción pero sin colostomía
1-qB
Muerte inmediata
Con base en la expresión de la Ecuación 8.32, la Tabla 8.4 usa los valores evaluados
para θ B y θ C (como antes θ A es igual a 1) para determinar la utilidad de los distintos
posibles resultados.
Usando el enfoque descrito en la Sección 8.2, calculamos el esperado
utilidad para cada una de las alternativas de tratamiento de Hank. Estos cálculos se muestran
en la Tabla 8.5.
Por lo tanto, incorporar las preocupaciones de Hank sobre la calidad en el análisis
da como resultado una conclusión que favorece claramente la cirugía dirigida microscópicamente.
El análisis de sensibilidad de este ejemplo proporciona información sobre cómo el riesgo de Hank
las actitudes afectan su elección de tratamiento. La figura 8.9 muestra cómo se
Tabla 8.4 Probabilidades, esperanza de vida y utilidades para la calidad y la duración de la vida.
Renunciar a cualquier Enfermedad local sin colostomía 0,9500 5 años 0,95 0,9048
tratamiento Enfermedad metastásica sin colostomía 0.0500 2 años 0,95 0,8000
Página 239
Medición del resultado de la atención: análisis de la utilidad esperada 227
La utilidad de las tres alternativas de tratamiento varía con los cambios en la exposición.
parámetro del modelo de utilidad potencial γ . Recuerde que γ , que mide el riesgo de Hank
la aversión por la duración de la vida aumenta a medida que se centra más en la supervivencia a corto plazo.
Ninguna de las alternativas incluye un riesgo de muerte a corto plazo. En cambio, la supervivencia
Las diferencias para las tres alternativas dependen de eventos en el futuro donde
Hank corre el riesgo de una posible enfermedad metastásica, enfermedad local no tratada o
otras posibles causas de muerte. Por tanto, las diferencias entre los tres
las alternativas de tratamiento disminuyen a medida que aumenta γ . Además, el rango relativo de Hank
ing de las tres alternativas no cambia en el rango de valores posibles
para γ . La decisión de Hank no depende de su aversión al riesgo sobre la duración de
vida porque ninguna de las alternativas difiere en términos de supervivencia a corto plazo.
La figura 8.10 muestra el análisis de sensibilidad para la probabilidad de indiferencia θ C
en la comparación de la vida con la colostomía y la vida sin síntomas. Recuerda que θ C
fue determinada por la respuesta de Hank a la siguiente pregunta de evaluación:
1.0
0,9
Utilidad esperada
0,8 Renunciar a cualquier tratamiento
Cirugía tradicional
Cirugía dirigida microscópicamente
0,7
0.0 1.0 2.0 3,0 4.0 5,0 6.0 7.0 8.0 9.0 10.0
Parámetro del modelo de utilidad exponencial γ
Figura 8.9 Análisis de sensibilidad para el parámetro del modelo de utilidad exponencial.
Página 240
228 Toma de decisiones médicas
1.0
0,9
0,8
0,7
Renunciar a cualquier tratamiento
Utilidad esperada
Cirugía tradicional
0,6
Cirugía dirigida microscópicamente
0,5
0.0 0,1 0,2 0,3 0.4 0,5 0,6 0,7 0,8 0,9 1.0
Figura 8.10 Análisis de sensibilidad para la compensación entre colostomía y vida libre de síntomas.
qC
Síntoma de vivir 10 años
gratis sin colostomía
Síntoma de vivir 10 años
equivalente a
esperar gratis para la colostomía
1-qC
Muerte inmediata
Página 241
Medición del resultado de la atención: análisis de la utilidad esperada 229
están libres de síntomas. La utilidad de esta duración de vida ajustada por calidad es igual a la
utilidad durante años en el estado sintomático.
Desarrollaremos este nuevo enfoque resumiendo primero el método
descrito en la sección anterior. Recuerde la ecuación 8.23, que determinó la
utilidad para x años de vida en estado de calidad Q i :
El término θ i en esta expresión captura las actitudes de riesgo de quien toma las decisiones
sobre la calidad de vida en el estado Q i y fue determinada por la respuesta a la
siguiente pregunta de evaluación:
q yo
Vivir x años con
sin síntomas
Vivir x años en
equivalente a
estado de calidad Q i
1 - q yo
Muerte inmediata
El término π i ( x ) captura las actitudes de riesgo del tomador de decisiones a lo largo de la vida en
estado Q i y fue determinado por la pregunta de evaluación:
p yo (x)
Vivir 10 años en
estado de calidad Q i
Vivir x años en
equivalente a
estado de calidad Q i
1 - p i (x)
Muerte inmediata
Esta suposición no es lo mismo que ignorar la calidad de vida. Solo estamos asumiendo
que para cualquier estado de calidad dado, el tomador de decisiones aceptaría el mismo
compensaciones arriesgadas en la duración de la vida. Con este supuesto de independencia,
La ecuación 8.33 se convierte en
Observe que θ i = 1 si el estado de calidad Q i es el mismo que sin síntomas. En este caso
La ecuación 8.35 se convierte en
Por lo tanto, π ( x ) es igual a la utilidad del tomador de decisiones durante x años sin síntomas
y θ i es la reducción de esa utilidad necesaria para dar cuenta de la desutilidad de
vivir en estado de calidad Q i .
Página 242
230 Toma de decisiones médicas
Años
0 sin síntomas equivalentes
0 1 2 3 4 5 6 7 8 9 10
Años en estado de calidad Q i
Figura 8.11 Compensación entre años de vida sin síntomas durante años en estado de calidad Q i .
años de descanso en el estado sintomático Q i durante menos años sin síntomas. Por ejemplo,
este tomador de decisiones cree que siete años de vida con el síntoma son
equivalente a tres años sin síntomas. En general, sea w i ( x ) denotar esto
relación. Es decir, para este tomador de decisiones
Página 243
Medición del resultado de la atención: análisis de la utilidad esperada 231
En otras palabras, dado que w i ( x ) = φ i x podemos usar la Ecuación 8.39 para escribir
Ecuación 8.31, esta relación simple muestra cómo el riesgo del tomador de decisiones
aversión hacia la duración de la vida y la desutilidad asignada a la vida en calidad
el estado Q i se puede combinar para determinar la utilidad de un resultado. Por lo tanto,
esta relación simple proporciona un enfoque simple para tener en cuenta la
las preferencias del tomador de decisiones al analizar una decisión.
Pendiente = f i
Años
0 sin síntomas equivalentes
0 1 2 3 4 5 6 7 8 9 10
Años en estado de calidad Q i
Página 244
232 Toma de decisiones médicas
Los dos modelos de utilidad descritos en las dos secciones anteriores representan diferentes
diferentes enfoques que determinan la utilidad de un individuo para resultados que difieren
según longitud y calidad. Cada uno depende de diferentes supuestos sobre
las preferencias del tomador de decisiones. Esta última sección compara las implicaciones
para estos supuestos subyacentes.
El primer modelo, descrito en la Sección 8.8, asume que la decisión del tomador de decisiones
La aversión al riesgo por la duración de la vida es la misma para todos los estados de calidad. El segundo
modelo, basado en AVAC y descrito en la Sección 8.9, asume que la decisión
La compensación de tiempo del fabricante para diferentes estados de calidad es la misma para todas las longitudes de
vida. En esta discusión los llamaremos el modelo de '' aversión constante al riesgo ''
y el modelo de "compensación de tiempo constante", respectivamente. El objetivo en esta sección
es comprender las consecuencias de estos supuestos.
La figura 8.13 compara estos modelos para un individuo cuya utilidad de por vida
en el estado de calidad Q A se describe mediante el modelo de utilidad exponencial:
-γx
Utilidad ( x años, Q A ) = 1 - e (8,43)
1.0
Vida en estado de calidad Q A
0,9
0,8
0,7
0,6
Vida en estado de calidad Q B con el
0,5
suposición constante de aversión al riesgo
Utilidad
0.4
0,3
Vida en estado de calidad Q B con el
0,2 Supuesto de compensación de tiempo constante
0,1
0.0
0 1 2 3 4 5 6 7 8 9 10
Duración de la vida (años)
Figura 8.13 Modelos de utilidad de compensación de tiempo constante y de aversión al riesgo constante.
Página 245
Medición del resultado de la atención: análisis de la utilidad esperada 233
qB
Síntoma de vivir 10 años
gratis sin colostomía
Vive 10 años con perianal
equivalente a
erupción pero sin colostomía
1-qB
Muerte inmediata
entonces la misma equivalencia debe mantenerse durante x años en Q B con el mismo valor
para probabilidad π :
Página 246
234 Toma de decisiones médicas
Por lo tanto, con el modelo de compensación de tiempo constante, el riesgo del tomador de decisiones
Se supone que la aversión es menor para la vida sintomática. En el caso extremo de
síntomas que son casi tan graves como una muerte (es decir, φ B es casi 0) la decisión
Se supone que el fabricante es virtualmente neutral al riesgo en el análisis basado en la constante
modelo de compensación temporal del análisis AVAC.
Si esta suposición caracteriza con precisión el comportamiento humano o no es
una pregunta que debe ser respondida por quien toma las decisiones. El objetivo de la utilidad
El análisis es determinar la alternativa que mejor se adapta a las necesidades del tomador de decisiones.
preferencias. Tomadores de decisiones que creen que su aversión al riesgo disminuye
a medida que los síntomas empeoran, puede encontrar la mejor alternativa utilizando el tiempo constante
Supuesto de compensación del análisis QALY. Eso no es cierto para los tomadores de decisiones.
que piensan en la longevidad y la calidad como contribuyentes independientes a su bienestar
siendo. Estos individuos pueden estar mejor representados por la constante aversión al riesgo
modelo. El poder de estos dos modelos es que juntos representan una utilidad
enfoque de evaluación que puede adaptarse a una amplia gama de actitudes de riesgo.
Resumen
Página 247
Medición del resultado de la atención: análisis de la utilidad esperada 235
estados. Describimos dos métodos, ambos comenzando con la decisión del tomador de decisiones.
utilidad para la duración de la vida en uno de los estados de calidad, típicamente el síntoma
Estado libre. Los dos métodos difieren en cómo ajustar esta función de utilidad para
reflejar las preferencias del tomador de decisiones por un estado de calidad alternativo. los
El primer método determina un multiplicador que ajusta esa utilidad para tener en cuenta
la desutilidad de vivir con el síntoma. La magnitud del multiplicador
se evalúa utilizando una apuesta de referencia estándar que determina los riesgos de
muerte que el tomador de decisiones aceptaría para evitar el síntoma.
El segundo método, denominado años de vida ajustados por calidad o análisis AVAC,
se basa en la noción de que las personas pueden expresar su actitud hacia un
estado de calidad ajustando la duración de la vida sin un síntoma para que sea
equivalente a la duración de la vida con el síntoma. La magnitud de la
El ajuste se evalúa haciendo preguntas de compensación de tiempo que determinan el
reducción en la duración de la vida sintomática necesaria para tener un equivalente
duración de la vida sin síntomas.
Al final, ambos métodos determinan la utilidad del tomador de decisiones que
incorpora tanto la aversión al riesgo hacia la duración de la vida como
preocupaciones sobre la calidad de vida. Por lo tanto, estos modelos de utilidad admiten
el propósito de un análisis de decisiones, que es identificar la opción que mejor
refleja las preocupaciones de quien toma las decisiones.
Problemas
1. Suponga que un paciente con dolor de muelas se enfrenta al árbol de decisiones que se muestra en
Figura 8.14. El paciente puede optar por un tratamiento de conducto ahora o esperar uno
mes para ver si el dolor de muelas se detiene por sí solo. Si el dolor de muelas continúa
el paciente tendrá el tratamiento de conducto. El paciente también se enfrenta a la incertidumbre sobre
manteniendo el diente. Como se muestra en la Figura 8.14, suponga que retrasar la raíz
canal aumenta la posibilidad de que el paciente pierda el diente. Dejando el
El autolimitación del dolor de muelas aumenta aún más las posibilidades de que el diente se
perdió. Utilice la evaluación de utilidad directa para determinar la utilidad de un amigo para los seis
posibles resultados. Determina si tu amigo optaría por retrasar la raíz
canal, dadas las probabilidades asumidas en la Figura 8.14.
2. Suponga que una persona le dice que le es indiferente entre
las siguientes dos opciones:
0,8
Vivir 20 años
Vivir 2 años o
0,2
Muerte inmediata
Página 248
236 Toma de decisiones médicas
Mantener el diente
Tener tratamiento de conducto ahora
0,9 Mantener el diente
Tener tratamiento de conducto ahora
pag
Vivir 20 años
Vivir 10 años o
0,3
Muerte inmediata
Página 249
Medición del resultado de la atención: análisis de la utilidad esperada 237
Sobrevivir
0,25e −0,25 x
0,90
Tratamiento de riesgo A
Muerte operativa
Muerte
0,10
Sobrevivir
0,20e −0,20 x
0,91
Tratamiento de riesgo B
Muerte operativa
Muerte
0,09
X yo X j o X yo X j o X yo ≈ X j (A8.1)
Página 250
238 Toma de decisiones médicas
π
XA
XB ≈
1-π
XC
q
XA
pag pag
XB
1-q
≈ XC
1-p 1-p
XD XD
q
XA
pq pag
XA
p (1 - q ) 1-q
XB ≈ XB
1-p 1-p
XC XC
Página 251
Medición del resultado de la atención: análisis de la utilidad esperada 239
pag q
XA XA
∑norte ∑norte
P[Xi|Aj]×U(Xi)> P[Xi|Ak]×U(Xi) (A8.3)
i=1 i=1
π yo
Xn
X yo ≈
1-πi
X1
Página 252
240 Toma de decisiones médicas
P [ X 1| A j ] P [ X 1| A k ]
X1 X1
P [ X 2| A j ] P [ X 2| A k ]
X2 y X2
• •
• •
• •
P[Xn | Aj] P[Xn | Ak]
Xn Xn
p1
P [ X 1| A j ] X2
1-p1
P [ X 1| A j ]
X1 p2 X1
P [ X 2| A j ] P [ X 2| A j ] Xn
X2 ≈ 1-p2
• X1
• •
• •
P[Xn | Aj] •
Xn pn
P[Xn | Aj] Xn
1-pn
X1
El axioma 4 se puede utilizar para combinar las probabilidades de los dos resultados.
resultando en un árbol equivalente que involucra solo X 1 y X n :
π1
P [ X 1| A j ] Xn
1-π1
Σ nyo= 1 P [ X 1 | A j ] π i
π2 X1
Xn
P [ X 2| A j ] Xn
≈
1-π2
1-Σ
X1 1 P [ X1| Aj] π i
yon =
• X1
•
•
πn
P[Xn | Aj] Xn
1-πn
X1
Página 253
Medición del resultado de la atención: análisis de la utilidad esperada 241
∑norte
equivalente a una lotería que otorga X n con probabilidad P[Xi|Ak]πiyX1
i=1
∑norte
con probabilidad 1 - P [ X i | A k ] π i . Eso es,
i=1
P [ X 1| A k ] Σ nyo= 1 P [ X 1 | A k ] π yo
X1
Xn
P [ X 2| A k ]
X2 ≈
• 1-Σ yon = 1 P [ X 1 | A k ] π yo
• X1
•
P[Xn | Ak]
Xn
- d 2U ( x )
dx2
R(x)= dU(x)
(A8.5)
dx
Página 254
242 Toma de decisiones médicas
O
∫∞ ∫∞
λ
- λx
Utilidad esperada = λe dx- (λ+γ)e -(λ+γ)xd x (A8.9)
λ+γ
0 0
Pero las dos integrales en la ecuación A8.9 son ambas 1. Por lo tanto
λ γ
Utilidad esperada = 1 - = (A8.10)
λ+γ λ+γ
Bibliografía
Holloway, CA (1979) Toma de decisiones bajo incertidumbre: modelos y opciones , Prentice Hall,
Englewood Cliffs, Nueva Jersey.
