Toma de Decisiones Médicas PDF

Toma de decisiones médicas
Página 1
Decisión médica
Haciendo
file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

Página 2
Decisión médica
Haciendo
Segunda edicion
Harold C. Sox, MD
Escuela de Medicina Geisel en Dartmouth, Hanover, New Hampshire
Michael C. Higgins, Ph.D.

Universidad de Stanford, Stanford, California
Douglas K. Owens, MD, MS

Departamento de Asuntos de Veteranos Palo Alto Health Care System, Palo Alto, California
Universidad de Stanford, Stanford, California
Una publicación de John Wiley & Sons, Ltd.

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.
Datos de catalogación en publicación de la Biblioteca del Congreso
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
Un registro del catálogo de este libro está disponible en la Biblioteca Británica.
Wiley también publica sus libros en una variedad de formatos electrónicos. Algunos contenidos que aparecen impresos pueden
no estará disponible en libros electrónicos.
Diseño de portada de Rob Sawkins para Opta Design Ltd.
Ubicado en 9.5 / 12pt Palatino por Laserwords Private Limited, Chennai, India
1 2013
Página 4

Para Jean y Kathleen

Para Sara, Rachel y Christopher
Para Carol, Colin y Lara
Su apoyo lo ha significado todo.
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
3 Probabilidad: cuantificación de la incertidumbre, 27

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 cuando
estimación de probabilidad, 57
Problemas, 58
Bibliografía, 59
4 Comprensión de nueva información: teorema de Bayes, 61

4.1 Introducción, 61
4.2 Definición de probabilidad condicional, 64
4.3 Teorema de Bayes, 65
4.4 La forma de razón de posibilidades del teorema de Bayes, 69
4.5 Lecciones que se pueden aprender del teorema de Bayes, 76
4.6 Los supuestos del teorema de Bayes, 82
4.7 Uso del teorema de Bayes para interpretar una secuencia de pruebas, 84
vii
Página 6
viii Contenido
4.8 Usando el teorema de Bayes cuando muchas enfermedades están bajo

consideración, 88
Problemas, 90
Bibliografía, 91
5 Medición de la precisión de la información de diagnóstico, 93

5.1 Cómo describir los resultados de la prueba: anormal y normal, positivo y
negativo, 93
5.2 Medir la capacidad de una prueba para revelar el verdadero estado del paciente, 98

5.3 Cómo medir las características de una prueba diagnóstica: un hipotético

caso, 106
5.4 Escollos del valor predictivo, 109
5.5 Fuentes de estimaciones sesgadas del desempeño de las pruebas y cómo evitarlas
ellos, 110
5.6 Sesgo de espectro, 116
5.7 Expresar los resultados de la prueba como variables continuas, 125
5.8 Combinando datos de varios estudios de desempeño de pruebas, 134
Problemas, 137
Bibliografía, 140
6 Toma de decisiones sobre el valor esperado, 143

6.1 Un ejemplo, 145
6.2 Selección del tomador de decisiones, 148
6.3 Árboles de decisión: representaciones estructuradas para problemas de decisión, 149
6.4 Cuantificación de la incertidumbre, 152
6.5 Análisis probabilístico de árboles de decisión, 156
6.6 Cálculos del valor esperado, 158
6.7 Análisis de sensibilidad, 161
6.8 Árboles de decisión plegables, 163
Problemas, 168
Bibliografía, 168
7 modelos de Markov y resultados variables en el tiempo, 170

7.1 Conceptos básicos del modelo de Markov, 170
7.2 Modelo exponencial de supervivencia y esperanza de vida, 189
Problemas, 198
Apéndice: Detalles matemáticos, 200
Bibliografía, 203
8 Medición del resultado de la atención: análisis de la utilidad esperada, 204

8.1 Concepto básico: evaluación directa de la utilidad, 205
8.2 Análisis de sensibilidad: prueba de la solidez del análisis de utilidad, 210
8.3 Atajo: uso de una escala lineal para expresar la fuerza de preferencia, 212
8.4 Utilidad exponencial: un modelo paramétrico, 213
8.5 Utilidad exponencial con supervivencia exponencial, 218
Página 7
Contenido ix
8.6 Resultados multidimensionales: evaluación directa, 220

8.7 Resultados multidimensionales: simplificaciones, 223
8.8 Resultados multidimensionales: años de vida ajustados por calidad
(AVAC), 228
8.9 Comparación de los dos modelos para resultados con diferente duración
y calidad, 232
Problemas, 235
Apéndice: Detalles matemáticos, 237
Bibliografía, 242
9 Selección e interpretación de pruebas diagnósticas, 243

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 Establecimiento de la probabilidad de umbral de tratamiento, 263
9.7 Teniendo 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
Bibliografía, 287
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
La maduración de la ciencia médica durante la última mitad del siglo XX

siglo fue el más impresionante. Los ensayos clínicos desplazaron a los estudios observacionales
que normalmente constaba de una docena o menos de pacientes; la fisiopatología y
se descubrió la genética de muchas enfermedades; y diagnóstico y terapéutico
métodos avanzados. Pruebas de diagnóstico crudas como colecistografía y
enemas de bario y pruebas de riesgo como encefalogramas de aire, biopsias con aguja,
y la tecnología hizo obsoletas las laparotomías exploratorias. Flexible
tubos, algunos equipados con luces y cámaras, escáneres CT, MRI y PET,
e inmunoanálisis sofisticados de sangre y otros fluidos corporales obtenidos
aceptación inmediata. Muchas terapias que fueron formuladas moliendo
órganos, desecándolos y esperando que corrigieran un déficit fueron
reemplazado por productos químicos nuevos y potentes.

El razonamiento clínico, los procesos detrás del diagnóstico y la decisión médica.

toma de decisiones, incluidas las complejas compensaciones entre los riesgos y los beneficios
de pruebas y tratamientos, se quedó atrás de los avances en la ciencia médica. En el
Antes del último cuarto del siglo, los estudiantes aprendieron a razonar sobre
los problemas de los pacientes observando a los médicos expertos en el trabajo y (si se atreven)
preguntándoles por qué ordenaron esta prueba o aquella, por qué dieron un medicamento o
otro. Debido a que este enfoque de aprendizaje no fue codificado, objetivado ni
textos médicos cuantificados luchaban por explicar el razonamiento clínico, y los estudiantes
luchó por aprenderlo. Y cuando la evidencia de confusión sobre el uso de pruebas
y los tratamientos surgieron por primera vez, las campanas de alarma sonaron. Los investigadores habían descubierto
variaciones extremas en el uso de pruebas y tratamientos de una comunidad a otra
otro y en regiones de todo el país sin un beneficio correspondiente para
pacientes. Las pruebas y los tratamientos irracionales habían comenzado a contribuir sustancialmente
a una escalada imposible en el costo de la atención.
Durante las últimas tres décadas del siglo XX, los científicos clínicos
Comenzó a examinar los procesos de diagnóstico y toma de decisiones con herramientas.
de otras disciplinas, incluida la ciencia cognitiva, la ciencia de la decisión,
bilidad y teoría de la utilidad. A partir de estas diversas fuentes, la ciencia clínica de
se tramó la toma de decisiones médicas. Elementos del proceso de diagnóstico
Se identificaron y se estableció un lenguaje para explicar y enseñar el diagnóstico.
formulado. Se buscaron errores cognitivos en el diagnóstico y se desarrollaron métodos.
oped para evitarlos. La importancia crítica de una representación probabilística
diagnóstico, en términos de probabilidades previas, probabilidades condicionales y
ratios de probabilidad, fue reconocido y puesto en uso en la forma de un centenario
formulación de la regla de Bayes. El análisis de decisiones, una disciplina utilizada anteriormente por
militares, se aplicó primero a problemas clínicos individuales, luego a clases de
xi
Página 9
xii Prefacio
problemas y eventualmente a cuestiones de costo y eficacia de las pruebas y tratamientos.

Antes de finales del siglo XX, una ciencia de la toma de decisiones médicas
y había nacido un idioma para enseñarlo.
Sin embargo, implementar la nueva ciencia resultó más difícil que desarrollar
optarlo. Los escépticos afirmaron que las estimaciones de probabilidades de los médicos eran a menudo
defectuoso, que aplicar la regla de Bayes no era fácil, y que los árboles de decisión eran
o demasiado simple (y por lo tanto no representó un problema clínico suficientemente)
o demasiado complejo (y por lo tanto no podría entenderse). Muchos se preguntaron si
se podría convencer a la medicina para que adopte estos nuevos enfoques y si
Se podría esperar que un médico promedio los usara en sus prácticas diarias.
A medida que el campo ha evolucionado, se han respondido algunas de estas preguntas.
Ahora, en la segunda década del siglo XXI, se utiliza la Regla de Bayes
diseñar ensayos clínicos, desarrollar reglas de decisión que ayuden a los médicos a juzgar
si admitir pacientes con sospecha de haber sufrido un infarto agudo de miocardio,
y desarrollar estrategias compiladas para diagnosticar y tratar enfermedades pulmonares
émbolos, por nombrar algunas aplicaciones. El análisis de decisiones se ha utilizado para
formular respuestas para los dilemas de los pacientes individuales, pero este uso es tiempo
consume, es caro y requiere una experiencia especial. No obstante, la decisión
El análisis ha encontrado una amplia aplicación en el desarrollo de guías de práctica clínica.
mento, análisis rentables y estudios de eficacia comparativa. Un cuadro
de los médicos se ha vuelto lo suficientemente hábil en los métodos para aplicarlos
en entornos activos de enseñanza clínica e integrarlos en la medicina
currículos de estudiantes y de residencia.

Es legítimo preguntar por qué un estudiante o residente debe gastar la inteligencia

capital real para aprender estos métodos. La respuesta es convincente. Primero ellos
Ayuda en el aprendizaje y la enseñanza del proceso de diagnóstico. En segundo lugar, el principio
Los elementos de la toma de decisiones de detección y diagnóstico y manejo se convierten en
transparente desde la comprensión de la regla de Bayes, diagnóstico y terapéutico
umbrales, sorteos decisionales y análisis de decisiones. Sometiendo tales cuestiones
al examen racional mejora la toma de decisiones y, en consecuencia, el paciente
cuidado. Además, debido a que estos métodos son la base de tantos análisis de
prácticas de salud, la apreciación de sus limitaciones proporciona un escepticismo saludable
cismo de sus aplicaciones. Por último, los enfoques son herramientas poderosas para aprobar
sobre los conceptos a los demás, así como plantillas críticas para comprender la honestidad
diferencias de opinión sobre prácticas médicas controvertidas.
Durante los últimos 25 años, la toma de decisiones médicas ha sido un lugar ideal para
desarrollar una rica comprensión de estos métodos y para comprender
cómo abordar el diagnóstico; la nueva segunda edición es aún mejor. Su capitulo
sobre la regla de Bayes, por ejemplo, es ejemplar, ya que explica el método en múltiples
diferentes formatos. Los capítulos sobre selección de pruebas diagnósticas y decisión
Los análisis están meticulosamente elaborados para dejar poca incertidumbre sobre el
métodos. Un nuevo capítulo sobre métodos de modelado está abundantemente ilustrado por
análisis; los capítulos sobre toma de decisiones sobre el valor esperado, evaluación de la utilidad,
y el modelado de Markov se han revisado exhaustivamente.
Página 10
Prólogo xiii
En resumen, este libro ha sido un estándar del campo, y la nueva edición

continuará su dominio. Hay pocas dudas de que en el futuro muchos
Los análisis clínicos se basarán en los métodos descritos en Decisión médica.
Haciendo , y el libro proporciona una base para una evaluación crítica de tales políticas.
Los profesores de toma de decisiones médicas lo requerirán; los estudiantes de medicina cavarán
en él repetidamente a medida que aprenden medicina clínica; los residentes volverán a él
una y otra vez para refrescar sus habilidades diagnósticas y terapéuticas. Y de
sus páginas lúcidas, los médicos en ejercicio obtendrán una comprensión más rica de la
principios subyacentes a su trabajo.
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.

(particularmente un mayor énfasis en las razones de verosimilitud (Capítulo 4), sistema-

revisiones áticas y metanálisis de la sensibilidad y especificidad de las pruebas de diagnóstico
(Capítulo 5) y análisis de costo-beneficio (Capítulo 11)).
Michael Higgins escribió nuevos capítulos (capítulos 6 al 8) que cubrieron
toma de decisiones de valor esperado, evaluación de la utilidad, modelos de Markov y
modelos matemáticos de esperanza de vida. El tratamiento de estos temas refleja
su larga experiencia docente, en la que se basó en modelos matemáticos
que simplifican el proceso de evaluación de los servicios públicos. Cualquier lector que pueda recordar el
Los conceptos de álgebra de la escuela secundaria podrán comprender estos capítulos.
El capítulo del Dr. Owens sobre modelos de decisiones refleja la creciente influencia
del análisis de decisiones para apoyar la formulación de políticas clínicas y de salud pública
(y la menguante influencia de los modelos de decisión creados para resolver un problema específico
xv
Pagina 12
xvi Prefacio
problema de decisión del paciente). El capítulo describe diferentes tipos de modelos

y proporciona ejemplos extendidos, pero no es un tutorial sobre cómo crear un
modelo de decisión. El lector que quiera aprender a modelar decisiones debe
tomar los cursos cortos que se ofrecen en la reunión anual de la Society for Medical
Toma de decisiones y pasa algún tiempo aprendiendo con un experto en el campo.
Desde lo simple (razones de verosimilitud) hasta lo complejo (modulación de microsimulación
eling), ¿cuál es el futuro del análisis de decisiones médicas? En dos palabras, ambos
aplicaciones de computadora de mano ('' aplicaciones '' en el uso actual) y decisiones compartidas
sion haciendo. Los dispositivos portátiles traerán modelos de decisión: simples y
complejo: al consultorio y al lado de la cama, donde los médicos y los pacientes utilizarán
ellos para individualizar sus discusiones sobre las grandes decisiones.
¿Qué pueden aportar los libros de texto como la Toma de decisiones médicas a este mundo de
toma de decisiones compartida e informada utilizando análisis de decisiones basado en computadora?
Como en el pasado, los libros de texto darán forma a la forma en que los futuros analistas de decisiones aprenden
y luego practicar la disciplina del trabajo de su vida. Creemos que los médicos-
en formación deben dominar el material de los capítulos 3, 4 y 5. Deben
ser capaz de utilizar el método de compensación de tiempo para evaluar las utilidades de un paciente para un
estado de salud. Deben tener una comprensión cultural del modelo de decisiones.
Finalmente, esperamos que los aspirantes a maestros clínicos lean un libro como el nuestro para
obtener una mayor comprensión de su trabajo diario y las limitaciones de la
información imperfecta en la que se basan.
HCS

Página 13
CAPÍTULO 1
Introducción
"La prueba", dije, "es siempre algo relativo. Es un balance abrumador de

probabilidades. Y esa es una cuestión de cómo te golpean ''.
(Raymond Chandler, Adiós, mi amor , 1940)
La probabilidad es la regla de la vida, especialmente debajo de la piel. Nunca hagas algo positivo
diagnóstico.
(Sir William Osler)
Los médicos reflexivos se hacen muchas preguntas difíciles durante el

curso de cuidado de los pacientes. Algunas de estas preguntas son las siguientes:
• ¿Cómo puedo ser minucioso pero eficiente al considerar las posibles causas?
del problema de mi paciente?
• ¿Cómo caracterizo la información que he recopilado durante el examen médico?
entrevista y examen físico?
• ¿Cómo debo interpretar la nueva información de diagnóstico?
• ¿Cómo selecciono la prueba de diagnóstico adecuada?
• ¿Cómo elijo entre varios tratamientos riesgosos?
El objetivo de este libro es ayudar a los médicos a responder estas importantes preguntas.
La primera pregunta se aborda con observaciones de médicos expertos.
"pensar en voz alta" mientras resuelven un problema clínico. los
Los últimos cuatro se abordan desde la perspectiva del análisis de decisiones médicas, un
enfoque cuantitativo para la toma de decisiones médicas.
El objetivo de este capítulo introductorio es obtener una vista previa del contenido del libro.
bosquejando las respuestas preliminares a estas cinco preguntas.
1.1 ¿Cómo puedo ser minucioso pero eficiente al considerar

las posibles causas de los problemas de mi paciente?
Tratar de ser eficiente al pensar en las posibles causas de la enfermedad de un paciente.

El problema a menudo entra en conflicto con ser minucioso. Este conflicto no tiene un solo
solución. Sin embargo, se puede aprender mucho sobre la resolución de problemas médicos.

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
escuchando a los expertos en diagnóstico discutir cómo razonaron a su manera

a través de un caso. Porque el predictor más poderoso de la habilidad en el diagnóstico
es la exposición a los pacientes, el mejor consejo es '' ver a muchos pacientes y aprender de
sus errores ''. Cómo ser minucioso, pero eficiente, al pensar en
las posibles causas del problema de un paciente es el tema del capítulo 2.
1.2 ¿Cómo caracterizo la información que he recopilado?

durante la entrevista médica y el examen físico?
El primer paso hacia la comprensión de cómo caracterizar la información

se desprende de la entrevista médica y el examen físico es darse cuenta de que
La información proporcionada por el paciente y por las pruebas de diagnóstico generalmente no
revelar el verdadero estado del paciente. Los signos, síntomas y diagnóstico de un paciente
Los resultados de las pruebas suelen ser representativos de más de una enfermedad. Por lo tanto,
distinguir entre las posibilidades con absoluta certeza no es posible.
La historia de dolor en el pecho de un hombre de 60 años ilustra este punto:
Costin, un ejecutivo bancario de 60 años, entra a la sala de emergencias

quejándose de dolor torácico subesternal intermitente que está `` oprimiendo '' en
personaje. El dolor de pecho ocasionalmente es provocado por el esfuerzo, pero por lo general
ocurre sin provocación. Cuando ocurre, el paciente se acuesta durante unos instantes.
minutos, y el dolor suele desaparecer en unos 5 minutos. Nunca dura
más de 10 minutos. Hasta que estos episodios de dolor en el pecho comenzaron hace 3 semanas,
el paciente había gozado de buena salud, excepto por problemas intermitentes con
acidez después de una comida copiosa.
Aunque hay al menos 60 causas de dolor en el pecho, el médico de Costin

la historia reduce considerablemente las posibilidades de diagnóstico. Residencia en
En su historia, las dos causas más probables del dolor de pecho del Sr.Costin son coronarias.
enfermedad arterial o enfermedad esofágica.
Sin embargo, la causa de la enfermedad del Sr. Costin es incierta. Esta incertidumbre es
no es una deficiencia del médico que recopiló la información; más bien, es
refleja la incertidumbre inherente a la información proporcionada por el Sr. Costin.
Como la mayoría de los pacientes, su verdadero estado de enfermedad está oculto dentro de su cuerpo y debe
inferirse de pistas externas imperfectas.
¿Cómo suelen caracterizar los médicos la incertidumbre inherente a los
¿información? La mayoría de los médicos utilizan palabras como "probablemente" o "posiblemente" para
caracterizan esta incertidumbre. Sin embargo, la mayoría de estas palabras son imprecisas, ya que
ilustrado a medida que escuchamos más sobre la historia del Sr. Costin:
El médico que ve al Sr. Costin en la sala de emergencias le dice al Sr. Costin:

'' No puedo descartar una enfermedad de las arterias coronarias. El siguiente paso en el diagnóstico
es examinar los resultados de un ECG de esfuerzo ''. También dice: `` No puedo
descartar enfermedad esofágica tampoco. Si el ECG de esfuerzo es negativo, trabajaremos
usted está listo para la enfermedad del esófago ''.
El Sr. Costin está muy preocupado por su condición y busca una segunda
opinión. El segundo médico que ve al Sr.Costin está de acuerdo en que la arteria coronaria

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
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
Figura 1.1 Una escala para expresar incertidumbre.
Para comprender el significado de probabilidad en medicina, considérelo como un

fracción. Por ejemplo, la fracción "un tercio" significa 33 de un grupo de 100.
En medicina, si un médico afirma que la probabilidad de que haya una enfermedad es
33%, significa que el médico cree que si atiende a 100 pacientes con la
Con los mismos hallazgos, 33 de ellos tendrán la enfermedad en cuestión (Figura 1.2).
Aunque la probabilidad tiene un significado matemático preciso, una probabilidad
La estimación no tiene por qué corresponder a una realidad física, como la prevalencia
de enfermedad en un grupo definido de pacientes. Definimos probabilidad en medicina
como un número entre 0 y 1 que expresa la opinión de un médico sobre
la probabilidad de que una condición esté presente o ocurra en el futuro. los
La probabilidad de que ocurra un evento que un médico cree con certeza es igual a 1. La
La probabilidad de que un evento que un médico crea que es seguro no ocurrirá es igual a 0.
Puede aplicarse una probabilidad al estado actual del paciente (p. Ej., Que
tiene enfermedad de las arterias coronarias), o puede usarse para expresar la probabilidad de que
un evento ocurrirá en el futuro (por ejemplo, que experimentará un miocardio
infarto dentro de un año).
Cualquier grado de incertidumbre puede expresarse en esta escala. Tenga en cuenta que
los eventos inciertos se expresan con números entre 0 y 1. Ambos extremos de
la escala corresponde a absoluta certeza. Un evento que seguramente ocurrirá es
expresado con una probabilidad igual a 1. Un evento que es seguro que no ocurrirá
se expresa con una probabilidad igual a 0.
¿Cuándo debe un médico utilizar la probabilidad en el proceso de diagnóstico? El primero
El momento en que la probabilidad es útil en el proceso de diagnóstico es cuando el clínico
siente que necesita sintetizar la información médica que ha obtenido en el
entrevista médica y examen físico para obtener una opinión. En esta intersección
el clínico quiere ser preciso sobre la incertidumbre porque está preparada
p [enfermedad] = 0,33
0 0,5 1.0
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

el paciente no está enfermo. Puede decidir que necesita más información.