Presenta una descripción muy detallada de los modelos de utilidad. Capítulo 4 de este importante libro
cubre modelos paramétricos. El capítulo 6 cubre los conceptos de independencia de las empresas de servicios públicos.
Raffia, H. (1968) Análisis de decisiones: conferencias introductorias sobre elecciones bajo incertidumbre , Addison-
Wesley, Reading, MA.
Página 255
CAPÍTULO 9
Selección e interpretación
de pruebas diagnósticas
Realice esa prueba solo si los resultados pueden cambiar lo que hace por el paciente.
(Anónimo)
dicen que significa "explicar lo que significan los resultados de la prueba". Esa definición es una buena
Comencemos por el que propusimos en el Capítulo 4: '' ahora que conozco el posprueba
probabilidad de enfermedad, ¿qué debo hacer? ''
Estas dos ideas, selección e interpretación, están vinculadas a una tercera idea,
tratando de predecir el efecto de los resultados de las pruebas en la atención del paciente, algo que hacer
antes de solicitar una prueba, pero también después de conocer los resultados.
Este capítulo tiene nueve partes. Un problema de orden de prueba ilustrativo, el
selección de pruebas para sospecha de tumor cerebral, aparece en varios puntos de la
capítulo.
9.1 Actuar cuando las consecuencias son inciertas: principios
y definiciones 244
9.2 La probabilidad de umbral de tratamiento 247
9.3 La decisión de obtener una prueba de diagnóstico 252
9.4 Elección entre pruebas de diagnóstico 259
9.5 Elección de la mejor combinación de pruebas de diagnóstico 261
9.6 Configuración de la probabilidad de umbral de tratamiento 263
9.7 Tener en cuenta la utilidad de experimentar una prueba 275
9.8 Un caso clínico: selección de pruebas para sospecha de tumor cerebral 279
9.9 Análisis de sensibilidad 281
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
243
Página 256
244 Toma de decisiones médicas
0 1.0
Probabilidad de enfermedad
Página 257
Selección e interpretación de pruebas diagnósticas 245
Tratamiento
umbral
probabilidad
No
Tratar
tratar
0 1.0
Probabilidad de enfermedad
una enfermedad que no tienen. La figura 9.2 ilustra esto para una situación
en el que la probabilidad de umbral de tratamiento es 0,25.
Según la Figura 9.2, algunos pacientes recibirían tratamiento incluso
aunque no tienen enfermedad. Si el tratamiento fue arriesgado y el
enfermedad no era muy grave, el daño en el que incurren podría superar el
beneficio para los pacientes enfermos.
Página 258
246 Toma de decisiones médicas
Comentario : La única parte de esta historia que puede no ser clara para el lector es la
juicio sobre cuándo tratar una EP. La probabilidad de umbral de tratamiento
es sorprendentemente baja ( 0,10) debido al balance favorable de daños y
Beneficios de la anticoagulación para la EP conocida. Entonces, la prueba posterior del paciente
La probabilidad de EP (0,23) está muy por encima del umbral para iniciar el tratamiento.
Sin embargo, el arteriograma pulmonar podría cambiar el manejo de
este paciente si es negativo (recuerde que su sensibilidad es cercana a 1.0).
Entonces, las pruebas son razonables en esta situación, pero también lo es el tratamiento (especialmente si
el arteriograma no está disponible).
Página 259
Selección e interpretación de pruebas diagnósticas 247
Tratamiento
umbral
probabilidad
D− A− D + A− D− A + D+A+
No tratar Tratar
Figura 9.3 La probabilidad de umbral de tratamiento define cuatro grupos de pacientes. D + denota
enfermedad presente. D - denota enfermedad ausente. A + denota la acción tomada (como el tratamiento
dado). A : denota acción retenida.
Página 260
248 Toma de decisiones médicas
Enfermedad
U [D + A +]
Tratar (A +) p [D]
Sin enfermedad
U [D − A +]
1− p [D]
Enfermedad
U [D + A−]
p [D]
El objetivo de esta sección es derivar una expresión matemática para esta relación.
La derivación de esta relación es sencilla.
Considere la siguiente situación. El clínico ha completado la historia
y examen físico, ha realizado todas las pruebas diagnósticas recomendadas,
y ahora debe elegir si tratar o retener el tratamiento. La situación
puede representarse mediante un árbol de decisión simple (Figura 9.4).
Para decidir entre estas alternativas, debemos calcular la utilidad esperada
de cada alternativa. Como era de esperar, los tomadores de decisiones de servicios públicos, entonces elegiremos
la alternativa de tratamiento con mayor utilidad esperada. Lo esperado
La utilidad (EU) se obtiene promediando los nodos de azar. Este proceso es
expresado en las siguientes ecuaciones:
UE [ A -] = p × U [ D + A -] + (1 - p ) × U [ D - A -] (9,1)
UE [ A +] = p × U [ D + A +] + (1 - p ) × U [ D - A +] (9,2)
las dos curvas se cruzan. En este punto (indicado por C), el médico debe
ser indiferente entre tratar y suspender el tratamiento. Este punto es el
probabilidad de umbral de tratamiento (denotado por p *).
Página 261
Selección e interpretación de pruebas diagnósticas 249
Previsto
utilidad C
U [D − A +]
0 U [D + A−]
0 p* 1.0
Probabilidad de enfermedad
Figura 9.5 Utilidad esperada de las opciones de tratamiento ( A +) y sin tratamiento ( A -), derivada de
Ecuaciones 9.1 y 9. 2. La línea que va desde la esquina superior izquierda a la esquina inferior derecha
representa la Ecuación 9.1, la utilidad esperada de ningún tratamiento ( A -) en función de la probabilidad
de enfermedad ( p ). La línea que va de la parte inferior izquierda a la superior derecha representa la Ecuación 9.2, la
utilidad esperada del tratamiento ( A +) en función de la probabilidad de enfermedad.
Para decidir qué acción tomar, el médico solo necesita estimar el problema.
capacidad de la enfermedad y compararla con la probabilidad de umbral de tratamiento. Esta
enfoque para la toma de decisiones es notablemente simple en principio, ya que uno
sólo debe aprender a estimar la probabilidad del umbral de tratamiento.
Para calcular la probabilidad de tratamiento umbral, proceda de la siguiente manera. los
La utilidad esperada de las dos alternativas de decisión ( A + y A -) son iguales
en la probabilidad de umbral de tratamiento. Por lo tanto, establezca la ecuación 9.1 igual a
Ecuación 9.2 y resuelva para p *, la probabilidad del umbral de tratamiento:
pag U [ D - A -] - U [ D - A +]
= (9,3)
1-p U [ D + A +] - U [ D + A -]
H = U [ D - A -] - U [ D - A +]
H es el daño neto de tratar a los pacientes que no tienen la afección objetivo como
si lo tuvieran. No pueden beneficiarse del tratamiento. Por lo tanto, cualquier efecto
de tratamiento son un "daño" de tratamiento.
La segunda definición es
B = U [ D + A +] - U [ D + A -]
Página 262
250 Toma de decisiones médicas
= H
pag (9,4)
H+B
La ecuación 9.4 es una relación muy importante. Tiene tres fuertes implicaciones:
1. Los daños y beneficios del tratamiento afectan el problema del umbral de tratamiento.
habilidad de maneras reveladoras.
Una probabilidad de umbral de tratamiento baja se debe a:
• gran beneficio para los pacientes enfermos;
• poco daño a los pacientes no enfermos.
Una alta probabilidad de umbral de tratamiento se debe a:
• altos daños a pacientes no enfermos;
• bajo beneficio para los pacientes enfermos.
3. p * depende únicamente de las utilidades del paciente para los estados de tratamiento de la enfermedad . Eso
no depende de la probabilidad de que ocurran estos estados. Dado que p *
depende de las utilidades para los estados de tratamiento de la enfermedad, reflejará la
resultados de esos estados sus probabilidades relativas entre sí, y
las utilidades del paciente para esos resultados.
Página 263
Selección e interpretación de pruebas diagnósticas 251
Reacción no fatal
U [D − A +] U = .9
p = 0,0099
Reacción fatal
U=0
p = .0001
La reacción alérgica ocurre por casualidad, podemos usar un árbol para calcular el
utilidad esperada del estado D - A + (Figura 9.6).
La utilidad esperada del estado D - A + es la suma de los tres
estados de resultado de los productos de la probabilidad de cada estado
veces la utilidad del paciente para ese estado (= (0,99 × 1,0) +
(0,0099 × 0,90) + (0,0001 × 0)) 0,9989).
Recordando que H = U [ D - A -] - U [ D - A +], H = 1.0 - 0.9989 =
0,0011.
Ahora, calcule los beneficios, recordando que B = U [ D + A +] -
U [ D + A -].
H 0,0011
pag= = = 0,0022
H+B 0,0011 + 0,49
La probabilidad de tratamiento umbral es una herramienta valiosa para los tomadores de decisiones.
Los médicos suelen decidir qué acción tomar (tratar o no tratar) por
sopesar subjetivamente los daños y beneficios del tratamiento frente a la clínica
características del paciente. La probabilidad de umbral de tratamiento se transforma
Página 264
252 Toma de decisiones médicas
D − A− D + A− D−A+ D+A+
No tratar Tratar
Figura 9.7 Un resultado de prueba negativo reduce la probabilidad de enfermedad más allá del umbral de probabilidad.
Página 265
Selección e interpretación de pruebas diagnósticas 253
D− A− D + A− D− A + D+A+
No tratar Tratar
Figura 9.8 Un resultado positivo de la prueba aumenta la probabilidad de enfermedad más allá del umbral de probabilidad.
Si el resultado de una prueba puede cumplir con este criterio depende de su prueba
rendimiento (sensibilidad, especificidad, razón de verosimilitud negativa), la
probabilidad previa a la prueba y probabilidad umbral de tratamiento.
Pruebe si el resultado podría mover la probabilidad de enfermedad más allá de un umbral de tratamiento .
Por lo tanto, una función de las pruebas es reducir la posibilidad de que se administre tratamiento.
o retenido cuando información adicional podría mejorar una decisión. En esto
capítulo, este principio básico se transformará en un método para decidir
qué pacientes se beneficiarán de una prueba de diagnóstico.
Página 266
254 Toma de decisiones médicas
Acción
Positivo
Acción
Prueba
Ninguna acción
Negativo
Figura 9.9 Árbol de decisión para elegir entre
Ninguna acción probar y tomar medidas.
obtener (Sección 9.2). Ahora usamos un razonamiento similar para derivar un método
para decidir si obtener más información antes de realizar un tratamiento
decisión. El problema de decisión está representado por el árbol que se muestra en la Figura 9.9.
Para decidir entre estas alternativas, debemos calcular la utilidad esperada
de cada alternativa y elija la alternativa de tratamiento con la mayor
utilidad esperada. Dado que el estado real del paciente y el resultado de la prueba son
desconocido, las alternativas de decisión están representadas por los árboles representados en
Figura 9.10.
Las probabilidades en los nodos de azar que representan el resultado de la prueba.
se escriben en notación de probabilidad condicional. Por ejemplo, si el paciente
p [+ | D]
U [D + A +]
pos de prueba
Enfermedad
Acción
p [D]
p [- | D]
U [D + A−]
prueba neg
prueba
PRUEBA
p [+ | noD]
pos de prueba U [D − A +]
Sin enfermedad
Ninguna acción
1- p [D]
p [- | noD]
U [D − A−]
prueba neg
(a) (B)
Enfermedad
Enfermedad U [D + A−]
U [D + A +]
p [D]
p [D]
NO
TRATAR TRATAR
Sin enfermedad
Sin enfermedad U [D − A−]
U [D − A +] 1- p [D]
1- p [D]
(C) (D)
Figura 9.10 Árbol de decisión para elegir entre probar y tomar medidas. En esta figura, "acción"
es equivalente a "TRATAR".
Página 267
Selección e interpretación de pruebas diagnósticas 255
UE [Prueba] = P [ D ] × P [+ | D ] × U [ D + A +] + P [D] × P [- | D ] × U [ D + A -]
+ (1 - P [D]) × P [+ | sin D ] × U [ D - A +] × (1 - P [ D ]) × P [- | sin D ]
× U [ D - A -]
× U [ D - A -] + U ( T ) (9,5)
UE [ A -] = P [ D ] × U [ D + A -] + (1 - P [ D ]) × U [ D - A -] (9,6)
UE [ A +] = P [ D ] × U [ D + A +] + (1 - P [ D ]) × U [ D - A +] (9,7)
Abreviaturas:
U []: la utilidad de un estado de tratamiento de la enfermedad.
U [ T ] es la utilidad neta de la prueba. U [ T ] está determinado por el paciente y
las actitudes del médico hacia factores tales como el costo de la prueba, su morbilidad
y la mortalidad, y la tranquilidad proporcionada por la prueba de psicología o
razones médico-legales.
U [ T ] tiene un signo negativo si el efecto neto de experimentar la prueba es
indeseable. Por lo tanto, la prueba reduciría la utilidad esperada de la prueba.
opción en la Ecuación 9.5.
U [ T ] tiene un signo positivo si el efecto neto de experimentar la prueba es deseable
(la tranquilidad que proporciona supera los aspectos desagradables de la prueba).
Por lo tanto, la prueba aumentaría la utilidad esperada de la opción de prueba en
Ecuación 9.5.
Página 268
256 Toma de decisiones médicas
Alta probabilidad de enfermedad: por encima de una cierta probabilidad, el tratamiento siempre es
preferido porque un resultado negativo de la prueba no podría reducir la probabilidad de
enfermedad lo suficiente como para cruzar el umbral del tratamiento y la gestión del cambio.
Probabilidad intermedia de enfermedad: se prefiere la opción de prueba porque
El resultado de una prueba podría alterar la probabilidad de enfermedad lo suficiente como para cruzar el
umbral de tratamiento y alterar la gestión.
Por debajo de este umbral de probabilidad, la probabilidad posterior a la prueba después de un resultado positivo
El resultado de la prueba está por debajo del umbral de tratamiento y el resultado de la prueba no afectaría
administración. En efecto, si p 1 es la probabilidad previa a la prueba, la probabilidad posterior a la prueba
después de una prueba positiva es el umbral de tratamiento, p * (Figura 9.12).