y ordenará una prueba de diagnóstico. Puede decidir que sabe lo suficiente para
iniciar al paciente en un tratamiento específico. Para decidir entre estas opciones, ella
no necesita conocer el diagnóstico. Ella necesita estimar la
probabilidad de que tenga, como en el caso del Sr.Costin, enfermedad de las arterias coronarias como
la causa de su dolor en el pecho.
Un médico llega a una estimación de probabilidad para una hipótesis de enfermedad utilizando
experiencia personal y la literatura publicada. Consejos sobre cómo estimar
La probabilidad se encuentra en el Capítulo 3.
1.3 ¿Cómo interpreto la nueva información de diagnóstico?
La nueva información de diagnóstico a menudo no revela el verdadero estado del paciente y

lo mejor que puede hacer un médico es estimar cuánto tiene la nueva información
cambió su incertidumbre al respecto. Esta tarea es difícil si uno está describiendo
incertidumbre con las palabras. Sin embargo, si el médico expresa incertidumbre
con probabilidad, puede usar el teorema de Bayes para estimar cuánto
la incertidumbre sobre el verdadero estado de un paciente debería haber cambiado. Para usar Bayes '
teorema un clínico debe estimar la probabilidad de enfermedad antes de la nueva
Se recopiló información (la probabilidad previa o la probabilidad previa a la prueba) y
conocer la precisión de la nueva información de diagnóstico. La probabilidad de
La enfermedad que resulta de interpretar nueva información de diagnóstico se llama
la probabilidad posterior (o probabilidad posterior a la prueba). Estas dos probabilidades son
ilustrado en la Figura 1.3.
El capítulo 4 describe cómo utilizar el teorema de Bayes para estimar la posprueba
probabilidad de una enfermedad.
De Bayes
teorema
Previo Posterior
probabilidad probabilidad
0 0,5 1.0
Figura 1.3 Probabilidad previa a la prueba y probabilidad de enfermedad posterior a la prueba.
1.4 ¿Cómo selecciono la prueba de diagnóstico adecuada?
Aunque la selección de una prueba de diagnóstico es aparentemente sencilla, la

El razonamiento debe tener en cuenta varios factores. En el lenguaje de la medicina
análisis de decisiones, la selección de las pruebas de diagnóstico depende del paciente
sentimientos acerca de los estados de enfermedad y salud, la estimación del clínico de la
probabilidad de enfermedad, y la exactitud de las pruebas de diagnóstico que el médico
está tratando de elegir entre.
Página 18
Un enfoque lógico para seleccionar pruebas de diagnóstico depende de tres principios:

• Las pruebas de diagnóstico son imperfectas y, por lo tanto, rara vez revelan la
verdadero estado con certeza.
• Se deben elegir las pruebas si los resultados pueden cambiar la opinión del médico.
sobre qué hacer por el paciente.
• Los médicos a menudo comienzan el tratamiento cuando no están seguros de la verdadera

estado del paciente.

Estos tres principios conducen a un concepto importante: la selección de
pruebas depende del nivel de certeza en el que un médico está dispuesto a
iniciar el tratamiento. Este nivel de certeza se conoce como umbral de tratamiento.
probabilidad. Cómo utilizar la probabilidad de umbral de tratamiento para tomar decisiones
es un tema del Capítulo 9.
Un médico debe tomar dos pasos para evaluar la probabilidad del umbral de tratamiento
de enfermedad. El primer paso es enumerar los daños y beneficios del tratamiento. los
El segundo paso es evaluar los sentimientos del paciente sobre estos daños y beneficios. A
El analista de decisiones evalúa las actitudes de un paciente hacia los riesgos y beneficios de
tratamiento utilizando una unidad de medida llamada utilidad . Medir las utilidades de un paciente
se trata en el Capítulo 8 de este texto.
1.5 ¿Cómo elijo entre varios tratamientos de riesgo?

¿alternativas?
Elegir entre alternativas de tratamiento de riesgo es difícil porque el resultado

de la mayoría de los tratamientos es incierto: algunas personas responden al tratamiento pero otras
no. Si el resultado de un tratamiento se rige por el azar, un médico
no puede saber de antemano qué resultado del tratamiento resultará. Debajo
En estas circunstancias, la mejor manera de lograr un buen resultado es elegir el
alternativa de tratamiento cuyo resultado medio es el mejor. Este concepto se llama
toma de decisiones de valor esperado . La toma de decisiones de valor esperado es el tema de
Capítulos 6, 7 y 11.
1.6 Resumen
El cuidado de los pacientes es difícil en parte debido a la incertidumbre inherente

en la naturaleza de la información médica: las pruebas son imperfectas y los tratamientos
tener consecuencias impredecibles. La aplicación de probabilidad, utilidad y
La toma de decisiones del valor esperado proporciona un marco para tomar las decisiones correctas.
decisión a pesar de la incertidumbre de la práctica médica. Análisis de decisiones médicas
ayuda a los médicos y pacientes a afrontar la incertidumbre.
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

El capítulo tiene cuatro partes:

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
2.1 Introducción
El diagnóstico diferencial es el proceso de considerar las posibles causas de una

síntoma o hallazgo físico del paciente y hacer un diagnóstico. Diferencial
El diagnóstico es una salvaguardia contra conclusiones prematuras, así como un tiempo
método probado para atacar lo que puede ser un intelectual sumamente difícil
desafío. Todos los médicos, independientemente de su especialidad, utilizan el diagnóstico diferencial
y esfuérzate por dominarlo. Para muchos médicos, ser llamado un excelente diagnosticador
es la forma más elevada de alabanza.
El desafío del diagnóstico diferencial : un paciente visita su consultorio en un

tarde ocupada debido a un síntoma. Ella quiere que descubras la razón
para el síntoma y luego cúrelo de forma rápida y sin dolor. Debes descubrir su
causar o al menos asegurarse de que no se debe a una enfermedad grave y tratable.
Esta tarea puede ser difícil, especialmente cuando el síntoma tiene muchos posibles
causas. Es difícil recordar una larga lista de posibles causas o las características clave de
incluso una causa del síntoma. Además, estas características clave ocurren típicamente en
más de una enfermedad. La presión del tiempo a menudo se suma a las dificultades intelectuales.
Los propósitos de la entrevista : La entrevista médica tiene muchos propósitos.

El primer objetivo es establecer una relación de confianza mutua con el paciente.
Otro objetivo es observar al paciente de cerca en busca de pistas que puedan ayudarlo a concentrarse.
su investigación. Un tercer objetivo es reducir la lista de enfermedades que podrían
causando el problema del paciente y centre el examen físico en unos pocos
posibles diagnósticos. Posteriormente viene el examen físico y las decisiones
sobre si realizar pruebas de diagnóstico.
Página 20
2.2 Cómo los médicos hacen un diagnóstico
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.

El proceso que describiremos se basa en escuchar diagnósticos de expertos.

Los técnicos piensan en voz alta mientras resuelven un problema de diagnóstico. Diagnosticadores, expertos
o no, utilice un proceso similar. El experto tiene un fondo más grande y accesible de
conocimiento que el médico promedio. Parte de este conocimiento proviene de
libros de texto y artículos, pero la mayoría proviene de haber visto pacientes similares
y recordar su diagnóstico (reconocimiento de patrones).
El mensaje para los estudiantes principiantes es doble. Primero, aprenderán un
proceso que es la base de la excelencia en el diagnóstico. Segundo, el camino
a la excelencia está abierto a quienes se esfuerzan constantemente por ampliar su experiencia
sumergiéndose en la medicina clínica y los detalles importantes de
pacientes individuales y su destino final. Cuanto más te desafías a ti mismo,
cuanto más aprenderá y más experto se volverá. Tu no
mejorar jugando a lo seguro y evitando exponerse a la posibilidad de ser
equivocado. De hecho, los expertos le dirán que aprenden más si se equivocan.
que por tener razón.
El misterio central de la educación médica es cómo los estudiantes adquieren habilidades en
diagnóstico diferencial. Este tema rara vez se enseña como disciplina formal. Más
aprenda mientras habla de pacientes específicos con un maestro clínico. Esta brecha en el
El currículo médico se comprende fácilmente: nuestra comprensión de los métodos
utilizado por expertos en diagnóstico apenas aguantaría una hora de conferencia. Qué
que sabemos sobre el diagnóstico diferencial es el resultado de una investigación en la que
los médicos '' piensan en voz alta '' a medida que avanzan en un diagnóstico
problema. Estas observaciones se pueden resumir en cinco conclusiones:
1. Las hipótesis se generan al principio de la entrevista.
2. En cualquier momento, solo se están considerando activamente unas pocas hipótesis.
3. La información recién adquirida a menudo se usa incorrectamente.
4. Los médicos a menudo no aprovechan al máximo la experiencia pasada con
pacientes lar.
5. La habilidad de un médico en el diagnóstico diferencial varía de un tema a otro; más
la experiencia suele significar una mayor pericia.
Página 21
Diagnóstico diferencial 9
Cada una de estas conclusiones requiere un comentario adicional:

1. Las hipótesis se generan temprano: a menudo se instruye a los estudiantes principiantes
para obtener todos los datos relevantes antes de comenzar a excluir enfermedades del
lista de posibles causas de la queja del paciente. Pronto superan esto
enseñanza equivocada. Los médicos experimentados observan de cerca al paciente mientras
presentarse y, a menudo, comienzan a sacar conclusiones tentativas antes
el paciente ha hablado. Tan pronto como identifiquen la queja principal del paciente,
utilizan la edad y el sexo del paciente para ayudar a identificar el diagnóstico principal
posibilidades. Los buenos diagnosticadores le pedirán al paciente que cuente la historia del
queja principal mientras escuchan, observan y formulan hipótesis. Estos
hipótesis determinan sus primeras preguntas específicas, y las respuestas traen
otras hipótesis en mente.
Conclusión : la recopilación de datos se basa en hipótesis.
2. Solo se consideran algunas hipótesis simultáneamente: Investigación sobre cog-

nition muestra que la mente humana tiene una memoria de trabajo limitada. Tal como
un malabarista puede mantener solo unos pocos objetos en el aire a la vez, por lo que el clínico puede
considere sólo unas pocas hipótesis simultáneamente.