Página 269
Selección e interpretación de pruebas diagnósticas 257
Sin tratamiento
U = FPR U [D − A +] Tratar
+ (1 − FPR)
U [D − A] + U (T)
U [D + A + ]
Prueba
Previsto
utilidad
U = TPR U [D + A +]
+ (1 − TPR)
U [D + A -] + U [T]
U [D - A + ]
0 U [D + A - ]
0 p1 p* p2 1.0
Probabilidad de enfermedad
Figura 9.11 Relación entre la probabilidad de enfermedad previa a la prueba y la utilidad esperada de
la prueba, el tratamiento y ninguna opción de tratamiento. Las expresiones para las utilidades esperadas de estos
alternativas de decisión cuando P [ D ] = 0 y P [ D ] = 1.0 aparecen a lo largo de los ejes verticales. Las etiquetas
dentro del gráfico, denote la acción con la mayor utilidad esperada en cada probabilidad de enfermedad.
Positivo
prueba
Sin prueba
Prueba Tratar
o trato
0 .50 1.0
p1 p2
Probabilidad de enfermedad
Tratamiento Prueba-tratamiento
umbral umbral
Negativo
prueba
Sin prueba
Prueba Tratar
o trato
0 .50 1.0
p1 p2
Probabilidad de enfermedad
Página 270
258 Toma de decisiones médicas
Por encima de este umbral de probabilidad, la probabilidad posterior a la prueba después de un resultado negativo
El resultado de la prueba está por encima del umbral de tratamiento y el resultado de la prueba no afectaría
administración. En efecto, si p 2 es la probabilidad previa a la prueba, la probabilidad posterior a la prueba
después de una prueba negativa es el umbral de tratamiento, p * (Figura 9.13).
En la menor de estas probabilidades de umbral, las utilidades esperadas de la
Las alternativas de decisión "sin tratamiento" y "prueba" son iguales. Dado que UE [ A -] = UE [Prueba]
en p 1, podemos igualar el lado derecho de las ecuaciones 9.5 y 9.6 entre sí
y reorganizar los términos para obtener la siguiente ecuación que se puede resolver
para p 1:
FPR × H - U ( T )
p1= (9,8)
FPR × H + TPR × B
Se puede usar el mismo razonamiento para resolver las ecuaciones 9.5 y 9.7 para p 2:
(1 - FPR) × H + U ( T )
p2= (9,9)
(1 - FPR) × H + (1 - TPR) × B
Página 271
Selección e interpretación de pruebas diagnósticas 259
H
pag= (9,4)
H+B
[ ]
- UTAH)
FPR × p ×p
H
p1= (9,10)
FPR × p + (1 - p ) × TPR
[ ]
+ UTAH) ×p
(1 - FPR) × p H
p2= (9,11)
(1 - FPR) × p + (1 - p ) × (1 - TPR)
Este tema avanzado se puede omitir en una primera lectura sin pérdida de continuidad .
El razonamiento utilizado para decidir si se debe realizar una prueba puede
1 No probar No tratar
2 No probar Tratar
3 Hacer T 1 Trate solo si T 1 es positivo
4 Hacer T 2 Trate solo si T 2 es positivo
Página 272
260 Toma de decisiones médicas
UE [ A +] = p × U [ D + A +] + (1 - p ) × U [ D - A +] (9,12)
UE [ A -] = p × U [ D + A -] + (1 - p ) × U [ D - A -] (9,13)
UE [ T 1 ] = p × TPR 1 × U [ D + A +] + p × (1 - TPR 1 ) × U [ D + A -]
+ (1 - p ) × FPR 1 × U [ D - A +]
+ (1 - p ) × (1 - FPR 1 ) × U [ D - A -] + U ( T 1 ) (9,14)
UE [T 2 ] = p × TPR 2 × U [ D + A +] + p × (1 - TPR 2 ) × U [ D + A -]
+ (1 - p ) × FPR 2 × U [ D - A +]
+ (1 - p ) × (1 - FPR 2 ) × U [ D - A -] + U ( T 2 ) (9,15)
Tratar
U [D + A +]
Previsto
UE [T 2 ]
utilidad
UE [T 1 ]
U [D − A +]
0 U [D + A - ]
0 p1 p2 p3 1.0
Probabilidad de enfermedad
Figura 9.14 Utilidad esperada de dos opciones de prueba y las opciones de tratamiento.
Página 273
Selección e interpretación de pruebas diagnósticas 261
La alternativa con la utilidad esperada más alta en cada probabilidad previa a la prueba
de enfermedad es la alternativa preferida. La elección entre las dos pruebas
depende de la probabilidad de enfermedad previa a la prueba:
1. La más baja de las tres probabilidades de umbral, p 1, puede calcularse mediante
estableciendo EU ( A -) igual a EU ( T 1 ) y EU ( T 2 ), resolviendo cada ecuación para p ,
y elegir la prueba correspondiente al valor más bajo de p para ser Prueba 1
y asignar el valor más bajo de p a p 1.
2. El más alto de los tres umbrales, p 3, puede calcularse estableciendo
EU ( A +) igual a la utilidad esperada de la prueba restante, resolviendo el
ecuación resultante para p , y asignando ese valor de p a p 3.
3. El umbral intermedio, p 2, se obtiene estableciendo EU ( T 1 ) igual a
EU ( T 2 ) y resolviendo p .
La acción apropiada depende de la probabilidad de enfermedad previa a la prueba, como se muestra
en la siguiente tabla:
Este tema avanzado se puede omitir en una primera lectura sin pérdida de continuidad .
Página 274
262 Toma de decisiones médicas
Página 275
Selección e interpretación de pruebas diagnósticas 263
Haz T1 y T2;
U [D + A +]
Tratar si +
Previsto
utilidad
U [D − A +]
0 U [D + A−]
0 p1 p2 p3 1.0
Probabilidad de enfermedad
Página 276
264 Toma de decisiones médicas
H
pag= (9,4)
H+B
Esta ecuación significa que p * generalmente será menor que 0.50. Segundo, porque
Los médicos a menudo no conocen la sensibilidad o especificidad de las pruebas que
ordenan que no pueden estimar el efecto de falsos positivos y falsos negativos
resultados sobre la probabilidad de la condición objetivo.
H
B
pag= (9,12)
H
1+
B
Página 277
Selección e interpretación de pruebas diagnósticas 265
H
pag= (9,4)
H+B
1.0
.8
.6
.4
Probabilidad de umbral
.2
Figura 9.16 Relación entre la probabilidad de umbral de tratamiento y la relación entre los costos netos y
beneficios netos.
Página 278
266 Toma de decisiones médicas
B = U [ D + A +] - U [ D + A -]
H = U [ D - A -] - U [ D - A +]
Usar una medida de preferencia, utilidad, para caracterizar los beneficios y costos
= H 1, 0
pag = = 0.099
H+B 1.0 + 8.8
El uso de la esperanza de vida para estimar la probabilidad del umbral de tratamiento requiere
dos supuestos:
• todos los estados de resultado son igualmente preferidos por el paciente;
• cada año de vida en cada estado de resultado es igualmente preferido.
Ninguno de estos supuestos es realista. Por lo tanto, el médico debe hacer
todos los esfuerzos para utilizar la utilidad como medida de los costos y beneficios del tratamiento.
Si el paciente no puede cooperar, un pariente, un amigo o incluso el médico pueden
actuar como agente del paciente al responder a las preguntas de evaluación de la utilidad.
Página 279
Selección e interpretación de pruebas diagnósticas 267
9.6.4 Utilice las utilidades del paciente para los estados de tratamiento de la enfermedad
para estimar los daños y beneficios del tratamiento
La mejor manera de determinar p * es evaluar las utilidades del paciente para la enfermedad.
estados de tratamiento B = U [ D + A +] - U [ D + A -] y H = U [ D - A -] - U [ D - A +]
y resuelva la Ecuación 9.4 para p *:
H
pag=
H+B
Para evaluar la utilidad, el médico y el paciente deben hablar con franqueza sobre la
consecuencias de las alternativas de decisión, que prepara el escenario para
consentimiento y responsabilidad compartida para la toma de decisiones.
Considere cada uno de los estados de tratamiento de la enfermedad en el ejemplo de sospecha
tumor cerebral en un hombre de 55 años:
• D - A -: el paciente no tiene tumor cerebral y no recibe tratamiento
para un tumor cerebral, ni está sujeto al riesgo de morir por una cirugía. Esta
La esperanza de vida de un hombre de 55 años es de 21 años.
• D - A +: el paciente no tiene un tumor cerebral, pero se realiza una cirugía
porque la evidencia sugirió fuertemente que estaba presente un tumor cerebral. Si
el paciente sobrevive a la cirugía, tiene una esperanza de vida normal.
• D + A -: el paciente tiene un tumor cerebral, pero no se realiza cirugía
porque la evidencia no era lo suficientemente fuerte para justificar la cirugía. los
el resultado es la muerte con una supervivencia media de 2 años.
• D + A +: El paciente tiene un tumor cerebral y se realiza una cirugía. Si el
paciente sobrevive a la cirugía, hay un 48% de posibilidades de curación y una
esperanza de vida de 21 años. Si el tumor no es curable, la esperanza de vida es
estimado en 2 años.
En dos de estos estados de tratamiento de la enfermedad ( D + A + y D - A +), el resultado final
es incierto: la muerte puede ocurrir en el período perioperatorio, después de una paulatina
declive de varios años (en el caso de D + A +), o después de varias décadas de
vida normal. Podemos adoptar uno de dos enfoques para evaluar la
utilidad para estos estados complejos.
Método 1 : Escriba una descripción del curso esperado en cada enfermedad.
estado de tratamiento y encuentre la probabilidad de indiferencia del paciente para los siguientes
Apuesta genérica de referencia estándar (Figura 9.17):
El problema con el Método 1 es que la evaluación del tratamiento de enfermedades complejas
estados es difícil para los pacientes. En el escenario del tratamiento de la enfermedad D + A +
estado, el resultado de la cirugía por un tumor cerebral sospechado y si la cura
se lograrán son inciertos. Además, el paciente puede vivir una vida normal.
o puede vivir dos años con un tumor cerebral progresivo. Clasificando todos estos
variables es una tarea cognitiva difícil, especialmente porque el paciente también debe hacer frente
con las probabilidades de estos resultados.
Método 2 : El enfoque preferido es representar la incertidumbre en la enfermedad.
estados de tratamiento por árboles que comprenden nodos de azar. La estructura del arbol
Página 280
268 Toma de decisiones médicas
Mejor enfermedad
estado de tratamiento
(U = 1.0)
pag
Intermedio
tratamiento de enfermedades
estado (U =?)
1− p Peor enfermedad
estado de tratamiento
(U = 0)
refleja los hechos médicos. Se obtienen las probabilidades en los nodos de azar
Curado de
tumor
LE = 21 AÑOS
p = .48
Sobrevivir
cirugía
p = .98
Morir de
tumor
LE = 2 AÑOS
p = .52
Perioperatorio
muerte
p = .02
Figura 9.18 Resultados clínicos en el estado de tratamiento de la enfermedad para un tumor cerebral tratado.
Página 281
Selección e interpretación de pruebas diagnósticas 269
1− p perioperatorio
muerte
(U = 0)
Figura 9.19 Apuesta de referencia estándar para evaluar directamente la utilidad de uno de los resultados
del estado de tratamiento de la enfermedad para el tumor cerebral tratado.
en lugar de una secuencia de estados de salud. Evaluación de la utilidad para una sola salud
El estado debe ser relativamente fácil para el paciente. Por supuesto, la desagregación crea
más estados de resultado, lo que significa más evaluaciones de utilidad para realizar.
No obstante, el método 2 suele ser mejor.
U [ D + A +] U [ D + A -]
U [ D - A -] U [ D - A +]
Página 282
270 Toma de decisiones médicas
B = U [ D + A +] - U [ D + A -]
H = U [ D - A -] - U [ D - A +]
H
pag=
H+B
Página 283
Selección e interpretación de pruebas diagnósticas 271
Sobrevivir
cirugía
LE = 21 AÑOS
p = .97
Perioperatorio
Figura 9.20 Modelo del resultado de muerte
realizar una craneotomía en un paciente que no LE = 0 AÑOS
no tener un tumor cerebral (estado de salud D - A +). p = .03
Curado de
tumor
LE = 21 AÑOS
p = .48
Sobrevivir
cirugía
p = .98
Morir de
tumor
LE = 2 AÑOS
p = .52
Perioperatorio
muerte
p = .02
Figura 9.21 Modelo del resultado de realizar una craneotomía en un paciente que tiene un cerebro
tumor (estado de salud D + A +).
Página 284
272 Toma de decisiones médicas
Progresivo
hemiparesia y muerte
LE = 2 años (U =?)
1− p Inmediato
muerte
(U = 0)
Figura 9.22 Apuesta de referencia estándar para evaluar la utilidad de la hemiparesia progresiva y
muerte por tumor cerebral.
Ahora siga los cinco pasos para evaluar una utilidad utilizando una referencia estándar
jugar.
Paso 1: cree un escenario para la apuesta de referencia estándar:
El paciente imagina que le han dicho que tiene una esperanza de vida de
dos años durante los cuales experimentará hemiparesia progresiva en el
punto de estar confinado a la cama. Este resultado puede evitarse tomando
una oportunidad en un procedimiento indoloro pero arriesgado, que resultará en un
esperanza de vida normal con hemiparesia estable o muerte inmediata.
Paso 2: Determine la probabilidad de éxito en la apuesta entre los mejores
y peores resultados que dejarían al paciente indiferente entre los
apuesta y lo seguro:
En este caso, el clínico debe determinar la probabilidad de indiferencia del paciente.
bilidad para la apuesta estándar que se muestra en la Figura 9.22. El paciente decide
que estaría dispuesto a apostar por el arriesgado procedimiento cuando el
La probabilidad de éxito era tan baja como 0,25 para evitar
discapacidad y muerte segura en dos años.
• Resuelva la utilidad desconocida en términos de utilidades conocidas.
En la probabilidad de indiferencia ( π ), la utilidad del resultado intermedio
es igual a la utilidad esperada de la apuesta
U (hemiparesia progresiva, NE 2 años) = π × U (hemiparesia estable, NE 21
años) + (1− π ) × U (muerte perioperatoria)
• U (hemiparesia progresiva, LE 2 años) = 0,25 × 1,0 + 0,75 × 0 = 0,25
• Su utilidad para el estado intermedio es, por tanto, 0,25.
Página 285
Selección e interpretación de pruebas diagnósticas 273
* Comentario : la hemiparesia estable no es una salud perfecta, pero es lo mejor que puede esperar este paciente, así que
le asignamos una utilidad de 1.0. Si la recuperación de la función motora normal fuera posible, modelaríamos la
problema de manera diferente y asigne una utilidad de 1.0 al estado de funcionamiento normal del motor.
U [ D + A +] U [ D + A -]
U [ D - A -] U [ D - A +]
Dos de los estados de tratamiento de la enfermedad tienen un solo resultado. La utilidad de estos
los resultados pueden tomarse directamente de la tabla. Solo hay un resultado para
el estado D - A - y su utilidad es 1.0. Solo hay un resultado para el D + A :
estado, y su utilidad es 0.25, como se describió anteriormente.
Los otros dos estados de resultado, D + A + y D - A +, tienen varios resultados
estados. Las utilidades esperadas de estos estados se obtienen promediando el
árboles para estos dos estados después de sustituir primero las utilidades de la tabla en
los lugares apropiados en los árboles (Figuras 9.23ayb).
U [ D - A -] 1.0 U [ D + A +] 0,57
U [ D - A +] 0,95 U [ D + A -] 0,25
H 0,05
pag= = = 0,135
H+B 0,32 + 0,05
Página 286
274 Toma de decisiones médicas
Curado de
UE = (.97 .59) + .03 0 = .57 tumor
U = .98
p = .48
Sobrevivir
cirugía
UE = (.48 . 9) + (.52 .23) = .59
p = .97
Morir de
tumor
U [D + A +] U = 0,23
p = .52
Perioperatorio
muerte
U=0
p = .03
Sobrevivir
cirugía
LE U normal = 0,98
p = .97
U [D − A +]
Perioperatorio
muerte
U=0
p = .03
Página 287
Selección e interpretación de pruebas diagnósticas 275
Operatorio
muerte
Sin tumor U=0
p = .03
(D−)
U [D − A +] =. 95
Cirugía
U = .98
(A +)
Operatorio
muerte
Tumor U=0
p = .03
(D +) Cura
U = .98
p = .48
p [tumor] U [D = A +] =. 57
Sin cura
U = 0,23
Sin tumor
(D−)
U [D − A -] = 1.0
Tumor
Sin cirugia (D +)
(A-)
U [D − A +] =. 25
p [tumor]
Figura 9.24 Una forma alternativa de calcular la probabilidad de umbral de tratamiento utilizando un
árbol de decisión, que en este caso es para elegir entre cirugía y no cirugía por sospecha
Tumor cerebral. Para calcular la probabilidad del umbral de tratamiento, establezca el valor esperado de la cirugía
igual al valor esperado de no cirugía y resuelva la probabilidad de tumor cerebral.
la utilidad más alta esperada maximizará las posibilidades del paciente de tener una
resultado favorable de la enfermedad.
En lugar de calcular los daños y beneficios del tratamiento ( H y B ),
Una forma equivalente de determinar la probabilidad de umbral de tratamiento es utilizar la
árbol de decisión que se muestra en la Figura 9.24. El único desconocido en el árbol es P [tumor],
estableciendo así la utilidad esperada de la cirugía igual a la utilidad esperada de no
la cirugía y la resolución de p * dará la probabilidad de tumor en el que el
dos acciones tienen la misma utilidad esperada, que es la definición de la
probabilidad de umbral de tratamiento.
Página 288
276 Toma de decisiones médicas
× U [ D - A -] + U ( T )
Esta ecuación incluye un término para la utilidad de la prueba, U ( T ), para tener en cuenta
de cualquier efecto de experimentar la prueba. U ( T ) tiene signo negativo si el efecto neto
de experimentar la prueba es indeseable. Por lo tanto, una prueba desagradable reduce
la utilidad esperada de la prueba (como se calcula con la ecuación 9.5) por un igual
cantidad ( U ( T )) en cada probabilidad de enfermedad. El efecto es cambiar la línea
representando la Ecuación 9.5 hacia abajo sin cambiar su pendiente (Figura 9.25).
Como se ve en la figura 9.25, la actitud de un paciente hacia una prueba desagradable se reduce
el rango de probabilidad de enfermedad dentro del cual está indicada la prueba.
El examen de las ecuaciones 9.8 y 9.9 conduce a la misma conclusión. Un desagradable
prueba de hormigas (para la cual U ( T ) tiene un signo negativo) aumenta p 1 y disminuye p 2,
Página 289
Selección e interpretación de pruebas diagnósticas 277
U [D − A−] 1.0
Sin tratamiento U (T) incluido 1.0
_
U (T) no
U = FPR U [D − A +]
incluido Tratar
+ (1 − FPR)
+
U [D − A -] + U (T) U [D + A +]
Previsto _
U = TPR U [D + A +]
utilidad + (1 − TPR)
+
U [D + A -] + U [T]
U [D − A +]
0 U [D + A−]
nuevo nuevo
0 p1 p2 1.0
p1 p2
Probabilidad de enfermedad
Figura 9.25 Efecto de considerar los efectos netos de experimentar la prueba. La linea pesada
representa la acción con la mayor utilidad esperada. Teniendo en cuenta la utilidad de
prueba desagradable reduce la utilidad esperada de la prueba de modo que la línea que representa la prueba
interseca las líneas que representan no tratar y tratar en un punto inferior en cada línea (el + y -
Los letreros adyacentes a ambos extremos de las dos líneas de '' prueba '' indican qué línea incluye U (T) y cuál
no). El punto más bajo de intersección reduce el rango de probabilidades en el que la prueba es la
opción preferida de la banda de sombra clara a la banda de probabilidades más estrecha de sombra oscura.
FPR × - U ( T )
p1= (9,8)
FPR × H + TPR × B
(1 - FPR) × H + U ( T )
p2= (9,9)
(1 - FPR) × H + (1 - TPR) × B
La figura 9.26 resume el efecto de una prueba desagradable sobre las probabilidades
en el que se prefiere la prueba. El resultado tiene sentido común. El criterio
para hacer una prueba desagradable debería ser más estricto.
Página 290
278 Toma de decisiones médicas
DESAGRADABLE
PRUEBA
p1 p2
Probabilidad de enfermedad
Figura 9.26 Efecto de una prueba desagradable en el rango de probabilidades dentro del cual la prueba es la
opción preferida.
Tu salud actual
y esperanza de vida
y conociendo los resultados
pag de la prueba pero
no tener que pasarlo
Tu salud actual (U = 1.0)
y esperanza de vida
y pasando por el
prueba (U =?)
1− p Inmediato
muerte
(U = 0)
Figura 9.27 Apuesta de referencia estándar genérica para determinar U ( T ), la utilidad del paciente para
someterse a una prueba.
Hemiparesia estable
y vida normal
expectativa y conocimiento
pag los resultados de la resonancia magnética pero
Hemiparesia estable no tener que pasarlo
y vida normal (U = 1.0)
expectativa y
someterse a la resonancia magnética
(U =?)
1− p Inmediato
muerte
(U = 0)
Figura 9.28 Apuesta de referencia estándar para determinar la utilidad U ( T ) de una resonancia magnética de la cabeza.
Página 291
Selección e interpretación de pruebas diagnósticas 279
Para evaluar la utilidad del paciente, el médico le pide que imagine que el
La información que debe proporcionar el procedimiento podría obtenerse sin
haciendo un arteriograma. ¿Qué riesgo de muerte sería aceptable para evitar la
arteriograma? El paciente tuvo una resonancia magnética de su columna unos años antes y tuvo que
concentrarse muy duro para evitar sentimientos de pánico de estar en un lugar muy confinado
Página 292
280 Toma de decisiones médicas
Dado que la probabilidad previa a la prueba supera el umbral de tratamiento, la única prueba
El resultado que podría cambiar la gestión es un resultado negativo. En otras palabras,
El tratamiento está indicado a menos que la probabilidad de un tumor cerebral después de una TC negativa
la exploración está por debajo del umbral de tratamiento ( p * = 0,135). Si la probabilidad previa a la prueba es
mayor que p 2, la probabilidad de tumor después de una tomografía computarizada negativa estará por encima de
p *. La primera prioridad, por tanto, es calcular p 2:
[ ]
+ UTAH)
(1 - FPR) × p ×p
H
p2=
(1 - FPR) × p + (1 - p ) × (1 - TPR)
[ ]
−0,002
(1 - 0.03) × 0.135 + × 0,135
0,03
p2=
(1 - 0.03) × 0.135 + (1 - 0.135) × (1 - 0.98)
0,131 - 0,009
= = 0,82
0,131 + 0,0173
[ ]
- UTAH) ×p
FPR × p H
p1=
FPR × p + (1 - p ) × TPR
[ −0,002 ]
0.03 × .0135 - × 0,135 0,0041 + 0,009
0,03
p1= = = 0.015
0,03 × 0,135 + (1 - 0,135) × 0,98 0,0041 + 0,85
La zona de prueba definida por p 1 y p 2 es muy amplia, lo que corresponde a la resonancia magnética
escanear con su muy alta sensibilidad y baja tasa de falsos positivos. La prueba previa
La estimación de la probabilidad de enfermedad en este paciente es 0,25, que se encuentra entre p 1 y
p 2 en la zona de prueba preferida. Por lo tanto, la resonancia magnética debe realizarse
(Figura 9.29).
La interpretación de la resonancia magnética fue '' lesión masiva en el lóbulo frontal,
patible con neoplasia. '' La siguiente tarea es calcular la probabilidad posprueba
de tumor cerebral correspondiente a este resultado y consultar con el neurocirujano
sobre su voluntad de operar al paciente sin más confirmación
del diagnóstico.
p* P [D]
Sin tratamiento
Prueba Tratar
p1 p2
Figura 9.29 Análisis de la decisión de realizar una tomografía computarizada del cerebro en un cerebro sospechoso
tumor. p 1 es 0.015, p 2 es 0.82. Como P [ D ] está en la zona de prueba entre p 1 y p 2, el
el neurólogo debe realizar la resonancia magnética.
Página 293
Selección e interpretación de pruebas diagnósticas 281
P [tumor] × TPR
P [tumor si RM +] =
( P [tumor] × TPR) + (1 - P [tumor]) × FPR
P [tumor si RM +] = 0,92
están lidiando con una lesión de masa en expansión, y me sentiría mucho mejor con
operando.''
Sin opciones de pruebas por imágenes, el neurocirujano está usando la prueba del tiempo para
caracterizar fisiológicamente la lesión. Si crece, necesita cirugía. Algunas veces,
la prueba del tiempo es la mejor.
Página 294
282 Toma de decisiones médicas
1,00
sin tratamiento
sin prueba
0,90
0,80
0,70
0,60
0,50 PRUEBA
0,40
Probabilidad previa a la prueba
0,30
0,20
0,10 Tratar
Sin prueba
0,00
1.0 11,0 21,0 31,0 41,0 51,0 61,0 71,0 81,0 91,0 101,0
Figura 9.30 Análisis de sensibilidad bidireccional para resonancia magnética en sospecha de tumor cerebral: efecto de
incertidumbre en la probabilidad previa a la prueba y la probabilidad de umbral de tratamiento. El asumido
la sensibilidad y la especificidad son 0,98 y 0,97 respectivamente. El círculo sólido representa la prueba previa
probabilidad y probabilidad de umbral de tratamiento para el paciente en el ejemplo. El cóncavo
La curva descendente representa p 2 y la curva cóncava ascendente representa p 1.
Página 295
Selección e interpretación de pruebas diagnósticas 283
Esta tabla muestra que si una prueba es muy desagradable, el rango de enfermedad
la probabilidad en la que se prefieren las pruebas se reduce apreciablemente. Cuando p 2 es
negativo, la utilidad esperada de la opción de tratamiento es igual a la utilidad esperada de
Página 296
284 Toma de decisiones médicas
1,00
sin tratamiento
sin prueba
0,90
TPR = 0,98
FPR = 0,03
0,80
0,70
0,60 PRUEBA
0,40
0,10 Tratar
sin prueba
0,00
1 11 21 31 41 51 61 71 81 91 101
Figura 9.31 Efecto de la incertidumbre en la tasa de verdaderos positivos y falsos positivos de la prueba sobre la decisión
para realizar una resonancia magnética por sospecha de tumor cerebral. El círculo sólido representa la prueba previa
probabilidad y probabilidad de umbral de tratamiento para el paciente. Las curvas cóncavas descendentes
representan p 2, y las curvas cóncavas ascendentes representan p 1.
Resumen
Página 297
Selección e interpretación de pruebas diagnósticas 285
H
pag=
H+B
• estimar la relación entre los daños del tratamiento y sus beneficios ( H / B )
y calcular el umbral de tratamiento como
pag= B
H
1+
B
• medir la utilidad del paciente para los cuatro estados de tratamiento de la enfermedad
y calcular la probabilidad de tratamiento umbral como
H
pag=
H+B
donde H = U [ D - A -] - U [ D - A +] y B = U [ D + A +] - U [ D + A -].
4. Definiciones:
• Sin umbral de prueba de tratamiento ( p 1): La probabilidad a la que se debe
ser indiferente entre probar y no tratar. De manera equivalente, es el
probabilidad de enfermedad por debajo de la cual la probabilidad de enfermedad posterior a la prueba
no puede exceder el umbral de tratamiento.
• Umbral de prueba-tratamiento ( p 2): La probabilidad a la que se debe
ser indiferente entre la prueba y el tratamiento. De manera equivalente, es el
probabilidad de enfermedad por encima de la cual la probabilidad de enfermedad posterior a la prueba
no puede exceder el umbral de tratamiento.
5. Las ecuaciones para calcular los umbrales de prueba son
[ ]
- UTAH) × p
FPR × p H
p1=
FPR × p + (1 - p ) × TPR
[ ]
+ UTAH)
(1 - FPR) × p ×p
H
p2=
(1 - FPR) × p + (1 - p ) × (1 - TPR)
Página 298
286 Toma de decisiones médicas
Prueba previa
P [D]
0 .50 1.0
Probabilidad de enfermedad
Figura 9.32
Tratamiento
umbral
Prueba previa
P [D]
0 .50 1.0
Probabilidad de enfermedad
Figura 9.33
Tratamiento
umbral
Prueba previa
p1 P [D] p2
0 .50 1.0
Probabilidad de enfermedad
Figura 9.34
Página 299
Selección e interpretación de pruebas diagnósticas 287
Tratamiento
umbral
Prueba previa
p1 P [D] p2
Sin prueba
Prueba Tratar
o trato
0 .50 1.0
Probabilidad de enfermedad
Figura 9.35
Bibliografía
Este artículo describe muy claramente cómo el concepto de umbral de decisión para el pedido de pruebas
se puede extender a pruebas que tienen múltiples resultados discretos o resultados continuos. Esta
artículo es el siguiente paso lógico para el lector que ha entendido este capítulo y quiere
aprende más.
Greenes, RA, Cain, KC, Begg, CB y colegas (1984) Rendimiento orientado al paciente
Medidas de las pruebas diagnósticas: I, II y III. Toma de decisiones médicas , 4 , 7–46.
Tres artículos que amplían las ideas de este capítulo, en particular al indicar el
probabilidad de que una prueba altere la gestión y muestre la relación entre
probabilidad estimada previa de enfermedad y umbral de tratamiento.
Hershey, JC, Cebul, RD y Williams, SV (1986) Guías clínicas para el uso de dos
pruebas dicotómicas. Toma de decisiones médicas , 6 , 68–78.
Una discusión extensa de los principios discutidos en la Sección 9.5: elegir el mejor
combinación de varias pruebas de diagnóstico.
Una extensión del enfoque de umbral para probar las decisiones de pedidos. Este capítulo se basa
sobre las ideas de este artículo.
Página 300
CAPÍTULO 10
Análisis de rentabilidad y
análisis coste-beneficio
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
288
Página 301
Análisis de costo-efectividad y análisis de costo-beneficio 289
Página 302
290 Toma de decisiones médicas
tratando de asegurar una buena atención a bajo costo porque las personas tenían una experiencia personal y tangible
interés en minimizar al mínimo los costos de su atención médica.