El médico comienza a evaluar una hipótesis haciendo coincidir la

hallazgos con la representación interna, o modelo, de la enfermedad por parte del médico.
A veces, esta representación interna es la fisiopatología de la afección.
Un trastorno fisiopatológico causa otro, como se infiere por la lógica
deducción, que conduce a otra y eventualmente a la conducta clínica esperada.
ifestaciones. Razonar hacia atrás a lo largo de esta cadena de deducciones lógicas puede
conducir a la causa del problema del paciente. Una forma de recordar el diferencial
El diagnóstico de un sodio sérico bajo es razonar deductivamente del patógeno
fisiología de la condición. Las investigaciones indican que los diagnosticadores expertos
utilizar el razonamiento fisiopatológico principalmente para casos difíciles y atípicos. Experto
los diagnosticadores suelen tener un excelente conocimiento de la fisiopatología.
Más a menudo, el médico utiliza un modelo asociativo de enfermedad, también conocido
como reconocimiento de patrones. Los modelos asociativos consisten en hallazgos clínicos, enfermedad
progresión, características predisponentes y complicaciones asociadas
atado con una enfermedad. El médico pregunta sobre las características típicas de una enfermedad.
ya menudo es capaz de eliminar hipótesis únicamente de las respuestas del paciente.
Las hipótesis que no pueden descartarse fácilmente se prueban más a fondo durante el
examen físico. Otra marca de un diagnosticador experto es la capacidad
para hacer coincidir rápidamente los hallazgos del paciente con un patrón de manifestaciones de la enfermedad.
A menudo, los hallazgos del paciente le recuerdan al médico un paciente similar visto
muchos años antes. Los médicos expertos conservan estas experiencias y pueden recordar
pacientes específicos de muchas décadas antes.
El misterio supremo del razonamiento clínico es el proceso cognitivo que
los médicos suelen descartar o confirmar una hipótesis. Varios modelos de este
Se ha propuesto el proceso. Estos modelos se basan en analizar qué
los médicos dicen sobre cómo prueban hipótesis:
Página 22
• Modelo aditivo : en un modelo lineal, los médicos asignan un peso positivo

a hallazgos que tienden a confirmar un diagnóstico y pesos negativos a
hallazgos que no confirman el diagnóstico. En alguna cognitiva desconocida
proceso, el clínico decide descartar o aceptar una hipótesis basada
sobre la suma de las ponderaciones de diagnóstico. Las reglas de predicción clínica usan esto
modelo (ver Capítulo 3). Los médicos probablemente asignan pesos subjetivamente
e inconscientemente. En el contexto de este capítulo, el análogo del
El peso diagnóstico de un hallazgo podría ser la razón de probabilidad del hallazgo.
La razón de verosimilitud indica si las probabilidades de la condición objetivo van
hacia arriba o hacia abajo y por cuánto. Se trata, por tanto, de un análisis empírico y cuantitativo.
medida de los cambios en las probabilidades de la condición objetivo (ver Capítulos
4 y 5).
• Modelo bayesiano : el teorema de Bayes es el método para calcular la posprueba
probabilidad de la condición objetivo. El teorema de Bayes le dice al clínico
cuánta información nueva debería cambiar la probabilidad. Por analogia,
los médicos pueden cambiar su creencia en una hipótesis con cada nuevo elemento
de información y concluir en algún momento que la probabilidad es baja
suficiente para descartar la hipótesis.
• Modelo algorítmico : los algoritmos se utilizan comúnmente para representar la lógica
de diagnóstico. ¿Los médicos siguen un diagrama de flujo interno con ramificaciones?
lógica mientras prueban una hipótesis? ¿Una serie de ramificaciones '' no '' eventualmente
¿llevar a descartar una hipótesis? No sabemos.
Sin lugar a dudas, los médicos utilizan las características de estos modelos, sin duda especulativos, como
consideran una hipótesis diagnóstica, pero la esencia del razonamiento diagnóstico

elude la comprensión.
3. La información recién adquirida a menudo se usa de manera inapropiada: ocurren errores

cuando un clínico comienza a creer en una hipótesis diagnóstica. El clínico
puede ignorar información contradictoria o malinterpretarla como confirmación de una existencia
hipótesis cuando la acción correcta es ignorarla, úsela para rechazar
la hipótesis, o utilícela como pista para una nueva hipótesis. El clínico puede
exagerar la importancia de los hallazgos que encajan con una idea preconcebida o
acomodar datos inconsistentes reformulando una hipótesis hasta el punto
donde es demasiado general para ser probado con parsimonia.
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
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.
Conclusión : la pericia requiere una profunda experiencia clínica.
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.
2.3 Los principios del diferencial impulsado por hipótesis

diagnóstico
La conclusión más importante de la investigación sobre cómo los expertos hacen un

diagnóstico es que las preguntas que están haciendo en cualquier momento están destinadas
para probar el pequeño número de hipótesis de diagnóstico que están considerando en
ese momento. En otras palabras, la función principal de la entrevista y física

El examen es para probar hipótesis de diagnóstico. Pensar en este principio puede

Ayudar al médico a reorientar la entrevista sobre el tema cuando amenaza con
desviarse.
Mientras lee este capítulo, imagine que está evaluando a un paciente con
un síntoma principal de "dolor torácico nocturno durante un mes". El dolor es un
Opresión subesternal que comienza aproximadamente una hora después de acostarse. Una completa
La evaluación de esta queja incluirá los siguientes pasos:
1. Tomando la historia.
2. Realización de un examen físico.
3. Selección e interpretación de pruebas diagnósticas.
4. Elección de un tratamiento.
Este libro cubrirá los principios subyacentes a cada uno de estos pasos en consideración
detalle erable. El propósito de este capítulo es describir los procesos de pensamiento
que orientan la anamnesis y la exploración física. Los capítulos siguientes preparan
el lector para elegir las pruebas de diagnóstico y la terapia.
El diagnóstico diferencial es un proceso cíclico que consta de tres pasos que
en última instancia, conducen a un cuarto paso, la adopción de medidas (Figura 2.1).
Página 24
Generar hipótesis
Reúna datos para probar hipótesis
NO
Prueba de hipótesis
¿Está confirmada alguna de las hipótesis?
SÍ
TOMAR ACCIÓN
Figura 2.1 El proceso cíclico de diagnóstico diferencial.
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.
2.3.1 El primer paso en el diagnóstico diferencial: escuchar y

generando hipótesis
Este proceso comienza cuando el paciente expresa la queja principal. La mayoría de los médicos
pedir al paciente que proporcione un relato cronológico de su enfermedad a partir de su
comenzando. Este enfoque proporciona información valiosa y perspectiva sobre
la enfermedad del paciente. También respeta al paciente. Mientras el paciente cuenta su historia,
el clínico tiene tiempo para pensar, anotar algunos diagnósticos para considerar y
Observe al paciente en busca de pistas de diagnóstico.
La generación de hipótesis comienza al comienzo de la entrevista. El primero
El catalizador para la generación de hipótesis suele ser la principal queja, aunque
la apariencia y la agilidad del paciente al tomar asiento en la sala de exploración
también proporcionan un contexto para interpretar la historia. Como se muestra en la Figura 2.2, el

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
La historia del paciente genera la mayoría de las hipótesis. El examen fisico

Suele ser un momento para recopilar pistas objetivas para confirmar o descartar una hipótesis.
Por ejemplo, un paciente que se queja de dificultad para respirar suele evocar
la hipótesis de insuficiencia cardíaca. Si el paciente no tiene estertores pulmonares,
venas del cuello elevadas, agrandamiento cardíaco o un tercer ruido cardíaco, insuficiencia cardíaca
es un diagnóstico mucho menos probable.
Después del examen físico, un médico capacitado tendrá solo unos pocos
restantes hipótesis por evaluar. El siguiente paso puede ser iniciar el tratamiento,
hacer una prueba de diagnóstico (consulte el Capítulo 9), o simplemente espere unos días para ver si
La queja se resuelve espontáneamente.
Recuerde que la queja de nuestro paciente es '' dolor torácico subesternal nocturno para
un mes ''. Esta queja podría suscitar varias de las siguientes hipótesis:
Pulmón : Tórax óseo: Esofágico:

- neumonía - fractura de costilla - esofagitis por reflujo
- pulmonar - Contractura muscular - espasmo esofágico
émbolo - costocondritis - rotura esofágica
- tuberculosis - cáncer de esófago
- tumor
- neumotórax
Pericárdico o Grandes vasos: Cardíaco:

pleural : - disección - arteria coronaria
- pericarditis aneurisma enfermedad
- pleuritis - estenosis aórtica
Mediastínico : Dolor referido:

- mediastinitis - colecistitis
- tumor - úlcera péptica
- pancreatitis
- artritis cervical
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
• 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 ''.
Ejemplo : asegúrese de considerar dos relativamente infrecuentes pero tratables

causas del dolor torácico, neumonía y neumotórax de nuestro paciente (un
bolsa de aire dentro del tórax y fuera del pulmón). Puedes con seguridad
retrasar la prueba de hipótesis sobre enfermedades que se benefician relativamente poco de
tratamiento, como tensión muscular.
Este ejemplo es un recordatorio de que siempre siguiendo la secuencia habitual

de la anamnesis seguida de un examen físico puede poner en peligro la
paciente. Algunos diagnósticos, como el neumotórax, son muy importantes
tratar con prontitud, no tienen antecedentes característicos, pero sí
hallazgos físicos característicos. Si el paciente está muy angustiado,
primero debe hacer un examen físico específico para descartar
enfermedades, como neumotórax. Asimismo, palpando suavemente el abdomen de
alguien que se queja de dolor abdominal severo puede proporcionar pistas sobre
Enfermedades graves que pueden progresar rápidamente, como peritonitis o abdominales.
aneurisma. El examen físico en estos pacientes proporciona un contexto
por tomar la historia.
2. ¿Qué debo hacer cuando no puedo pensar en posibles diagnósticos? Comenzando

los estudiantes son las principales víctimas de este problema. Incluso médicos experimentados
tiene problemas cuando la queja del paciente es vaga.
• Quejas vagas e inespecíficas : las hipótesis pueden tardar en venir a la mente
cuando la queja principal del paciente no es específica, como debilidad
o fiebre, que puede ser causada por muchas enfermedades diferentes. Mientras que la mayoría
los médicos tienen dificultades para recordar largas listas de posibles diagnósticos,
La dependencia de la memoria es innecesaria en la era de las computadoras portátiles.
Cuando la queja principal no sea específica, pregunte al paciente sobre otras
síntomas que comenzaron casi al mismo tiempo que su queja principal. Uno
de estos pueden tener una lista mucho menor de posibles causas de la enfermedad del paciente
enfermedad. Por ejemplo, un paciente con fiebre baja puede ofrecer voluntariamente que
su rodilla derecha le ha estado molestando desde que empezó la fiebre. Localizado
El dolor articular, especialmente con fiebre, sugiere un número relativamente pequeño de
diagnósticos.
Si este enfoque falla, muchos médicos recurren a un método tradicional
técnica: hacer la revisión de los sistemas inmediatamente, en lugar de en el
final de la entrevista. Varios hallazgos pueden fusionarse en un patrón que
sugiere un síndrome o enfermedad. Otra queja, más específica, puede
surgir. Esta técnica tiene un riesgo inherente: puede olvidar el original.
queja a medida que se concentra en problemas que se resuelven más fácilmente.

Ejemplo : si nuestro paciente con dolor en el pecho se presentó con un jefe

queja de gas intestinal excesivo, un médico experimentado podría hacer
Página 27
la revisión de los sistemas en lugar de tratar de pensar en las causas de este

queja principal no específica. Esta estrategia puede provocar que el tórax del paciente
dolor, que se convertiría en el punto de partida para el diagnóstico diferencial.
• Fallo de memoria : para superar un lapso temporal de memoria, piense en

categorías de enfermedades en lugar de intentar recordar enfermedades específicas. Primero,
piensa en anatomía. Trate de identificar el sistema de órganos que es probable
fuente de los síntomas del paciente. Luego, concéntrate en las enfermedades de ese
sistema de órganos. Esta estrategia generalmente reduce el número de enfermedades a
considerar. Una vez que haya identificado un sistema corporal, piense en categorías de
etiología. La mayoría de las enfermedades se encuentran en una de las siguientes categorías: congénitas,
infecciosas, neoplásicas, degenerativas o metabólicas.
Ejemplo : en nuestro paciente, primero evalúe la hipótesis de que el paciente

El dolor de pecho es causado por una enfermedad de la pared torácica en lugar de considerar la
muchas posibles causas musculoesqueléticas de dolor torácico individualmente. Si el
El dolor tiene las características del dolor de la pared torácica (dolor al respirar profundamente
o movimiento; dolor al palpar el tórax), piense en la anatomía
componentes de la pared torácica y las enfermedades que los afectan (hueso,
nervio, cartílago y músculo).
En la era anterior a las computadoras de mano, el bolsillo de un abrigo contenía un cuaderno

enumerando las principales quejas comunes y sus causas. El otro bolsillo sostuvo
un estetoscopio. Ahora el estetoscopio se coloca alrededor del cuello y el
El bolsillo del abrigo tiene una computadora de mano. El principio no ha cambiado:
confiar en la memoria es una mala práctica.
2.3.2 El segundo paso en el diagnóstico diferencial: recopilación de datos para

probar hipótesis
Después de acumular algunas hipótesis, haga preguntas específicas para probar cada
hipótesis. Esta fase de la toma de la historia a veces se llama la
examen. El contrainterrogatorio es la parte más activa de la historia clínica.
porque varias hipótesis de diagnóstico se están considerando en rápida sucesión
cesión. Las respuestas a varias preguntas de prueba de hipótesis pueden excluir
un diagnóstico mientras se eleva a otro a la "lista activa".
Las hipótesis están bajo consideración activa sólo brevemente, mientras que otras sobreviven
el contrainterrogatorio y son reexaminados durante el examen físico y
más allá de.
La recopilación de datos puede llevar bastante tiempo. Aquí hay varios eficientes
estrategias para la anamnesis y la exploración física:
1. Pantalla y rama.
2. Utilice los hallazgos patognomónicos.
3. Considere el costo de la información adicional.
4. Evite obtener información simplemente para tranquilizarse.