Con la llegada del acceso al seguro médico para la mayoría de las personas, la salud
Los costos de atención se convirtieron en una preocupación compartida porque la atención más costosa para algunos
pacientes significaron primas de seguro más costosas para todos. Con salud
seguro, otras personas comparten los gastos de un paciente individual. Por lo tanto, la
El costo de la atención médica se ha convertido en una preocupación de grupos de personas en lugar de
el paciente individual. En este nuevo entorno relativamente despersonalizado,
el clínico ha podido actuar como defensor del paciente sin mucho
experimentando mucha resistencia.
El costo de la atención de una persona se está convirtiendo nuevamente en un problema en los Estados Unidos.
Estados. Para obtener un seguro, el paciente generalmente debe aceptar pagar parte del costo.
de muchos servicios (copago) y, a menudo, el paciente paga todos los costos hasta
un monto (el deducible) por encima del cual el seguro paga la mayor parte de los costos.
Aquí, el médico y el paciente pueden trabajar juntos para minimizar los costos para el
paciente. Muchas personas tienen planes de salud en los que el plan de salud recibe una
suma global para atender todas las necesidades de atención médica del paciente, un arreglo que
proporciona un fuerte incentivo para que los médicos eviten gastos innecesarios, que
es deseable. Sin embargo, el papel del médico como defensor del paciente puede entrar en conflicto con
interés propio cuando el plan de salud paga una bonificación a los médicos que
Controlar los costos. En cualquier situación, comprender las relaciones entre los
Los costos de los servicios médicos y sus beneficios pueden ayudar al médico y al
paciente para tomar buenas decisiones juntos. El tema de este capítulo es cómo
caracterizar la eficiencia de los servicios de salud midiendo sus costos y
su eficacia.
Página 303
Análisis de costo-efectividad y análisis de costo-beneficio 291
donde CE es rentabilidad
A $ 9400 19.60
B $ 10 000 19,64
C $ 10 000 19.28
Página 304
292 Toma de decisiones médicas
para acceder a los deseos del jefe de urología que ha pedido al hospital que
compre un instrumento que disuelva los cálculos renales mediante ondas ultrasónicas. los
urólogo propone que todos los pacientes que no eliminan sus cálculos renales dentro
48 horas deben someterse al tratamiento con ultrasonido. Él argumenta que la máquina
reducirá el número de pacientes que tendrán que someterse a una cirugía para niños
piedras ney. Evitar la cirugía será especialmente importante para los pacientes que
el riesgo de muerte por cirugía aumenta debido a su mala condición médica.
El administrador le pide al consultor que investigue esta solicitud. Después
investigación, el consultor presenta los siguientes hechos:
Tasa de mortalidad con cirugía:
pacientes de bajo riesgo: 2%
pacientes de alto riesgo: 10%
Tasa de éxito del tratamiento:
terapia ultrasónica: 80% para todos los pacientes
cirugía: 100% para todos los pacientes que sobreviven a la cirugía
Prevalencia de pacientes con alto riesgo de cirugía: 20%
Costo para la práctica de tratamientos:
tratamiento ultrasónico: $ 2000 (incluye el precio de compra del ultra-
equipo de sonido amortizado durante su vida útil)
cirugía: $ 10 000
Tras conocer estos hechos, el administrador está convencido de que la ecografía
La máquina puede ser beneficiosa para algunos pacientes, pero le preocupa la
costo de compra de la máquina. Quizás podría enviar pacientes que están
demasiado enfermo para la cirugía a un hospital cercano que ha comprado recientemente un
máquina de ultrasonido. Sugiere que el consultor busque en un recurso
acuerdo de intercambio mediante el cual los pacientes de bajo riesgo se someterían a cirugía y
Los pacientes de alto riesgo serían enviados al hospital cercano.
El consultor negocia el siguiente arreglo. El hos-
pital cobrará $ 4000 por un tratamiento ultrasónico. Si el tratamiento ultrasónico
falla, el paciente será operado en el hospital vecino, que
Cobra al consultorio $ 15 000 para realizar la cirugía.
El administrador pide al consultor que analice la elección entre:
• cirugía para todos los pacientes (el modo de tratamiento actual);
• tratamiento ultrasónico para todos los pacientes (con cirugía para aquellos cuyo riñón
las piedras resisten el tratamiento ultrasónico);
• cirugía para pacientes de bajo riesgo (tratamientos ultrasónicos en el vecino
hospital para pacientes de alto riesgo quirúrgico).
El administrador le pide al consultor que analice el problema en términos de costos.
y la duración de la vida del paciente promedio de cálculos renales, que tiene 55 años y
tiene una esperanza de vida de 20 años.
Página 305
Análisis de costo-efectividad y análisis de costo-beneficio 293
El problema : ¿Cuál de las tres estrategias para el tratamiento de pacientes con insuficiencia renal?
piedras que no pasan espontáneamente si el administrador recomienda
para su adopción por la práctica?
Supervivencia :
• Muerte inmediata por cirugía: esperanza de vida 0 años.
• Sobrevivir a una cirugía y vivir con una esperanza de vida normal de 20 años.
OK
LE = 20, $ 10,000
Alto riesgo → cirugía P = 0,9
P = 0,2 Morir
LE = 0, $ 10,000
P = 0,1
OK
LE = 20, $ 10,000
p = .98
P = .8
Figura 10.1 Resultados de la operación dentro de la práctica en todos los pacientes con cálculos renales.
Página 306
294 Toma de decisiones médicas
LE = 20, $ 12 000
OK p = .98
LE = 20, $ 12 000
OK p = .90
Alto quirúrgico
Riesgo → ¿NOSOTROS?
Estados Unidos falla → p = .10
Muere
cirugía LE = 0, $ 12 000
Figura 10.2 Resultados de una estrategia de uso selectivo de cirugía y tratamiento ultrasónico (EE. UU.)
dentro del grupo se practica para los cálculos renales que no pasan espontáneamente.
LE = 20, $ 10,000
Riesgo bajo → hacer cirugía OK p = .98
p = .8
Muere p = .02
LE = 0, $ 10,000
Figura 10.3 Resultado de realizar una cirugía dentro de la práctica en pacientes de bajo riesgo con insuficiencia renal
piedras que no pasan espontáneamente y enviar pacientes de alto riesgo a otro hospital para
tratamiento con ultrasonido (EE. UU.) (y cirugía si no tiene éxito).
• Opción 3 : enviar a los pacientes de alto riesgo quirúrgico al hospital vecino para
ultrasonido:
- pacientes de bajo riesgo (cirugía en la práctica): $ 10 000
- Pacientes de alto riesgo con ecografía exitosa: $ 4000
- pacientes de alto riesgo que requieren cirugía después de una ecografía fallida:
$ 4000 + $ 15 000.
Página 307
Análisis de costo-efectividad y análisis de costo-beneficio 295
¿Qué significa este análisis? Para interpretarlo, examine cada una de las columnas.
de la mesa a su vez.
Costo esperado : el costo esperado de cada una de las tres alternativas de decisión.
se obtuvo promediando y doblando hacia atrás, usando el costo como la medida de
Salir.
Página 308
296 Toma de decisiones médicas
La compra de la máquina de ultrasonido para la práctica conduce a los costos más bajos.
para la práctica y la mayor esperanza de vida del paciente. Desde la compra
Se prefiere la máquina de ultrasonido en función de los costos y la supervivencia, es
se dice que domina las otras opciones. El administrador del hospital se siente aliviado de aprender
que no necesita analizar la compensación entre costo y supervivencia.
Cuando el administrador está a punto de realizar el pedido, se entera de un
escasez de materiales para una parte crucial en la nueva versión del ultrasonido
máquina. La empresa ha cerrado su línea de producción y no tiene idea
cuando este modelo vuelva a estar disponible. La alternativa es comprar un
modelo más antiguo y más caro, que es menos eficaz para disolver el riñón
piedras. La probabilidad de éxito es de solo 0,50 con la máquina más antigua. los
El costo de la práctica de cada procedimiento será de $ 5000 con la máquina más antigua.
Sin embargo, el hospital vecino, que cuenta con la nueva máquina de ultrasonido,
todavía puede ofrecer el procedimiento por $ 4000. Su consultor repite el análisis
después de sustituir el costo revisado de un tratamiento de ultrasonido a la práctica.
Ella presenta la siguiente tabla:
Página 309
Análisis de costo-efectividad y análisis de costo-beneficio 297
En este ejemplo, YLS es '' año de vida salvado '', la diferencia en la esperanza de vida
entre la Opción 1 y la Opción 2.
La mejora en la esperanza de vida que se puede obtener comprando el
La máquina de ultrasonido costará $ 15000 adicionales por año adicional de
vida ganada. Para decidir si el gasto está justificado, el administrador
debe medir el costo-efectividad incremental de las intervenciones en otros
enfermedades tratadas en la práctica. Quizás otra inversión produzca una mayor
Prolongación de la vida a un costo menor que comprar un tratamiento ultrasónico de riñón.
piedras. En el caso, $ 15 000 por año de vida salvada se compara muy favorablemente con
la rentabilidad de los servicios en los que todo el mundo parece estar de acuerdo en que son
uso de recursos. De hecho, la línea divisoria bastante arbitraria entre lo que es
y lo que no es rentable es entre $ 50000 y $ 100000 por año de
vida salvada, por lo que este gasto es ciertamente defendible en una presentación al
consejo de administración del hospital.
Los análisis de rentabilidad a menudo expresan la ganancia para el paciente como
años de vida ajustados (AVAC) ganados en lugar de años de vida salvados. Como se describe
en la Sección 8.9 del Capítulo 8, los AVAC son años de vida en un estado de salud multiplicados
por una medida de la calidad de vida en el estado de salud, como la utilidad. Ya que
Página 310
298 Toma de decisiones médicas
1.0
0,8
Fraccionario
reducción
0,6
en riesgo de un
cáncer
0.4
0,2
0 3 6 10 15 30
¿Se utiliza la información de la Figura 10.4 para elegir una política de detección del cáncer?
En principio, se debe adoptar el programa de cribado más intensivo que haya
una rentabilidad incremental más alta que los usos alternativos de los recursos.
El análisis de rentabilidad es un método para comparar alternativas de decisión,
pero para decidir si alguna alternativa es rentable, un tomador de decisiones debe
tener un criterio de rentabilidad. Aunque $ 50,000 por QALY a menudo
utilizado, no tiene una base teórica ni una justificación empírica válida. La estafa-
El sentido de la opinión de expertos rechaza un criterio general de rentabilidad (Gold
et al ., 1996). El análisis de costo-beneficio, nuestro próximo tema, proporciona una alternativa
enfoque para decidir si vale la pena emprender un programa.
Página 311
Análisis de costo-efectividad y análisis de costo-beneficio 299
las inversiones ocurren en un contexto que es único para cada ocurrencia. Generalizando
de una situación así a otra es arriesgado.
El método del capital humano : este enfoque valora una política por su efecto en
las ganancias de por vida del paciente. Una vida salvada a los 55 años significa 10 años más
de empleo remunerado. El valor monetario de ese período en la fuerza laboral.
se puede calcular con los métodos que se describen en este capítulo.
El enfoque de capital humano se utiliza ampliamente, aunque tiene una serie de
deficiencias. Al valorar todo por ingresos anticipados, el capital humano
enfoque implica que la vida de una persona con un ingreso vitalicio de $ 100 000
Página 312
300 Toma de decisiones médicas
vale el doble que una persona con un ingreso vitalicio de $ 50000. Esta
La noción puede tener validez en términos económicos, pero de alguna manera se siente injusta. los
El enfoque de capital humano también asume que las personas no están dispuestas a pagar más
que sus ganancias de por vida restantes para evitar la muerte. Personas con ahorros o
una casa podría estar dispuesta a gastar mucho de estas reservas para evitar la muerte.
La siguiente medida del valor de la vida es la cantidad que las personas están dispuestas a
pagar para evitar la muerte o la discapacidad.
Disposición a pagar : el método de disposición a pagar ayuda a las personas a expresar
un valor para la vida diciendo cuánto estarían dispuestos a pagar por un
programa que disminuiría la probabilidad de muerte en una cantidad determinada.
Interpretación : una probabilidad de por vida de 0,01 equivale a un riesgo de 10 accidentes cerebrovasculares
muertes por cada 1000 personas. Una reducción del 50% eliminaría 5 muertes por
1000 individuos. Esta persona está dispuesta a pagar $ 2000 para reducir la probabilidad
de muerte en 0,005 (5 vidas salvadas por 1000 personas).
Haciendo tales preguntas a una muestra comunitaria, se puede derivar una estimación
del valor que la población otorga a salvar una vida. Sin embargo, lo que uno es
La disposición a pagar dependerá probablemente de las circunstancias exactas. La premisa de
El enfoque de disposición a pagar es que una persona que esté dispuesta a pagar $ 2000
para reducir la probabilidad de muerte en 0.005 estaría dispuesto a pagar $ 400 000
($ 2000 dividido por 0,005) para evitar la pérdida de su vida. Muchos cuestionarían
esa premisa.
Obtener un valor constante para la vida humana con la disposición a pagar
El enfoque es difícil por otras razones. Aumenta la disposición de las personas a pagar
con riesgo de muerte. ¿Significa esto que el valor que se le da a la vida
depende del riesgo de perderlo? Las personas adineradas generalmente están dispuestas a pagar
más para un programa para reducir el riesgo de muerte que la gente pobre. La gente es
más dispuestos a pagar cuando se benefician personalmente de un programa que cuando
se les pide que paguen por un programa que beneficiará a otros.
Es posible que los médicos no acepten los resultados del análisis de costo-beneficio porque
es tan difícil desarrollar una opinión consensuada sobre el valor monetario
de un año de vida humana. La mayoría de los médicos interesados en analizar
las compensaciones entre las estrategias clínicas utilizan el análisis de rentabilidad. Quizás
Los responsables de la formulación de políticas deberían prestar más atención a la principal ventaja de
Página 313
Análisis de costo-efectividad y análisis de costo-beneficio 301
Página 314
302 Toma de decisiones médicas
los costos directos incluyen los costos directos de atención médica, los costos directos no relacionados con la atención de la salud
costos, y los costos de oportunidad del tiempo que dedican los cuidadores informales a brindar
atención y por parte del paciente al recibir atención. Para tomar uno de estos, la salud directa
Los costos de atención incluyen costos hospitalarios, costos ambulatorios, costos de pruebas, medicamentos,
y personal de salud. Como ejemplo de los costos directos de la atención médica, el
El analista debe considerar lo siguiente:
Costos hospitalarios:
Costos de hotel asociados con la hospitalización:
administración
operación y mantenimiento de la planta
depreciación de bienes de capital.
Otros costos rutinarios de hospitalización:
comida
cuidado de enfermera
suministros
registros médicos.
Costos auxiliares:
quirófanos
anestesia
radiología
laboratorios clinicos
Drogas.
Honorarios profesionales de los médicos.
Atención ambulatoria:
Los honorarios profesionales de los médicos (incluidos los costos de funcionamiento de un consultorio
tice)
Pruebas de diagnóstico
Medicamentos y suministros
Transporte al consultorio del médico.