Página 28
dieciséisToma de decisiones médicas
En el resto de esta sección, discutiremos cada una de estas estrategias.

en detalle.
1. Cribado y rama : en el cribado y la ramificación, el médico pasa de

una hipótesis a otra con una o dos preguntas de cribado, en lugar de
explorando cada hipótesis en profundidad. El médico pregunta sobre un hallazgo clínico.
que casi siempre está presente en pacientes con una enfermedad ( cribado ). Si el
hallazgo no está presente, el clínico elimina la hipótesis de diagnóstico y
pasa a otras hipótesis ( ramificación ).
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.
2. Hallazgos patognomónicos : una buena pregunta de cribado excluye la enfermedad; a

El hallazgo patognomónico establece un diagnóstico. Un hallazgo patognomónico
ocurre en una sola enfermedad. Los hallazgos patognomónicos mejoran el diagnóstico
eficiencia, pero existen muy pocos hallazgos de este tipo. Verificación de una afirmación de que un hallazgo
es patognomónico es muy difícil porque el demandante debe demostrar que todos

Página 29
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!).
3. Considere el costo de la información : a medida que la información se vuelve difícil de obtener,

sopesar los daños y costos de obtener la información con su potencial
beneficios. Este principio no se aplica a la historia y al examen físico,
que es económico y seguro de obtener, excepto cuando un examen excesivamente completo
la historia clínica y el examen físico retrasan los esfuerzos para tratar a una persona críticamente enferma.
Ejemplo : realización de una arteriografía coronaria en pacientes de mediana edad asintomáticos

Los hombres ocasionalmente identificarán a alguien cuya vida podría verse prolongada por
Cirugía de bypass coronario. La mayoría de los médicos piensan que probar varios cientos
que los hombres detecten a una persona que podría beneficiarse no vale la pena.
4. Evite obtener información simplemente para tranquilizarse : para mejorar la eficiencia,

Evite obtener más datos de los necesarios para tomar una decisión. Más
Los médicos comienzan con frecuencia el tratamiento sin estar absolutamente seguros de la
diagnóstico. En el Capítulo 9, argumentaremos que la búsqueda de diagnóstico debe detenerse
cuando más información no cambiaría la decisión.
2.3.3 Prueba de hipótesis

La prueba de hipótesis es la parte más importante pero menos comprendida de las diferencias.
diagnóstico inicial. En esta sección, consideramos los principios para evaluar hipótesis.
Éstos incluyen:
1. Principios para comparar dos hipótesis.
2. Principios para reducir la lista de hipótesis activas.
3. El paso final: probar la idoneidad de la explicación propuesta para la
queja del paciente.
1. Principios para comparar dos hipótesis : las hipótesis a menudo se evalúan

en pares. En esta comparación directa, se descarta la hipótesis menos probable.
La hipótesis restante se mantiene en la lista de hipótesis activas y
luego se comparó con otra hipótesis. Las reglas para recoger en el patio de la escuela
los juegos de baloncesto son similares: el ganador de un juego juega con el siguiente retador
y sigue jugando hasta perder finalmente. Luego, los jugadores se sientan y esperan su turno.
ser un retador.
Página 30
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.
• Si es más probable que el patrón de hallazgos del paciente ocurra en el diagnóstico A

que el diagnóstico B, favorecen el diagnóstico A.
Ejemplo : en un paciente con dolor en el pecho que se agrava con la respiración,

Los signos de consolidación pulmonar son más comunes en la neumonía que
en una costilla fracturada. Al decidir entre neumonía y fractura de costilla,
deberíamos favorecer la neumonía si hay consolidación. Esta declaración es
equivalente a decir que los hallazgos del paciente son más representativos de
neumonía que de una costilla fracturada. Es un ejemplo de representatividad
heurística , que discutiremos en el Capítulo 3. Este principio también sigue
de la definición de la razón de verosimilitud, que es el número único
que mejor caracteriza el valor de la información contenida en un patrón
de los hallazgos clínicos (véanse los Capítulos 4 y 5).
• La evidencia sólida en contra de una hipótesis aumenta la probabilidad de que

otra hipótesis es correcta. Este principio se deriva del requisito
que la suma de las probabilidades de un conjunto de hallazgos mutuamente excluyentes
debe sumar 1. Por lo tanto, si el paciente no tiene un hallazgo
que suele estar presente en el diagnóstico A, el diagnóstico A se vuelve menos probable
y diagnóstico B más probable. Este principio subyace en el '' diagnóstico de
exclusión '', en la que asumimos que una enfermedad está presente porque tenemos
excluidas todas las demás enfermedades.
Después de tomar la historia, a menudo quedan varias hipótesis. Usando el
principios que acabamos de describir, el clínico puede reducir aún más esta lista durante el
examen físico. Sin embargo, a menudo puede quedar más de una hipótesis
después de realizar el examen físico. Pruebas de diagnóstico o reevaluación a
poco tiempo después puede resolver un impasse diagnóstico, pero primero se debe intentar
Página 31
Reducir el número de hipótesis activas, aunque solo sea para reducir el número de pruebas.
para elegir entre.
2. Principios para reducir la lista de hipótesis activas :

(a) Clasifique las hipótesis restantes y enumere la evidencia para cada una y en contra
cada.

(b) Considere la regla de la parsimonia: un diagnóstico es probablemente responsable de

la queja del paciente.
(c) Combinar diagnósticos que requieran el mismo tratamiento.
Clasifique las hipótesis activas restantes : Clasifique las hipótesis activas de
el más probable al menos probable. Enumere la evidencia para cada hipótesis.
Comprometer sus ideas en papel puede recordarle algunos datos necesarios,
ayudar a eliminar algunas hipótesis y poner la situación en perspectiva.
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.
La regla de la parsimonia : De acuerdo con la regla de la parsimonia, el paciente

La queja es causada por una sola enfermedad, con raras excepciones. Esta
La regla es una aplicación de un principio de lógica, que establece que la simple
Por lo general, se prefieren las explicaciones a las complicadas (las explicaciones de Occam
maquinilla de afeitar). En un contexto médico, implica que el clínico debería eventualmente
Reducir la lista de hipótesis activas a una sola enfermedad.
La regla de la parsimonia se basa en un teorema básico de probabilidad
teoría: la probabilidad de que dos eventos no relacionados ocurran simultáneamente
es la probabilidad de un evento multiplicada por la probabilidad del otro
evento. El producto de las dos probabilidades es un número mucho menor
que la probabilidad de que cualquiera de los dos eventos ocurra por sí mismo. La regla de
La parsimonia es probablemente confiable en personas previamente sanas, pero puede ser
menos confiable en personas con varias enfermedades crónicas. En este caso, dos
Es menos probable que las hipótesis de diagnóstico sean independientes entre sí,
lo que aumenta la probabilidad de que ambos estén presentes.
La regla de la parsimonia debe ignorarse ocasionalmente. Primero el
La probabilidad de que dos enfermedades comunes ocurran simultáneamente puede ser
mayor que la probabilidad de una sola enfermedad rara. En segundo lugar, cuando la demora
en el tratamiento de dos enfermedades hipotéticas podría tener graves consecuencias,
Es mejor tratar ambos hasta que sea posible hacer un diagnóstico definitivo.
Ejemplo : si nuestro paciente con dolor en el pecho presentaba fiebre, tos

con esputo con estrías de sangre, un roce de fricción pleural y un pulmón
infiltrarse en una radiografía de tórax, podría tener embolia pulmonar
o neumonía. Un diagnóstico de sospecha de neumonía requiere 24 horas.
confirmar mediante el cultivo de esputo o sangre. Pruebas para diagnosticar sospechas
Página 32
Es posible que la embolia pulmonar no esté disponible en todo momento. Experimentado

El médico comenzará la terapia para estas dos enfermedades potencialmente mortales mientras
esperando más información.
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

antiácidos, podría tener esofagitis o espasmo esofágico. Dis-

tinguir entre estas dos hipótesis es innecesario, porque ambas
las enfermedades requieren tratamiento para reducir la secreción de ácido gástrico.
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.
Ejemplo : Repasemos la historia de nuestro paciente con dolor torácico. El director

Las características clínicas son:
• Una queja principal de "dolor de pecho nocturno durante un mes".
• El dolor es una opresión subesternal que comienza aproximadamente una hora después de acostarse.
• No está relacionado con el esfuerzo y no se ve afectado por los antiácidos.
• No hay ninguna lesión reciente y no hay fiebre ni tos.
• El examen físico es normal.
Hemos descartado varias categorías de enfermedades porque la historia del paciente

es incompatible con las características clave de estas categorías. Causas musculoesqueléticas
son poco probables porque la historia no incluye trauma reciente y presión
en el pecho no reproduce el dolor. La infección es poco probable ya que la fiebre
Los escalofríos, la tos y los signos de enfermedad pulmonar están ausentes. Finalmente, el dolor
no se alivia con antiácidos. Este hallazgo reduce la probabilidad de esofagitis.
o espasmo esofágico, pero no elimina por completo esta hipótesis, ya que
la ubicación y el inicio del dolor después de acostarse son consistentes con este
Página 33
diagnóstico. La hipótesis activa restante es una forma atípica de enfermedad coronaria.

enfermedad arterial ("angina de pecho atípica").
La enfermedad arterial coronaria atípica es una explicación coherente de la
queja porque da cuenta de todos los hallazgos. Es una explicación consistente
porque todos los hallazgos son consistentes con esta hipótesis. El espasmo esofágico es
no es una explicación consistente porque los antiácidos no alivian el dolor.
2.3.4 Seleccionar un curso de acción

Cuando las hipótesis activas se han clasificado en orden de plausibilidad, la
El médico debe decidir qué hacer a continuación. Las tres opciones son:
• Tratar.
• Reúna más información ahora.
• Retenga el tratamiento. Puede surgir evidencia adicional como una hipótesis
se permite que la enfermedad siga su historia natural.
La elección entre estas tres alternativas está guiada por la probabilidad (cómo

¿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".
2.4 Un ejemplo extendido
El siguiente escenario es una transcripción de una entrevista imaginaria entre un

médico y paciente. Presentamos el escenario para ilustrar los conceptos que
acabo de presentar. Kassirer y col . (2009) proporcionan muchos ejemplos de médicos
"pensar en voz alta" mientras resuelven un problema de diagnóstico de dificultad.
Página 34
Doctor: ¿Cómo puedo ayudarlo hoy?

Paciente: Son estos dolores de cabeza los que he estado teniendo.
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 .
Comentario : el médico comienza a formular hipótesis tan pronto como el paciente

expresa su principal queja. En este punto, el médico le pedirá al paciente que
contar su historia. Después de escuchar la narración, interroga al paciente para
proporcionar los detalles necesarios y probar hipótesis.
Doctor : ¿Cuánto tiempo ha estado sucediendo esto?

Paciente : Durante años, pero ahora es peor.
Doctor : ¿Con qué frecuencia tiene estos dolores de cabeza?
Paciente : Solía recibirlos un par de veces al mes, pero ahora casi me
diario.
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 .

Comentario : el médico está comenzando a hacer preguntas de detección que ayudarán

para excluir algunos diagnósticos (p. ej., es poco probable que muchos tipos de meningitis con un
dolor de cabeza crónico) y servirá para aumentar la probabilidad de otros diagnósticos
(p. ej., los dolores de cabeza vasculares y tensionales son sugeridos por el presente
patrón).
Médico : ¿Ha notado algún otro síntoma con el cambio en su

dolores de cabeza?
Paciente : Bueno, sí. Mi visión ha sido bastante borrosa a veces. Además, yo no
Creo que mi apetito es igual de bueno y no duermo muy bien.
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 .
Doctor : ¿Ha tenido fiebre?

Paciente : No.
Doctor : ¿Ha tenido falta de coordinación o debilidad o parálisis?
Paciente : No.
Médico : ¿Ha notado entumecimiento, debilidad o pérdida de sensibilidad en
una parte de tu cuerpo?
Paciente : No.
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
Comentario : Con estas preguntas de detección iniciales, el médico ha

probado y rechazado una serie de hipótesis. Cefalea tensional y vascular.
El dolor de cabeza sigue siendo una explicación probable de la queja del paciente. Tumor cerebral
y la infección parece bastante improbable. Como resultado de las respuestas al cribado
preguntas, el clínico no ha seguido estas hipótesis en profundidad. En esto
punto, ella hará preguntas para probar las hipótesis de que el paciente tiene tensión
dolor de cabeza o dolor de cabeza vascular.
En aras de la brevedad, no repetiremos toda esta conversación. Satisfacer

decir que, a medida que el clínico prueba las hipótesis, hace preguntas sobre
factores agravantes o precipitantes, factores de mejora y la relación
de los dolores de cabeza a la hora del día y la actividad física. Por supuesto, el clínico
También determina la ubicación y la naturaleza del dolor de cabeza, así como su respuesta.
a los medicamentos. Finalmente, obtiene un breve historial médico, que incluye
alergias y consumo de medicamentos, y uso de alcohol, tabaco o
otros estimulantes.
En este punto, el médico pasa al examen físico. Porque
muchas hipótesis ya han sido rechazadas, puede centrar su atención en
buscando evidencia para las hipótesis activas restantes. Ella tomará la sangre
presión y prestará especial atención a la cabeza, oídos, ojos, nariz y
garganta. Además, realizará un examen neurológico de detección para buscar
evidencia de tumor cerebral.
Después de completar el examen físico, el clínico reflexiona sobre lo que
ha aprendido y enumera las hipótesis activas restantes. Mientras ella tiene

estado probando hipótesis a lo largo del examen, ahora debe sopesar

la evidencia de las hipótesis activas restantes y decidir si hacer una
prueba de diagnóstico, comience un tratamiento específico o espere para ver si el dolor de cabeza se resuelve
espontáneamente.
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
¿Tiene una infección crónica, como meningitis tuberculosa o micótica? La ausencia

de cefalea nocturna u otros signos o síntomas sistémicos asociados de una enfermedad crónica
la enfermedad hace que la infección sea muy poco probable. No hay suficiente evidencia para perseguir estos
diagnósticos .
¿Qué pasa con otras causas comunes de dolor de cabeza, como el dolor de cabeza vascular? Él tiene
ninguno de los síntomas prodrómicos típicos. Además, su dolor de cabeza es más bien difuso.
que unilateral y con frecuencia se alivia con medicación analgésica simple. El también tiene
sin antecedentes familiares de migraña. Por lo tanto, sus síntomas no se ajustan a mi concepto de vascular.
dolor de cabeza en absoluto. Además, hay evidencia de cefalea tensional: su nuevo trabajo es
monótono y asociado con un aumento de la tensión visual. En este punto, creo que
la cefalea tensional es el diagnóstico más probable .
Comentario : Al seguir el análisis del médico, puede ver varias características de

razonamiento clínico. Primero, le dio un peso especial al dolor de cabeza tensional porque
es un diagnóstico común. En segundo lugar, consideró las cuestiones más serias y
causas tratables pero raras de dolor de cabeza. En cada caso, consideró los datos de
y contra esos diagnósticos y terminó eliminándolos como posibilidades.
Por supuesto, como cualquier buen clínico, reconsiderará estas posibilidades en un
fecha posterior si aparece nueva información o si el paciente no responde a
terapia. Finalmente, hizo una comparación por pares de los dos diagnósticos principales
hipótesis, cefalea tensional y cefalea vascular.
Ahora, el médico debe seleccionar un curso de acción. Ella debe reunir más
información, observar al paciente sin tratamiento o iniciar el tratamiento.
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.
Comentario : el médico intentará ayudar a aliviar los dolores de cabeza tensionales y

utilizará la "prueba del tiempo" para reevaluar otras posibilidades de diagnóstico. Si el
el dolor de cabeza no ha desaparecido o ha cambiado de carácter cuando el paciente
realiza una visita al consultorio en un mes, el médico puede repetir parte del examen físico
examen o puede obtener pruebas de diagnóstico.
El médico ha elegido un enfoque relativamente libre de riesgos. Ella no ha

Excluyó de manera evidente la posibilidad de una causa grave de dolor de cabeza. Al decidir
para renunciar a las pruebas de diagnóstico, ha llegado a la conclusión de que la probabilidad de encontrar
una causa tratable de dolor de cabeza es extremadamente baja. Además, el gasto y
Página 37
preocuparse de que los estudios de diagnóstico puedan engendrar que parezcan pesar más que el control remoto
posibilidad de un resultado que pudiera beneficiarla.
Conclusión : Incluso la más simple de las interacciones médico-paciente contiene la

elementos de la toma de decisiones racional. El uso de estos principios no
aumentar sustancialmente la cantidad de tiempo necesario para evaluar al paciente, especialmente
si se utiliza la estrategia de selección y ramificación para excluir hipótesis.
2.4.1 Aforismos clínicos

Los aforismos clínicos son destilados concisos y memorables de la experiencia clínica.
Los expertos en diagnóstico se basan en las siguientes reglas de sentido común para
razonamiento:
• Si escucha cascos, piense en caballos, no en cebras.
• Si el resultado de una prueba le sorprende, repita la prueba antes de actuar.
• No haga una prueba si el resultado no cambiará su manejo.
• Las manifestaciones raras de enfermedades comunes son a menudo más probables que
manifestaciones comunes de enfermedades raras.
• Su primera prioridad es pensar en las enfermedades que no puede permitirse pasar por alto.
Cuando haya leído este libro, podrá explicar cada uno de estos
aforismos.
Resumen
1. Los médicos experimentados formulan y prueban hipótesis de diagnóstico de

en el momento en que ven al paciente por primera vez. En cualquier momento, activamente
considere solo algunas hipótesis.
2. La investigación sobre cómo los médicos evalúan las hipótesis de diagnóstico ha demostrado
que comparan los hallazgos de sus pacientes con casos similares de sus
experiencia. Los diagnosticadores expertos parecen tener un mayor y más fácil
cuerpo de casos recordado.
3. El proceso de razonamiento clínico tiene cuatro pasos. Los primeros tres pasos
comprenden el proceso de diagnóstico diferencial, que es un proceso cíclico

que continúa a lo largo de la historia y el examen físico. El último

El paso ocurre cuando se completa la evaluación clínica.
Paso 1: generar hipótesis alternativas.
Paso 2: recopile datos.
Paso 3: use datos para probar hipótesis.
Paso 4: seleccione un curso de acción: trate, pruebe u observe.
4. Los médicos que deseen convertirse en expertos en diagnóstico deben recordar
que un enfoque sistemático para el diagnóstico diferencial es mucho más preferido
brillantes saltos de intuición. Dicho esto, el dominio también implica aprender
lecciones de una amplia exposición a los pacientes. Aprendemos mejor de nuestros errores.
Página 38
Bibliografía
Elstein, AS, Shulman, LS y Sprafka, SA (1978) Solución de problemas médicos: análisis de

razonamiento clínico , Harvard University Press, Cambridge, MA.
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.
Gorry, GA, Pauker, SG y Schwartz, WB (1978) La importancia diagnóstica de la

hallazgo normal. Revista de Medicina de Nueva Inglaterra , 298 , 486–9.
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.
Kassirer, JP, Wong, J. y Kopelman, R. (2009) Learning Clinical Reasoning , 2a ed.,

Lippincott, Williams y Wilkins, Baltimore, MD.
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
Probabilidad: cuantificación de la incertidumbre
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
3.1 Incertidumbre y probabilidad en medicina
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.
3.1.1 La naturaleza incierta de la información clínica

Imagine un hallazgo clínico que ocurrió en una enfermedad de la siguiente manera:
• siempre presente en pacientes con la enfermedad
- por lo tanto, si el hallazgo está ausente, la enfermedad está ausente;
• nunca presente en pacientes que no tienen la enfermedad
- por lo tanto, si el hallazgo está presente, la enfermedad está presente.

27
Página 40
No requeriríamos juicio clínico para diagnosticar la enfermedad; podría ser

suficiente para saber si este hallazgo estaba presente.
Este hallazgo clínico es ficticio, una ilusión. Ningún hallazgo clínico tiene esto
correspondencia perfecta e individualizada con una enfermedad. Por lo tanto, los médicos están
rara vez, si es que alguna vez, seguro de lo que implica un hallazgo sobre el verdadero estado del paciente.
Deben reconocer la siguiente triste verdad:
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.
Ejemplo 2 : Un hombre de 60 años se queja de dolor retroesternal que se irradia a

el brazo izquierdo. El ejercicio y el estrés emocional provocan el dolor, que se resuelve
inmediatamente cuando el paciente descansa o se calma. El médico del paciente
inicialmente cree que el dolor se debe a isquemia miocárdica y obtiene una
electrocardiograma de ejercicio. Para sorpresa del médico, la prueba de esfuerzo es
normal. Un ensayo de medicación para el dolor cardíaco isquémico conduce a la resolución
del dolor.
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?
Comentario : los estreptococos pueden residir en la mucosa faríngea sin causar

infección del tejido subyacente. Cultivar una garganta que está adolorida debido a
La faringitis viral puede revelar estreptococos que no son de importancia para el
paciente.