Los cargos son generalmente un indicador poco confiable del costo de un servicio. Proveedores
establecer cargos para su uso en negociaciones con los pagadores y, por lo general, no revelan la
costo de producir un servicio. Dependiendo de los servicios que requiera un paciente,
los cargos totales y los costos totales pueden ser similares o muy divergentes.
Como enfoque práctico para estimar los costos reales de un servicio, muchos
Los analistas utilizan como sustituto el reembolso de los pagadores (que normalmente
difiere de los cargos). Por ejemplo, en los Estados Unidos, el reembolso
que paga Medicare representa el costo de la atención para el gobierno. Una común
enfoque para estimar el costo de hospitalización para pacientes mayores es utilizar
el reembolso de Medicare basado en grupos relacionados con el diagnóstico (DRG).
Este enfoque evita la dificultad de tener que contabilizar por separado la
diferentes categorías de costos hospitalarios. Sin embargo, los analistas deben tener en cuenta que
el reembolso no siempre es un buen indicador de los verdaderos costos de la atención.
Página 315
Análisis de costo-efectividad y análisis de costo-beneficio 303
S
P=
(1 + r ) N
donde P = valor presente, S = valor futuro del gasto, r = tasa de descuento y
N = número de años hasta que se incurre en un gasto
Suponiendo una tasa de descuento del 7%, el valor presente de un costo de $ 1000 que es
incurrido dentro de 10 años es
Página 316
304 Toma de decisiones médicas
Resumen
Problemas
1. Suponga que uno de sus pacientes está tratando de decidir entre un tratamiento intrauterino
dispositivo (DIU) y un anticonceptivo oral. Una de sus preocupaciones es el costo que
Tendrá que cubrirse durante los cinco años que planea practicar.
control de la natalidad. El costo inicial de un DIU es de $ 40. Un examen, que cuesta $ 20,
será necesario al final de cada uno de los cinco años que el dispositivo esté en su lugar.
El costo de los anticonceptivos orales y los exámenes anuales necesarios es
$ 30 por cada año de uso más otros $ 20 al final del último año de uso.
El cronograma de estos costos es el siguiente:
Costo inicial $ 50 $ 30
Costo al año 1 $ 20 $ 30
Costo al año 2 $ 20 $ 30
Costo al año 3 $ 20 $ 30
Costo al año 4 $ 20 $ 30
Costo al año 5 $ 20 $ 20
Página 317
Análisis de costo-efectividad y análisis de costo-beneficio 305
Teniendo en cuenta una tasa de descuento anual de 0,08, qué forma de nacimiento
el control es mas barato? Ignore cualquier costo que pueda deberse a complicaciones o
embarazos no planeados.
Bibliografía
Este es un excelente libro de texto completo que cubre una amplia gama de aspectos económicos.
evaluaciones.
Eddy, DM (1980) Detección de cáncer: teoría, análisis y diseño , Prentice Hall, Englewood
Cliffs, Nueva Jersey.
Este libro describe un modelo matemático influyente de detección del cáncer. Los autores
Un enfoque matemático riguroso será difícil para la mayoría de los lectores, pero el libro está fuertemente
recomendado para el lector aventurero.
Eddy, DM (1983) Un modelo matemático para cronometrar pruebas repetidas. Toma de decisiones médicas ,
3 , 45–62.
Las cuestiones que influyen en la política de detección de enfermedades se describen claramente en este
descripción de un método matemático para decidir cuándo realizar un cribado periódico
pruebas.
Owens, DK, Qaseem, A., Chou, R. y Shekelle, P., para el Comité de Guías Clínicas de
el Colegio Americano de Clínicos (2011) Atención médica de alto valor y consciente de los costos: conceptos
para que los médicos evalúen los beneficios, daños y costos de las intervenciones médicas. Anales de
Medicina interna , 154 , 174–80.
Un tutorial que cubre los conceptos del análisis de rentabilidad para los médicos.
Russell, LB, Gold, MR, Siegel, JE, Daniels, N. y Weinstein, MC (1996) The role of cost-
análisis de efectividad en salud y medicina. Revista de la Asociación Médica Estadounidense ,
276 (14), 1172–7.
Página 318
306 Toma de decisiones médicas
Este capítulo de libro explica cómo medir los diferentes tipos de costos de atención médica.
Weinstein, MC, Siegel, JE, Gold, MR, Kamlet, MS y Russell, LB (1996) Recomendaciones
daciones del Panel sobre la rentabilidad en salud y medicina. Diario del americano
Asociación Médica , 276 (15), 1253–8.
Este artículo resume las recomendaciones del panel de expertos cuyo informe aparece
en el libro de Gold et al . (1996).
Página 319
CAPÍTULO 11
los conceptos subyacentes son los mismos. Los modelos que discutimos aquí han sido
publicado en revistas médicas, y cada uno requirió más de un año de esfuerzo a tiempo completo
desarrollar. El capítulo tiene cuatro partes:
11.1 Una descripción general de las técnicas de modelado avanzadas 307
11.2 Uso de conceptos de toma de decisiones médicas para analizar una política
problema: la rentabilidad del cribado del VIH 311
11.3 Uso de conceptos de toma de decisiones médicas para analizar una clínica
Problema de diagnóstico: estrategias para diagnosticar tumores en el pulmón. 323
11.4 Uso de modelos complejos para la toma de decisiones de pacientes individuales 330
Muchos de los problemas del mundo real que la gente analiza son bastante complejos.
En este libro, mostramos cómo usar árboles de decisión para representar una decisión.
problema. Los analistas suelen utilizar un árbol de decisiones para representar problemas en los que
todos los eventos ocurren inmediatamente o en un período corto de tiempo (como
mostrado en el Capítulo 6). Si los eventos pueden ocurrir en diferentes momentos, la decisión
los árboles pueden volverse muy grandes y difíciles de entender. En general, para
Problemas clínicos en los que ocurren eventos en horizontes de tiempo prolongados (p. ej., cáncer),
los eventos ocurren repetidamente, o un grupo interactúa con otro, la decisión
la representación del árbol no suele ser suficiente. Discutiremos brevemente varios
métodos de modelado avanzados que pueden representar tales eventos fielmente. los
publicaciones al final del capítulo proporcionan explicaciones más detalladas de
estos métodos.
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
307
Página 320
308 Toma de decisiones médicas
tales interacciones.
Página 321
Análisis de decisiones médicas en la práctica: métodos avanzados 309
historias, pero el analista debe modelar la historia de cada uno de los muchos individuos
(generalmente miles o más), por lo que este enfoque a menudo es más computacional
intensivo que los modelos de Markov. Para ver un ejemplo, consulte el artículo de Bendavid.
y colegas (2008) al final del capítulo.
Para problemas en los que los efectos de una infección infecciosa en toda la población
enfermedades son importantes, los modelos de transmisión dinámica son un enfoque útil
(ver el artículo de Pitman y colegas, 2012). Estos modelos se dividen
la población en compartimentos (p. ej., la población infectada y
la población no infectada-susceptible), y las transiciones entre la
los compartimentos ocurren según lo especificado por sistemas de ecuaciones. Estas ecuaciones
tener en cuenta el hecho de que el número de personas en un compartimento influye
la tasa de transición a otros compartimentos. Por ejemplo, hasta cierto punto, como
aumenta el número de personas en la población infectada, la transmisión se vuelve
más como. Luego, en algún momento, la transmisión se ralentiza porque hay menos
que las personas no infectadas se infecten. Vea el artículo de Long y sus colegas
(2010) por ejemplo.
Página 322
310 Toma de decisiones médicas
información e historial clínico), están sujetos a eventos (p. ej., un accidente cerebrovascular), pueden
interactuar con otras entidades (por ejemplo, pacientes, médicos) y utilizar recursos (por ejemplo,
dinero o una cama de hospital). Estos modelos permiten interacciones complejas sobre
hora. Los modelos de simulación de eventos discretos son particularmente útiles cuando
Las relaciones entre agentes son importantes o cuando existen limitaciones de recursos.
Los modelos de red se utilizan con menos frecuencia que otros tipos de modelos, pero pueden
útil cuando los patrones detallados de transmisión de enfermedades son especialmente importantes.
Por ejemplo, un análisis de cómo se propaga la influenza en una población podría usar
un modelo de red que captura relaciones detalladas entre personas, como
miembros de la familia, compañeros de trabajo y compañeros de clase.
La condición no es completamente evidente hasta que el proyecto está muy avanzado. Consulta con
Se recomienda un modelador de decisiones experimentado antes de iniciar un proyecto.
Si un enfoque principal del análisis es determinar los efectos en toda la población
de una intervención para una enfermedad infecciosa, un modelo dinámico de transmisión
a menudo se prefiere, aunque los modelos de microsimulación también son una opción.
Un modelo de red es especialmente útil para un análisis detallado de la enfermedad.
patrones de transmisión.
El objetivo al elegir un marco de modelado es utilizar un enfoque que pueda
capturar la complejidad necesaria para representar fielmente un problema, mientras
sirviendo sus características esenciales en una forma que un colega experto pueda entender
lo suficientemente bien como para ofrecer críticas útiles. La palabra "transparencia" se utiliza a menudo para
describir esta característica de un modelo. La transparencia es importante tanto para
equipo de modelado y usuario final del análisis. Los modelos muy complejos son
más difícil de desarrollar y depurar. También son más difíciles para los lectores.
comprender, y en la medida en que los lectores críticos no puedan comprender la
modelo, serán más escépticos de los resultados. Desafortunadamente, a pesar de la
deseo de simplicidad, la mayoría de los problemas médicos desafiantes requieren relativamente
Página 323
Análisis de decisiones médicas en la práctica: métodos avanzados 311
Los pasos principales en un análisis de este tipo se enumeran en la Tabla 11.1. El primer paso es
para definir el problema, los objetivos y la perspectiva. Entonces el analista debe
identificar las alternativas, elegir un marco de modelado y estructurar el
problema. Estructurar el problema incluye definir eventos fortuitos y la
secuencia de decisiones y eventos fortuitos. Dependiendo de la condición bajo
estudio, también puede incluir definir y modelar la historia natural del
enfermedad. El siguiente paso es definir las probabilidades de eventos fortuitos, que
requiere revisar la evidencia disponible sobre la historia natural de la enfermedad,
la precisión de las pruebas de diagnóstico y los beneficios y daños de las intervenciones
o tratamientos. Si el análisis es un análisis de costo-efectividad o costo-beneficio,
el analista deberá estimar costos y descontar costos y beneficios
apropiadamente (ver Capítulo 10). Entonces el analista puede calcular el esperado
Página 324
312 Toma de decisiones médicas
tratamiento. Por lo tanto, para comprender los beneficios y costos a largo plazo de un
programa de cribado, necesitamos un marco de modelado que nos permita modelar
Eventos médicos y costos que ocurren durante toda la vida de la cohorte.
que se proyectará (o no se proyectará). Debido al horizonte a largo plazo, un
El árbol de decisiones no es práctico, ya que requiere cientos o miles de oportunidades.
nodos para representar los eventos inciertos que podrían ocurrir durante muchos años.
Las opciones incluyen modelos de Markov, modelos de microsimulación y modelos dinámicos.
modelos de transmisión.
Página 325
Análisis de decisiones médicas en la práctica: métodos avanzados 313
Para este análisis, elegimos un modelo de Markov porque creímos que sería
ser más transparente y más fácil de depurar. Al final, debido a
la complicada historia asociada con el tratamiento antirretroviral, el modelo
contenía una gran cantidad de estados de salud, por lo que un modelo de microsimulación
también ha sido un buen enfoque alternativo para representar el complejo
historial de tratamiento. Otro análisis se publicó al mismo tiempo basado en
un modelo de microsimulación (ver el artículo de Paltiel y colegas (2005) señaló
al final del capítulo). Nuestro análisis tuvo en cuenta la transmisión del VIH a
socios, pero no modeló los efectos de la transmisión del VIH en toda la población. A
El modelo de transmisión dinámica sería una alternativa para un modelo más completo.
análisis de la transmisión, pero queríamos modelar los regímenes de tratamiento en
detalle sustancial. Un modelo de tratamiento detallado sería más desafiante en
un modelo de transmisión dinámica debido a la gran cantidad de compartimentos
el modelo requeriría.
Página 326
314 Toma de decisiones médicas
No infectado
Asintomático
Infección por VIH
Sintomático
Sintomático
Infección por VIH
Infección por VIH
en ART
Tratamiento
Decisión
SIDA
SIDA
Enfermedad en ART Enfermedad
Progresión Progresión
Sin tratamiento con tratamiento
Muerte
Figura 11.1 Diagrama esquemático de un modelo de Markov de enfermedad por VIH. Los círculos indican salud
los estados y las flechas indican las transiciones permitidas entre estados de salud. Flechas que apuntan
hacia abajo indican transiciones debidas a la progresión de la enfermedad. Flechas que apuntan de izquierda a derecha
indican las transiciones que ocurren debido al inicio del tratamiento. ART = terapia antirretroviral.
estados de salud. En la figura, hemos agrupado las etapas de la enfermedad del VIH en
asintomático (recuentos altos de CD4), sintomático (recuento medio de CD4) y
SIDA (recuentos bajos de CD4). En este tipo de figura, los círculos representan estados de salud.
y las flechas representan las transiciones permitidas entre estados de salud. Una flecha
que vuelve al mismo estado de salud indica que una persona podría permanecer en el
mismo estado de salud durante el siguiente ciclo. El esquema muestra las transiciones.
asociado con la historia natural del VIH no tratado, y las transiciones a
estados de salud asociados al tratamiento antirretroviral.
Modelado de cribado
Nuestro modelo de detección del VIH debe reflejar tanto los resultados de las pruebas como
el efecto del tratamiento en el curso de la enfermedad del VIH. Una posible estructura es
Página 327
Análisis de decisiones médicas en la práctica: métodos avanzados 315
Enfermedad
Expresar
VIH + Modelo de Markov
Tratamiento temprano
VIH de rutina
Política Poner en pantalla
Decisión VIH + Modelo de Markov
Sin tratamiento contra el VIH
Prueba−
Figura 11.2 Representación del árbol de decisiones de un modelo de detección del VIH. El cuadrado indica un
la decisión y los círculos indican eventos fortuitos. Al final de cada rama del árbol de decisiones, un
Se adjunta el modelo de Markov, similar al modelo de Markov de la figura 11.1.
se muestra en la Figura 11.2. El modelo refleja los resultados de las pruebas en una decisión.
árbol, seguido de modelos de Markov que reflejan el tratamiento temprano en el cribado
estrategia y tratamiento posterior en la estrategia No Screening.
Esta estructura, con modificaciones para hacerla más realista, podría representar
un programa de detección de una sola vez en el que todos los pacientes son evaluados en el
inicio del programa. Sin embargo, un escenario más realista es que la detección
ocurriría con el tiempo en lugar de todos a la vez. Además, otro importante
La cuestión es si el cribado debe repetirse. Lineamientos en el momento nuestro
se llevó a cabo un análisis llamado para la detección periódica de personas de alto riesgo;
el modelo de la Figura 11.2 no pudo abordar la repetición de la detección.
Para abordar la repetición de la detección, digamos cada año o cada cinco años, podríamos
utilice la estructura que se muestra en la Figura 11.3. En esta figura, el modelo de Markov es
representado en un formato de árbol en lugar de como círculos y flechas como en la Figura 11.1.