Página 41
Probabilidad: cuantificación de la incertidumbre 29
3.1.2 Probabilidad: un lenguaje para expresar incertidumbre

El lenguaje de los médicos refleja su comprensión de la incertidumbre. Al hablar
sobre una decisión difícil, el médico puede decir que está tratando al paciente
para una enfermedad que está '' posiblemente presente '' en lugar de una enfermedad que está '' probablemente
no está presente ''. La mayoría de los médicos utilizan estas palabras para describir gradaciones de creencias
en una hipótesis. Sin embargo, estas palabras pueden interferir con la expresión clara
incertidumbre, por las siguientes razones:
• Los médicos eligen diferentes palabras para expresar el mismo juicio sobre
la probabilidad de un evento futuro.
• Los médicos usan la misma palabra para expresar juicios muy diferentes sobre
la probabilidad de un evento.
• Las palabras no pueden describir con precisión cuánto ajustar la propia creencia en un
hipótesis de diagnóstico a medida que se dispone de nueva información.
Los médicos que usan palabras para comunicar su incertidumbre pueden sentirse seguros
que han transmitido su significado. De hecho, las palabras son enemigas de la claridad en
expresando incertidumbre . Cuando las palabras se mapean en una escala de probabilidad, el
los rangos de probabilidades que corresponden a diferentes palabras se superponen tanto
que las palabras no tienen significados únicos. Probabilidad , una cuantitativa
medios para expresar incertidumbre, evita esta ambigüedad.
Definición de probabilidad : un número entre 0 y 1 que expresa una opinión.

sobre la probabilidad de que exista un estado actual o de que ocurra un evento futuro.
La probabilidad tiene las siguientes propiedades:

• La probabilidad de un estado presente o de un evento futuro seguro es 1.0.
• La probabilidad de que un estado esté ausente con certeza o que un evento sea
seguro que no sucederá es 0.
• La probabilidad de todos los posibles estados o eventos mutuamente excluyentes es 1.0.
El significado de la probabilidad: el estado presente frente a un evento futuro

La definición de probabilidad se refiere a un '' estado presente '' o un '' evento futuro ''
porque la incertidumbre en medicina puede ser sobre el estado actual del paciente
o sobre la ocurrencia de un evento futuro. Por ejemplo, la historia del paciente.
proporciona pistas sobre si el paciente tiene enfermedad de las arterias coronarias o
si el paciente desarrollará una enfermedad de las arterias coronarias en el futuro.
La distinción entre estado presente y evento futuro se traslada a la
métodos para utilizar información sobre el presente para cuantificar la incertidumbre.
Descubrir los predictores del estado actual implicaría una
anamnesis y exploración física, realizando una prueba definitiva (p. ej., una coronaria
arteriograma) el mismo día, y utilizando técnicas estadísticas para identificar la
predictores del resultado del arteriograma. Este es un estudio transversal
diseño . Para descubrir los predictores de un evento futuro, se obtendría un
historial sistemático y examen físico y luego contactar al paciente
periódicamente para ver si ha experimentado el evento de resultado de interés (por ejemplo, un
infarto de miocardio). Este es un diseño de estudio de cohorte .
Página 42

1: 9
Numero de veces Numero de veces

se espera un evento se espera el evento
que se produzca que no ocurra
Figura 3.1 El significado de las probabilidades de un evento.
En los próximos capítulos, nos centraremos en cómo estimar la probabilidad

del estado actual del paciente antes y después de realizar una prueba diagnóstica. Nosotros
utilizará el término "probabilidad de la condición objetivo" para representar la incertidumbre
sobre el estado actual del paciente. El término '' condición objetivo '' se refiere a la
enfermedad hipotetizada que la prueba está destinada a detectar.
Odds: una forma alternativa de expresar una probabilidad

Algunos prefieren traducir su incertidumbre en un número pensando en términos
de probabilidades en lugar de probabilidad. Se preguntan '' por cada vez que
este tipo de paciente tuvo cáncer, ¿cuántas veces el cáncer no estuvo presente? ''
La figura 3.1 ilustra el concepto de probabilidades.
Definición de probabilidades: La razón de la probabilidad de que ocurra un evento durante el

probabilidad de que el evento no ocurra.
Las probabilidades y la probabilidad son equivalentes. La relación entre las probabilidades de
un evento y su probabilidad es la siguiente:
pag
probabilidades =
1-p
(donde p es la probabilidad de que ocurra el evento).
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:
Probabilidades Convert escriben como 2: 1 a una relación o cociente (e . G . , 2 / 1) .
Multiplicar el cociente por otro número (e . G . , 6 . 0 × 2 / 1 = 12 / 1, o 12: 1).
Página 43
Convierta las probabilidades en probabilidad con la siguiente relación:

o
p=
1+o
(donde o es la probabilidad de que ocurra el evento).

A algunos les resulta especialmente útil utilizar las probabilidades para expresar su opinión sobre
eventos muy poco frecuentes (probabilidades de 1 a 99, en lugar de una probabilidad de 0.01) o muy
eventos comunes (probabilidades de 99 a 1, en lugar de una probabilidad de 0,99).
3.1.3 Probabilidad: un medio para interpretar información incierta

¿Por qué un clínico debería adoptar la probabilidad como medio de autoexpresión? Nuestra
La respuesta a esta pregunta es que la probabilidad es la clave para interpretar el diagnóstico.
información. La interpretación de nueva información es una conclusión sobre la
certeza de un evento a la luz de la nueva información. Como clínicos, somos
interesado en preguntas como las siguientes:
• ¿Cuál es la probabilidad de que este paciente con una pierna tibia y sensible tenga una
coágulo de sangre que obstruye las venas profundas de la pierna si una medida indirecta de
¿El flujo sanguíneo venoso (una imagen de ecografía Doppler) es anormal?
• ¿Cuál es la probabilidad de que este paciente con dolor en el pecho tenga una
estrechamiento de la arteria coronaria si un electrocardiograma de ejercicio es anormal?
Estas preguntas tienen un tema común: ¿cuánto se debe ajustar el
probabilidad de enfermedad para dar cuenta de nueva información? Teoría de probabilidad,
que es un sistema de relaciones axiomáticas, proporciona la respuesta a esta
pregunta. Como se muestra en el capítulo 4, estos axiomas conducen directamente al teorema de Bayes.
El teorema de Bayes permite al clínico responder a esta pregunta básica:
'' Me ha preocupado que mi paciente tenga cáncer. ¿Qué posibilidades hay de cáncer ahora?
después de que esta prueba sea negativa? ''
No se puede responder a esta simple pregunta sin encontrar una profunda

y principio sutil de la medicina clínica:
La interpretación de la nueva información depende de lo que creyó de antemano .
Esta afirmación fundamental, quizás la más importante de este libro,

es una consecuencia directa de los axiomas de la teoría de la probabilidad (como se muestra en
Capítulo 4). Las observaciones clínicas conducen a la misma conclusión, como se muestra en el
siguiente tabla de un gran estudio de pacientes con dolor en el pecho. Cada paciente
había sido remitido para pruebas de esfuerzo y arteriografía coronaria. Antes de
las pruebas, un cardiólogo clasificó el historial de cada paciente en uno de tres
categorías (ver Tabla 3.1).
Esta tabla muestra que la probabilidad de enfermedad de las arterias coronarias cuando el
la prueba de esfuerzo es anormal depende de la historia del paciente. En otras palabras, el
La interpretación del resultado de la prueba depende de la probabilidad de enfermedad antes de la prueba .
Una vez que acepte este principio, su vida nunca volverá a ser la misma. Cada
vez que empiece a preguntar, "¿qué me dice este resultado de la prueba sobre mi paciente?",
Página 44
Cuadro 3.1
Probabilidad de enfermedad de las arterias coronarias
Tipo de historia Todos los hombres

Hombres con prueba de esfuerzo anormal
Angina típica 0,89 0,96

Angina atípica 0,70 0,87
Dolor de pecho no anginoso 0,22 0,39

Datos de: Weiner, DA et al . (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). Nuevo
England Journal of Medicine , 301 , 230–5.
primero debe preguntar, "¿qué pensé antes de ordenar la prueba?"

El físico ve el mundo dentro de un marco de referencia en movimiento en la teoría de Einstein.
teoría de la relatividad, por lo que un médico debe interpretar la nueva información en el
contexto de su creencia previa sobre el paciente.
La próxima vez que alguien te pregunte '' ¿qué piensas de este ejercicio anormal?
¿Significa la prueba? '', su primera respuesta debe ser, `` ¿qué tipo de historia
dar? '' Entonces, y solo entonces, puede responder la pregunta de la persona.
La figura 3.2 muestra la relación entre la probabilidad de enfermedad antes
y después de información adicional. Los dos paneles de la Figura 3.2 ilustran cómo
las características del paciente influyen en la probabilidad de cáncer de colon después de
un resultado de prueba que aumenta las probabilidades de cáncer de colon en un factor de nueve.
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).
Prueba previa Post-prueba

0 0,5 1.0
Prueba previa Post-prueba

0 0,5 1.0
Figura 3.2 Relación entre probabilidad antes de una prueba y después de la prueba.
Página 45
Al pensar en estas probabilidades, el clínico puede reflexionar '', antes de que

prueba, estaba preocupado por el cáncer de colon. Ahora estoy bastante seguro de que el paciente tiene
cáncer de colon.''
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.
3.1.4 Cuándo estimar la probabilidad

¿Cuándo en el proceso de diagnóstico debe el médico pensar primero conscientemente
acerca de la probabilidad? Durante la anamnesis y el examen físico, el
El médico puede categorizar las hipótesis de la enfermedad de acuerdo con su probabilidad de

siendo cierto (alto, intermedio y bajo) sin asignar una probabilidad a

cada. El momento para estimar la probabilidad es cuando el médico debe elegir una
de las siguientes acciones:
1. No haga nada (no pruebe, no trate).
2. Obtenga más información (una prueba o un ensayo terapéutico).
3. Trate sin obtener más información.
La elección entre estas opciones depende de la probabilidad de que una enfermedad
la hipótesis es cierta. El capítulo 9 describe un método formal para elegir entre
estas opciones. Si la probabilidad de una enfermedad es muy baja, no hacer nada
sea la mejor opción. Tratar sin más pruebas es la mejor opción si el
La probabilidad de la condición objetivo es relativamente alta. La prueba es mejor cuando el
la probabilidad de enfermedad es intermedia.
El médico debe registrar la probabilidad de enfermedad previa a la prueba en el momento de la
pedir una prueba. El clínico puede utilizar el teorema de Bayes para calcular la
probabilidad de prueba, como se describe en el capítulo siguiente. Como basado en computadora
los sistemas de información médica se convierten en una parte integral de la práctica médica,
los médicos solicitarán pruebas y recibirán los resultados en una pantalla de computadora. los
La computadora puede ayudar a usar la historia y el examen físico.
para estimar la probabilidad previa a la prueba. Antes de la prueba, puede calcular el
probabilidad de resultados de pruebas que puedan cambiar el tratamiento del paciente.
Después de la prueba, puede calcular y mostrar la probabilidad de enfermedad posterior a la prueba.
3.1.5 Probabilidad objetiva y subjetiva