Las figuras 11.1 y 11.3 muestran dos métodos alternativos para representar la
Modelo de Markov esquemáticamente, pero el modelo subyacente en sí es el mismo.
Estados de salud mostrados como círculos en la Figura 11.1 (VIH asintomático, no infectado
Infección, Infección por VIH sintomática y SIDA) se muestran en la Figura 11.3 como
ramas de un árbol, con "Markov" en el círculo para indicar que es un Markov
nodo. En este formato, denotamos las posibles transiciones de un estado de salud como
ramas en el árbol, en lugar de flechas. Por ejemplo, las ramas de
los estados de salud no infectados se denominan Convertirse infectado y No infectarse.
Estos corresponden a las flechas del estado de salud no infectado en la Figura 11.1.
En la Figura 11.3, representamos si alguien es evaluado como una oportunidad
nodo al final de cada rama en el modelo de Markov, en lugar de como una decisión
Página 328
316 Toma de decisiones médicas
VIH
Poner en pantalla
Modelo de Markov
Volverse
Infectado Sin VIH
Poner en pantalla
Modelo de Markov
Estado del modelo de Markov:
No infectado VIH
Modelo de Markov
Poner en pantalla
Quedarse
No infectado Sin VIH
Modelo de Markov
Poner en pantalla
VIH
Poner en pantalla
Modelo de Markov
Desarrollar
Síntomas Sin VIH
VIH de rutina Modelo de Markov
Estado del modelo de Markov: Poner en pantalla
Poner en pantalla
Asintomático VIH
Modelo de Markov
Quedarse Poner en pantalla
Infección por VIH
Asintomático Sin VIH
Modelo de Markov
Poner en pantalla
Markov
VIH
Modelo Modelo de Markov
Poner en pantalla
Desarrollar
SIDA Sin VIH
Modelo de Markov
Estado del modelo de Markov: Poner en pantalla
Sintomático VIH
Sin VIH Modelo de Markov
Infección por VIH Quedarse Poner en pantalla
Poner en pantalla
Sintomático Sin VIH
Modelo de Markov
Poner en pantalla
VIH
Modelo de Markov
Poner en pantalla
Sobrevivir
con sida Sin VIH
Modelo de Markov
Estado del modelo de Markov: Poner en pantalla
SIDA
Morir de
Muerto
SIDA
Figura 11.3 Representación en árbol de un modelo de Markov de detección del VIH. En el diagrama, el modelo de Markov que se muestra en la Figura 11.1 se muestra como una estructura de árbol.
Después de la decisión de realizar la detección o no, el modelo de Markov tiene los estados de salud No infectado, Infección por VIH asintomática, Infección por VIH sintomática y SIDA. los
las ramas del árbol después de estos estados indican las transiciones permitidas a otros estados de salud en el modelo de Markov. El último nodo de oportunidad en cada rama indica
ese cribado podría ocurrir durante ese ciclo del modelo de Markov. Al final de cada rama, el modelo de Markov indica que el siguiente ciclo del modelo de Markov
luego comienza. (De Sanders et al . Rentabilidad de la detección del VIH en la era de la terapia antirretroviral de gran actividad. New England Journal of Medicine 2005;
352: 570–585 Copyright © 2005, Sociedad Médica de Massachusetts. Modificado con permiso de la Sociedad Médica de Massachusetts).
Página 329
Análisis de decisiones médicas en la práctica: métodos avanzados 317
Página 330
318 Toma de decisiones médicas
probabilidad, porque tales distribuciones son necesarias para realizar pruebas probabilísticas
análisis de sensibilidad (ver Sección 3.8).
Cuando el analista está convencido de que tiene las mejores estimaciones posibles para
los parámetros importantes del modelo, puede pasar al siguiente paso, valorando la
resultados.
Página 331
Análisis de decisiones médicas en la práctica: métodos avanzados 319
con infección por VIH asintomática es menor que el costo anual para un paciente
con enfermedad más avanzada.
Como se explica en el Capítulo 10, el analista debe descontar los costos. Mediante el uso
fórmulas apropiadas, el analista puede especificar el modelo de Markov para que el
el modelo descuenta los costos futuros de manera adecuada. Cuanto más se produce un costo en el
futuro, más se descontará. Si el análisis tiene un horizonte a largo plazo,
el efecto del descuento puede ser sustancial. Por ejemplo, el tratamiento del VIH
Los costos que ocurran de 15 a 20 años en el futuro tendrán menos influencia en
costo-efectividad que los costos de tratamiento que ocurren en los primeros 5 años.
Página 332
320 Toma de decisiones médicas
Los resultados del análisis para la detección del VIH se muestran en la Tabla 11.2.
La tabla muestra los costos y beneficios de por vida de cada estrategia, basados en un
prevalencia de infección por VIH no diagnosticada del 1%. Observamos que No Screening
es la estrategia menos costosa y la menos efectiva. La proyección única
La estrategia cuesta $ 194 dólares adicionales durante la vida de la persona examinada.
y aumenta la esperanza de vida en 5,48 días y la esperanza de vida ajustada por calidad
en 4.70 días en relación con la estrategia Sin detección. Enfatizamos que un costo-
El análisis de efectividad estima el beneficio incremental y los costos incrementales.
de una estrategia en relación con otra. El cribado cada cinco años da como resultado un leve
costos más altos ($ 206 por persona examinada) y aumentos ligeramente mayores en la vida
expectativa (1,52 días) y AVAC (1,31 días) que el cribado de una sola vez.
Los aumentos en la esperanza de vida y los AVAC son de aproximadamente cinco días.
por persona examinada. Quizás se pregunte si tal beneficio es importante. A
entender este resultado, primero notamos que el análisis asume que el
La prevalencia de infección por VIH no diagnosticada es del 1%. Esta prevalencia significa que
de 100 personas que se someten a pruebas de detección, 99 no tienen infección por el VIH y reciben
ningún beneficio de la detección, mientras que 1 persona tiene VIH y recibirá un
beneficio de aproximadamente 1,5 años adicionales de vida (ver el estudio publicado
por Sanders et al . (2005) para más detalles). El beneficio bastante grande para el
persona es un promedio de las 100 personas examinadas, lo que resulta en por persona
beneficio de unos cinco días ajustados por calidad. Por supuesto, un individuo específico
no recibe ningún beneficio o recibe un beneficio relativamente grande, pero nuestros resultados representan
el beneficio promedio por persona para cada persona examinada. Aunque el per
El beneficio personal es modesto, el beneficio total del programa de detección puede ser
muy sustancial. Por ejemplo, un programa que evaluara a 1 millón de personas
dan como resultado casi 13000 años de vida adicionales ajustados por calidad en los
población.
También podemos calcular la relación costo-efectividad incremental del cribado
en comparación con la búsqueda de casos de los resultados de la Tabla 11.2. Examen de una sola vez
cuesta $ 15078 por AVAC ganado. Este resultado significa que si implementamos un
programa de detección, esperaríamos gastar alrededor de $ 15 000 dólares por cada
AVAC adicional obtenido de la detección. En los Estados Unidos, eso
ser considerado una buena relación calidad-precio. Detección cada cinco años en relación con una sola vez
el cribado cuesta $ 57138 por AVAC ganado. En nuestro ejemplo, cribado repetido
es un uso menos eficiente de los recursos que la detección única.
Página 333
Análisis de decisiones médicas en la práctica: métodos avanzados 321
078 138 *
costo- 15 57
($ / QALY)
Incremental
eficacia
transmisión.
en
calidad-
vida
(dias) 4,70 1,31 * reducción
equilibrado
expectativa
desde
Incremental
beneficio
la
vida
Calidad- (años) 18.576 18.589 18.592
equilibrado
expectativa incluye
socios.
919 509 * a
costo
($ / LY) 12 infección,
49
Incremental
eficacia VIH
vida transmisión
de
sin diagnosticar
(dias) 5.48 1,52 * costos
de
expectativa
y
Incremental 1%
poner en pantalla. de
VIH beneficios
de
Vida revalencia
(años) 21.015 21.030 21.034 pag
expectativa a
incluso
en
3%,
a
Basado
PS
rentabilidad costo 194 206 *
año.
Incremental
y vida
descontado
(2005).
.
costos, fueron
Alabama
PS 623 816 022
costo et
Toda la vida 52 52 53
ajustada
poner por calidad
enresultados
pantalla.
resultados, = Lijadoras
desde
QALY
Salud cada una vez
poner en pantalla económico
a datos
año,
11,2 y en
orejas vida
poner en pantalla y =
5
Relativo
Mesa Estrategia
No Una vezPoner en pantalla
LY Salud
Basado
Página 334
322 Toma de decisiones médicas
sólo si la prevalencia del VIH fue superior al 1%. Si el cribado fuera rentable
con una prevalencia inferior al 1%, la detección de rutina podría estar justificada en más
entornos clínicos.
Los resultados del análisis de sensibilidad indicaron que la detección tenía un costo
eficaz incluso con una prevalencia mucho menor que el 1%. Con una prevalencia del 0,5%,
El cribado por única vez cuesta alrededor de $ 19 000 por AVAC ganado. Incluso en una prevalencia
de 0.05%, 20 veces más bajo que el umbral de la guía de los CDC para la rutina
cribado, la rentabilidad del cribado fue de aproximadamente $ 50 000 por
QALY ganado, lo que la mayoría de los observadores estaría de acuerdo en que es un buen valor en los Estados
Estados.
La idea fundamental del análisis de sensibilidad fue que el cribado de rutina
fue rentable incluso con una prevalencia del VIH mucho menor que la recomendada
enmendado en las pautas en ese momento. Discutimos las implicaciones de este hallazgo
en la siguiente sección.
que el cribado debe ser voluntario, que las personas deben ser informadas antes
se inician las pruebas y que las personas diagnosticadas con el VIH deben estar protegidas
de la estigmatización.
El paso final de un análisis es discutir la importancia y las implicaciones
de los resultados y las limitaciones del análisis. El contenido de esta discusión
depende de la naturaleza del problema, el contexto del análisis, el
audiencia y objetivos del análisis. El propósito de la discusión es ayudar al
lector para comprender la información que proporciona el análisis y para apreciar
limitaciones de los datos o enfoque analítico.
Para nuestro ejemplo de detección del VIH, el hallazgo de que la detección es rentable
tivo a baja prevalencia tuvo implicaciones importantes. El análisis que tenemos
descrito, y un análisis independiente de Paltiel y colegas (2005) había
resultados similares. En parte basándose en estos estudios, los CDC recomendaron la rutina
detección en todos los entornos de atención de la salud en los que la prevalencia del VIH estaba por encima
0.1%, un umbral que fue 10 veces más bajo que el recomendado anteriormente
prevalencia del 1% para el cribado de rutina. Porque había pocos, si es que había alguno, salud
entornos de atención con una prevalencia documentada inferior al 0,1%, la nueva directriz
fue esencialmente una recomendación para cambiar de la detección basada en el riesgo a
cribado voluntario de rutina en entornos sanitarios. Esta nueva recomendación
representó un cambio importante en la política de detección.
Pasaremos ahora a un ejemplo en el que evaluamos una estrategia de prueba
para un problema de diagnóstico complicado.
Página 335
Análisis de decisiones médicas en la práctica: métodos avanzados 323
de lesiones benignas. Las estrategias para manejar los nódulos pulmonares incluyen
resección quirúrgica, biopsia con aguja transtorácica y espera vigilante. Quirúrgico
La resección es el tratamiento definitivo si el nódulo es maligno y el cáncer
no se ha extendido a otros lugares. Sin embargo, la cirugía tiene riesgos y los médicos
no querría recomendar la cirugía de pulmón a un paciente que no tiene
cáncer de pulmón. La biopsia con aguja transtorácica es una técnica para tomar muestras de tejido.
del nódulo para ver si es cáncer. La estrategia de espera vigilante implica
repetir la prueba de imagen (TC o PET) periódicamente para ver si el nódulo está
Haciéndose grande. Si el nódulo permanece del mismo tamaño, es poco probable que sea cáncer.
Usaremos una estrategia de modelado híbrido: un árbol de decisiones para representar la
múltiples estrategias iniciales posibles, seguidas de un modelo de Markov que representa
la historia natural del cáncer de pulmón y el efecto del tratamiento. Nosotros podríamos tener
también eligió un marco de modelado de microsimulación.
Página 336
324 Toma de decisiones médicas
Observación
Resultados de TC Modelo de Markov
Posible malignidad
B Cirugía
Subárbol de cirugía
Connecticut
B Biopsia
Subárbol de biopsia
Benigno
B Positivo
D
FDG-PET
Observación Negativo
Modelo de Markov D
Observación
Resultados de la FDG-PET
Modelo de Markov
Cirugía
Cirugía D Subárbol de cirugía
A Subárbol de cirugía
Biopsia
Subárbol de biopsia
Resultados de TC
Biopsia Posible malignidad
Subárbol de biopsia D
Connecticut
Benigno
D
Positivo
C Observación
Modelo de Markov
FDG-PET
C
Cirugía
Subárbol de cirugía
Negativo
C
Biopsia
Resultados de la FDG-PET Subárbol de biopsia
Figura 11.4 Representación del árbol de decisión de la evaluación de un nódulo pulmonar solitario. El nodo de decisión etiquetado A indica las alternativas iniciales que
el médico puede elegir. El nodo de decisión con la etiqueta B indica las opciones de gestión después de una tomografía computarizada inicial. El nodo de decisión etiquetado C indica el
opciones de manejo después de una tomografía por emisión de positrones inicial. El nodo de decisión etiquetado como D indica las opciones de manejo después de PET y CT. Consulte la Figura 11.5 para
estructura del subárbol de biopsia y del subárbol de cirugía. CT = tomografía computarizada; FDG-PET = exploración por emisión de positrones con 18-flourodesoxiglucosa.
(Modificado de Gould MK et al . Costo efectividad de estrategias de manejo alternativas para pacientes con nódulos pulmonares solitarios. Annals of Internal Medicine
2003; 138 , 724–735, con autorización del American College of Physicians).
Página 337
Análisis de decisiones médicas en la práctica: métodos avanzados 325
recurrencia del cáncer para diversas etapas del cáncer y tratamientos. Las estimaciones
de estos y todos los demás parámetros de entrada están disponibles en el apéndice de la
artículo de Gould et al . (2003).
Página 338
326 Toma de decisiones médicas
Complicaciones fatales
Muerto
Cirugía
Biopsia Subárbol de cirugía
No diagnóstico
Complicaciones
hallazgos de la biopsia
Biopsia Observación
Modelo de Markov
Hallazgo
Cirugía
Subárbol de cirugía
No diagnóstico
Observación
Modelo de Markov
Complicaciones fatales
Muerto
Local
Modelo de Markov
No fatal Regional
Subárbol de cirugía Modelo de Markov
complicaciones
Benigno
Cirugía Modelo de Markov
Complicaciones Enfermedad
Expresar Local
Modelo de Markov
Regional
No
Modelo de Markov
complicaciones
Benigno
Modelo de Markov
Figura 11.5 Subárboles de biopsia y cirugía para la Figura 11.4. Los subárboles de biopsia y cirugía
Indicar los eventos fortuitos y los resultados que ocurren después de la decisión de realizar una biopsia o
cirugía. (Modificado de Gould MK et al . Rentabilidad de las estrategias de gestión alternativas
para pacientes con nódulos pulmonares solitarios. Annals of Internal Medicine 2003; 138 , 724–735,
con permiso del American College of Physicians.)
y la calidad de vida con cáncer de pulmón, con tratamiento del cáncer de pulmón (p. ej., con un
resección parcial o completa del pulmón) y con complicaciones del tratamiento.
También estimamos las disminuciones en la calidad de vida causadas por la biopsia diagnóstica.
y cirugía. Los procedimientos invasivos reducirán la calidad de vida por un tiempo, incluso
si no ocurren complicaciones. Modelar estos cambios es sencillo.
Página 339
Análisis de decisiones médicas en la práctica: métodos avanzados 327
Página 340
328 Toma de decisiones médicas
Cirugía
Siguiente prueba después de la TC: biopsia FDG-PET Cirugía
(Sin CT)
Prueba previa
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95100
Probabilidad (%)
Post-prueba
10 20 28 35 42 48 54 59 64 69 73 76 80 84 87 90 93 95 98100
Probabilidad (%)
Prueba previa
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95100
Probabilidad (%)
Post-prueba
<1 <1 1 2 2 3 3 4 5 6 7 8 10 13 16 20 26 36 54100
Probabilidad (%)
Figura 11.6 Secuencias de prueba recomendadas y probabilidad posterior a la prueba después de una tomografía computarizada inicial para
evaluación de un nódulo pulmonar solitario. El panel superior muestra la siguiente prueba preferida después de una TC
resultado de la exploración que indicó un nódulo posiblemente maligno. La probabilidad previa a la prueba indica la
probabilidad de cáncer antes de que se realice la TC. La probabilidad posterior a la prueba indica la
probabilidad de cáncer después del resultado de la TC. Por ejemplo, si la probabilidad de cáncer antes de la prueba es del 25%,
la probabilidad posterior a la prueba después de una TC positiva es del 42% y la siguiente acción preferida es la exploración por TEP.
El panel inferior muestra las pruebas preferidas y la probabilidad posterior a la prueba si el TC sugiere la
el nódulo es benigno. CT = tomografía computarizada; FDG-PET = positrón de 18-flourodesoxiglucosa
exploración de emisiones. (Modificado de Gould MK et al . Rentabilidad del manejo alternativo
estrategias para pacientes con nódulos pulmonares solitarios. Annals of Internal Medicine 2003; 138 ,
724–735, con autorización del American College of Physicians).
Página 341
Análisis de decisiones médicas en la práctica: métodos avanzados 329
Prueba preliminar
Bajo Alto
Probabilidad
Intermedio
FDG-PET FDG-PET
Recomendaciones Recomendaciones
Figura 11.7 Algoritmo para la evaluación de nódulo pulmonar solitario, estratificado por preprueba
probabilidad. El algoritmo indica la estrategia preferida para la evaluación de un pulmón solitario
nódulo para probabilidades de cáncer bajas, intermedias y altas antes de la prueba. CT = calculado
tomografía; FDG-PET = exploración por emisión de positrones con 18-flourodesoxiglucosa. (Modificado de
Gould MK y col . Rentabilidad de las estrategias de manejo alternativas para pacientes con
nódulos pulmonares. Annals of Internal Medicine 2003; 138 , 724–735, con permiso del
Colegio Americano de Médicos.)
estrategia) para cada opción de decisión para cada una de las 1000 a 10000 ejecuciones del
modelo. Con estos resultados, el analista puede calcular la probabilidad de que el costo-
La efectividad de una estrategia está por debajo de un umbral elegido (digamos, $ 100 000 por AVAC
ganado), teniendo en cuenta la incertidumbre en todos los parámetros del modelo elegidos por el
analista. Por ejemplo, si la rentabilidad de una opción de decisión fuera menor
de $ 100 000 por AVAC ganado en 600 de 1000 ejecuciones del modelo, entonces la probabilidad
de que esa estrategia sea rentable (para ese umbral) sería del 60%.
En nuestro ejemplo de nódulo pulmonar, el análisis de sensibilidad probabilístico indica
señaló que para los pacientes con baja y alta probabilidad de cáncer antes de la prueba,
Las estrategias que incluían PET eran rentables (en un umbral de $ 100 000 por
QALY) en el 77% y el 99% de las simulaciones, respectivamente.
Página 342
330 Toma de decisiones médicas
Página 343
Análisis de decisiones médicas en la práctica: métodos avanzados 331
clínico.
El médico ingresa primero información que ayuda a estimar el problema previo a la prueba.
capacidad del cáncer, basada en una regla de predicción clínica (véase Swensen et al ., 1997).
La regla de predicción clínica utiliza la edad, el tamaño y la ubicación del paciente
nódulo, apariencia del nódulo, antecedentes de malignidad extratorácica y
antecedentes de tabaquismo para estimar la probabilidad previa a la prueba de que el nódulo
maligno. El médico también puede ingresar información sobre su evaluación de
los riesgos asociados con los procedimientos de diagnóstico, según la información que ella
sabe sobre el paciente. Por ejemplo, un paciente mayor o un paciente con
problemas respiratorios, pueden tener un mayor riesgo de una biopsia con aguja que otros
pacientes.
A continuación, el sistema de apoyo a la decisión analiza el modelo de decisión utilizando el
entradas ingresadas por el médico. La salida del sistema de soporte de decisiones
tem, transmitido al médico a través de Internet, es un análisis de la
resultados y costos asociados con diferentes estrategias de manejo, basadas en
en la información específica del paciente. El sistema genera una información específica del paciente.
algoritmo y tablas que muestran los resultados económicos y de salud, y
efectividad, para diferentes estrategias de manejo para el paciente del clínico.
Por lo tanto, Alchemist realiza un análisis en tiempo real ajustado a las características clínicas.
características del paciente. Luego, un médico podría usar los resultados del modelo para ayudar
guiar la terapia.
Otro aspecto importante de la toma de decisiones individuales es la incorporación
de las utilidades del paciente para los resultados de salud en las decisiones. Aunque el
El sistema de alquimista, tal como está diseñado actualmente, no permite al usuario ingresar
servicios públicos específicos para el paciente, la inclusión de servicios públicos sería un sencillo
extensión. Para incorporar utilidades específicas del paciente, el médico podría evaluar una
utilidades del paciente para los resultados relevantes utilizando técnicas como la
apuesta estándar o la compensación de tiempo, y luego ingrese las utilidades usando el
Interfaz basada en web para el modelo de decisión.
Página 344
332 Toma de decisiones médicas
Resumen
Página 345
Análisis de decisiones médicas en la práctica: métodos avanzados 333
Bibliografía
Bendavid, E., Young, SD, Bayoumi, AM y col . (2008) Costo-efectividad del monitoreo del VIH
estrategias en entornos con recursos limitados: un análisis de África meridional. Archivos de Interno
Medicina , 168 , 1910–18.
Briggs, A., Weinstein, M., Fenwick, E. et al . (2012) Estimación de parámetros del modelo y
tainty Analysis: un informe de la tarea de modelado de buenas prácticas de investigación de ISPOR-SMDM
Fuerza-6. Toma de decisiones médicas , 32 (5), 722–32.
Este documento proporciona las mejores prácticas para la estimación de parámetros y el análisis de incertidumbre.
Caro, J., Briggs, A., Siebert, U. y Kuntz, K. (2012) Modelando una buena investigación
Prácticas: descripción general: un informe de las buenas prácticas de investigación de modelado de ISPOR-SMDM
Task Force-1. Toma de decisiones médicas , 32 (5), 667–77.
Este artículo proporciona una descripción general de una serie de artículos que describen las mejores prácticas en
eling, desarrollado por un grupo de trabajo conjunto de la Sociedad Internacional de Farmacoeconomía
e Investigación de Resultados (ISPOR) y la Sociedad para la Toma de Decisiones Médicas (SMDM).
Página 346
334 Toma de decisiones médicas
Joyce, VR, Barnett, PG, Bayoumi, AM y col . (2009) Calidad de vida relacionada con la salud en
un ensayo aleatorio de terapia antirretroviral para la enfermedad avanzada por VIH. Diario de la
Síndrome de inmunodeficiencia adquirida , 50 , 27–36.
Este estudio utiliza la compensación de tiempo, la apuesta estándar, EQ-5D y el índice de servicios de salud.
versión 3 para evaluar la calidad de vida con infección por VIH.
Karnon, J., Stahl, J., Alan, B. et al . (2012) Modelado mediante simulación de eventos discretos: un informe
del Grupo de Trabajo 4 de Modelado de Buenas Prácticas de Investigación de ISPOR-SMDM. Decisión médica
Making , 32 (5), 701-11.
Este documento proporciona las mejores prácticas para desarrollar y analizar la simulación de eventos discretos.
modelos.
Este estudio utiliza un modelo compartimental dinámico para evaluar la salud y la economía de la población.
resultados de la ampliación de la detección y el tratamiento del VIH.
Este artículo demuestra un método para adaptar las pautas a poblaciones específicas utilizando
Paltiel, AD, Weinstein, MC, Kimmel, AD et al . (2005) Ampliación de la detección del VIH en
Estados Unidos: un análisis de la rentabilidad. Revista de Medicina de Nueva Inglaterra , 352 ,
586–95.
Pitman, R., Fisman, D., Zaric, GS y col . (2012) Modelado de transmisión dinámica: un informe
del Grupo de Trabajo 5 de Modelado de Buenas Prácticas de Investigación de ISPOR-SMDM. Decisión médica
Making , 32 (5), 712-21.
Este documento proporciona las mejores prácticas para desarrollar y analizar la transmisión dinámica.
modelos.
Roberts, M., Russell, L., Paltiel, AD y col . (2012) Conceptualizando un modelo: un informe de la
Grupo de Trabajo 2 del Grupo de Trabajo sobre Modelado de Buenas Prácticas de Investigación ISPOR-SMDM. Médico
Toma de decisiones , 32 (5), 678–89.
Este artículo describe un marco conceptual para el modelado y cómo elegir un modelo
Acercarse.
Este artículo describe una versión inicial del sistema de apoyo a las decisiones de Alchemist.
Sanders, GD, Bayoumi, AM, Sundaram, V. et al . (2005) Costo-efectividad del cribado para
VIH en la era de la terapia antirretroviral de gran actividad. Revista de Medicina de Nueva Inglaterra , 352 ,
570–85.
Siebert, U., Alagoz, O., Bayoumi, AM y col . (2012) Modelización de transición de estado: un informe de la
Grupo de Trabajo 3 de Modelado de Buenas Prácticas de Investigación ISPOR-SMDM. Toma de decisiones médicas ,
32 (5), 690–700.
Página 347
Análisis de decisiones médicas en la práctica: métodos avanzados 335
Este artículo describe una regla de predicción clínica para predecir la probabilidad de cáncer en
nódulos pulmonares solitarios.
Página 348
Índice
(Nota: los números de página en cursiva se refieren a las figuras; los que están en negrita, a las tablas).
Toma de decisiones médicas , segunda edición. Harold C. Sox, Michael C. Higgins y Douglas K. Owens.
© 2013 John Wiley & Sons, Ltd. Publicado en 2013 por John Wiley & Sons, Ltd.
Página 349
338 Índice
B discriminación y calibración, 54
Modelo de diagnóstico bayesiano, 10 validez aparente, 55
Teorema de Bayes calidad de, 55
supuestos del teorema de Bayes particionamiento recursivo ver
independencia condicional, 83 particionamiento recursivo
independiente del anterior análisis de regresión ver regresión
probabilidad de enfermedad, análisis
82–3, 83 equipos de prueba y entrenamiento, 54
formas clínicamente útiles agrupamiento en el diagnóstico diferencial,
resultado negativo de la prueba, 67–8 20
resultado positivo de la prueba, 67, 68 heurística cognitiva, 38–46
sensibilidad, definida, 66 independencia condicional
simplificación, 67 supuestos de, 83–4
especificidad, definida, 66–7
definición, 85
resultado de la prueba de umbral para tomar
probabilidad condicional, 155
acción, 66
definición, 64–5
derivación, 65–6
para múltiples enfermedades, 88–9, 89
interpretación de la prueba de diagnóstico
análisis coste-beneficio
confirmación del diagnóstico,
vs análisis de costo-efectividad,
77–8
298–9
desconfirmación del diagnóstico,
definición, 298
78
valor monetario en la vida humana
resultado negativo de la prueba, 77–8, 78
método de capital humano, 299
resultado de prueba positivo, 76–7
decisiones pasadas, 299
secuencia de pruebas, 84–5 ver también
método de disposición a pagar,
condicional
300
independencia
principal inconveniente, 299
ejemplo, 153–4
función de asignación de recursos, 301
para muchas enfermedades, 88–9, 89
análisis de costo-efectividad
formulario de razón de posibilidades
definición, 291
derivación, 69–70
razón de verosimilitud, 70-2, 71 medicina plana de la curva, 297–8,
Página 350
Índice 339
Página 351
340 Índice
Página 352
Índice 341
Página 353
342 Índice
Página 354
Índice 343
Página 355
344 Índice
Página 356
Índice 345
Página 357
346 Índice
ajustar el sesgo del espectro, 121 Simulación de Monte Carlo, 186, 187
importancia clínica, 78 rutas generadas, 186, 187, 188
definición, 101 esperanza de vida frente a recuperación
importancia de la precisión tasa, 188, 188
medición, 124–5, 125 estado de salud bien y enfermo,
análisis de sensibilidad, cuándo realizar la prueba, 186–8
283, 284 Markov acíclico invariante en el tiempo
sesgo de espectro, y, 121 modelo
apuesta estándar ver estándar probabilidad de transición constante,
apuesta de referencia 180
apuesta de referencia estándar, 206, 209, esperanza de vida
268–72, 277–8 tiempo medio dedicado a la salud
modelos de transición de estado, 308–9 estado, 180, 181
análisis de fuerza de preferencia, estado de salud de recaída local,
212-13 182–3, 183
probabilidad subjetiva, 37–38 estado de salud de recaída regional,
probabilidad de supervivencia 181-2, 182
ajustada por edad, 177–80
estado de salud libre de síntomas,
tiempo medio dedicado a la salud
183, 184
estado, 175
estado de salud de recaída del sistema,
estimación, 175
181, 181
modelo de supervivencia exponencial,
resultados variables en el tiempo, 170–98
190–2, 191, 195–6
probabilidad de transición, 170
esperanza de vida, 200-2
estimación, 175–7
estado de salud de recaída regional,
error de tratamiento, 244-5, 244-5
174–5
probabilidad de umbral de tratamiento ( p *)
estado libre de síntomas, 171-2
Tumor cerebral
estado de salud de recaída sistémica, 172
resultados clínicos para los tratados,
estimación de probabilidad de transición,
268
175–7
árbol de decisión con posibilidad
T nodos, 267–8, 268, 274,
sesgo de referencia de prueba 274–5
definición, 117 estado de tratamiento de la enfermedad
tasa de enfermedad de falsos positivos, identificación de resultados,
120-1, 120 268–70, 271
sensibilidad de prueba, 118, 118-19, 119, estados de tratamiento de enfermedades,
120 266–7
Página 358
Índice 347