¿Cuál es '' la probabilidad de un evento? '' Esta pregunta puede provocar una animada
debate entre dos escuelas de pensamiento. Uno sostiene que la probabilidad de un
evento es una realidad física, como la frecuencia de un evento en un definido
grupo de pacientes. Los adherentes a esta interpretación de probabilidad usan los términos
'' probabilidad objetiva '' o '' frecuentista ''. Una probabilidad objetiva de una enfermedad
es la frecuencia de la enfermedad en un grupo definido de pacientes, como los
con el mismo síntoma principal (p. ej., la frecuencia de enfermedad de las arterias coronarias
entre aquellos con dolor en el pecho).
La probabilidad objetiva es importante pero solo una parte de la historia. Un clínico
debe utilizar toda la información en un historial completo de la presentación
queja para estimar la probabilidad del paciente. Para lograr esta tarea dentro
Página 46
el marco de probabilidad objetiva requeriría conocer la frecuencia

de una enfermedad correspondiente a cada posible combinación de síntomas, que
requeriría estudiar un gran número de pacientes. De manera más realista,
el clínico podría utilizar una regla de predicción clínica, la forma más refinada de
probabilidad objetiva, como se analiza más adelante en este capítulo. Incluso la probabilidad
estimar mediante una regla de predicción clínica es solo el punto de partida para estimar
la probabilidad de un paciente, como veremos. Un enfoque purista para el uso de objetivos
la probabilidad no es realista ni deseable.
En este libro, usamos una definición de probabilidad que toma en cuenta todos los
la información disponible para el médico. Por ejemplo, en un paciente que se enfrenta a
operación a corazón abierto, esta información incluiría lo siguiente:
1. Experiencia personal : al estimar la probabilidad, un médico se basa en
experiencia personal con eventos similares. Por ejemplo, un cirujano la usa
experiencia con pacientes similares cuando estima la probabilidad de que
El Sr. Jones sobrevivirá a una operación a corazón abierto.
2. Experiencia publicada : los artículos publicados informan la frecuencia de muerte

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 .
3.2 Uso de la experiencia personal para estimar la probabilidad
La experiencia personal es la principal influencia en la probabilidad de un médico

estimados. Los médicos experimentados han atendido a tantos pacientes que tienen una
buena comprensión intuitiva de eventos que ocurren comúnmente y eventos que
son inusuales. Incluso en manos de expertos, sin embargo, estas estimaciones subjetivas
son propensos a errores sistemáticos, como veremos en este capítulo.
La evaluación de la probabilidad es el proceso mediante el cual una persona obtiene la
probabilidad de que ocurra un evento. La evaluación de la probabilidad significa preguntar
persona que use un número para expresar qué tan firmemente cree que un evento
ocurrira. A primera vista, un proceso para traducir una creencia en un número
puede parecer inverosímil. La siguiente descripción no pondrá estos pensamientos
descansar, pero debería ayudar al lector a evaluar la probabilidad de alguien. Allí
Hay dos formas de evaluar la probabilidad: directa e indirecta .
Página 47
3.2.1 Evaluación de probabilidad directa

Evaluación de probabilidad directa : para evaluar la probabilidad de una persona directamente, uno
pide el número entre 0 y 1,0 que expresa la creencia de la persona de que
ocurrirá un evento.
Los médicos experimentados suelen tener pocas dificultades para responder a esta
solicitud, especialmente cuando recuerdan experiencias con pacientes similares. Para
Por ejemplo, después de escuchar a un paciente describir su dolor en el pecho, el médico puede usar
el siguiente marco de referencia: '' ¿Con qué frecuencia se realizó la arteriografía coronaria
anormal en pacientes de los que he obtenido antecedentes similares? ''
Hacer coincidir los hallazgos del paciente con los de pacientes anteriores es eficaz si el médico
Puede recordar con precisión y tiene una gran experiencia. La figura 3.3 muestra un
médico escuchando la historia del paciente, recordando pacientes similares, y
recordando cuántos de ellos tenían un arteriograma positivo. El proceso
parecería requerir una memoria prodigiosa, y el lector puede preguntarse
cómo un médico puede estimar una probabilidad de modo que refleje realmente su
experiencia.
3.2.2 Evaluación de probabilidad indirecta

La evaluación de probabilidad directa es relativamente fácil pero está sujeta a errores en
recordando experiencias pasadas. A continuación, describimos una evaluación de probabilidad indirecta.

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
p [CAD] = 15/9 = 0,6
CANALLA
Sin CAD
1. Subesternal
2. Solo en el pecho
3. Nada lo causa
4. Se resuelve lentamente
5. "Pesado"
6. Nunca fumé

Médico Paciente con

Dolor de pecho
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
Interpretación : Ella cree que la probabilidad de que el paciente tenga una

adenoma es superior a 0,01 y prefiere apostar por el evento que es más probable
que se produzca.
• 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.
Medico Dibujaría de la urna.
Interpretación : Ella cree que la probabilidad de un adenoma es menor que

0.10 y prefiere la apuesta con mayor probabilidad de ganar.
• 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.
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.

Probabilidad subjetiva: una advertencia

La estimación de probabilidad subjetiva directa parece fácil de realizar, pero los resultados
Sugerir lo contrario. Como parte de una conferencia, uno de los autores preguntó a varias docenas de
audiencias de médicos para leer una breve historia y escribir sus
estima que el paciente tiene una embolia pulmonar. Luego preguntó a los miembros
de la audiencia para indicar que incluyó su estimación de probabilidad: 0 a 10, 11
a 20, 21 a 30, etc. En cada audiencia, se recaudó aproximadamente el mismo número
su mano para cada intervalo entre 21-30 y 71-80. En otras palabras, enfrentó
con la misma historia, estimaciones de probabilidad subjetiva de médicos experimentados
variado ampliamente.
Esta anécdota tiene una lección importante para los médicos: cuando se consulta sobre
un problema clínico que involucra un elemento de incertidumbre, comience por preguntar
Página 50
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.
3.2.3 Fuentes de error al usar la experiencia personal para estimar

probabilidad
La estimación de probabilidad parece peligrosamente propensa al error para una actividad que
es tan fundamental para la práctica médica. Los médicos basan sus estimaciones de probabilidad en
datos clínicos limitados que deben recordar de una memoria demasiado falible
y luego realice una división larga sin recurrir a lápiz y papel. Esta
sección describe los métodos para realizar esta tarea mental y los errores
que puede ocurrir. La discusión tiene cuatro partes:
• Heurística definida
• La heurística de la representatividad
• La heurística de disponibilidad
• La heurística de anclaje y ajuste.
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.
Definición de heurística cognitiva: proceso mental utilizado para aprender, recordar o

comprender el conocimiento.
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

En medicina, a menudo hacemos preguntas del siguiente tipo: '' ¿Cuál es el

probabilidad de que el paciente A tenga la enfermedad B? ''. Para responder a estas preguntas,
por lo general preguntamos, '' ¿ en qué medida el paciente A se parece a la clase de pacientes con
enfermedad B ? ''
Definición de representatividad heurística: proceso para categorizar algunos

cosa por lo mucho que sus rasgos esenciales se parecen a los del padre
población.
Evaluar el grado en que el paciente A es similar a un miembro típico.

clase B, utilizamos una imagen estereotipada de la enfermedad B como nuestro estándar de
Página 51
Que buenos son Cuál es el

¿las señales? anterior p [D]?
USO CORRECTO DEL

REPRESENTATIVIDAD
HEURÍSTICO
Regresión Son señales

a la media? ¿independiente?
Es mi experiencia
¿lo suficientemente grande?
Figura 3.4 Factores que afectan las estimaciones de probabilidad derivadas del uso de la representatividad
heurístico.
comparación. Considere un paciente con síntomas de colecistitis. Nuestro presupuesto

de la probabilidad de colecistitis dependerá de qué tan cerca del paciente
Los hallazgos se asemejan a la descripción del libro de texto de colecistitis (o pacientes de
nuestra propia experiencia clínica con colecistitis).
Los médicos a menudo utilizan la heurística de representatividad y deben ser conscientes de
varias formas en que puede conducir a errores. Para evitar estos errores, el médico
debe hacer las preguntas que se muestran en la Figura 3.4.
Errores en el uso de la heurística de representatividad: I. Ignorando el problema anterior

capacidad de la enfermedad
Las características de un historial de casos que lo hacen parecerse a las características de un
enfermedad son importantes, pero no son las únicas características que afectan la
probabilidad de que la enfermedad esté presente. Un adicional, frecuentemente olvidado,
La característica es la prevalencia de la enfermedad en la práctica clínica. Como se ve en la Figura 3.2,
la probabilidad de enfermedad a medida que se disponga de nueva información es fuertemente
influenciado por la probabilidad previa de enfermedad. Por analogía, la prevalencia de un
enfermedad en la población afecta la probabilidad de la enfermedad cuando la clínica de un paciente
se tienen en cuenta las características . Incluso si las características del paciente coinciden bien con
los hallazgos característicos de una enfermedad, la enfermedad es poco probable si rara vez ocurre
en la población. Uno de los autores realizó un estudio de pacientes que presentaban
dolor de pecho en diferentes entornos clínicos. Los resultados mostraron que la probabilidad
de la enfermedad de las arterias coronarias en pacientes con antecedentes similares depende de la
Prevalencia global de enfermedad arterial coronaria en el entorno clínico.
Los siguientes ejemplos ilustran los efectos de ignorar la probabilidad previa

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
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.
Comentario : el médico ha ignorado la rareza de la malaria en el norte habitual

Paciente estadounidense y ha hecho un diagnóstico estrictamente sobre la similitud entre
su paciente y un paciente típico con malaria. Basado en su prevalencia en
En los pacientes norteamericanos, hay muchas más probabilidades de que otras enfermedades que la malaria
la causa de la fiebre, escalofríos y sudores.
Ejemplo 2 : una mujer de 35 años con hipertensión leve es obesa y

tiene estrías prominentes y vello facial moderadamente excesivo. Ella no toma
corticosteroides. El asistente del estudiante de medicina acaba de completar una endocrinología.
electivo. Inmediatamente sospecha de la enfermedad de Cushing y le dice a su preceptor
que existe un 30% de probabilidad de que el paciente tenga esta enfermedad. Había escrito un
Solicite una batería completa de pruebas de función suprarrenal. Su preceptor pregunta
él para cancelar el pedido.
Comentario : la enfermedad de Cushing es la causa de hipertensión en menos de 1 de cada 100

pacientes. Las características de la enfermedad de Cushing clásica ocurren en otras afecciones.
que son mucho más frecuentes. Incluso cuando las características clínicas del paciente son
bastante representativo de la enfermedad de Cushing clásica, el diagnóstico es todavía un largo
Disparo.
Para evitar el error de ignorar la probabilidad previa, el clínico debe

preguntar, "¿qué tan común es la enfermedad hipotética en mi entorno clínico?"
El error más común es sobrestimar la prevalencia de la enfermedad. Como clínicos
Cuidar cada vez más de una población definida y utilizar registros médicos electrónicos.
para rastrear su salud, tal vez hagan estimaciones más precisas de la enfermedad
prevalencia en su práctica.
Errores en el uso de la heurística de representatividad: II. Usando señales clínicas que

no predice con precisión la enfermedad
Las señales que componen la descripción de una enfermedad en los libros de texto son imperfectas
indicadores de quién tiene la enfermedad. Las señales a veces están ausentes en los enfermos
personas y, a veces, presente en personas que no tienen la enfermedad. Uno
La marca de un excelente diagnosticador es saber qué tan bien funcionan las características clínicas
predecir la enfermedad.
Ejemplo : un paciente previamente sano llega al servicio de urgencias con

la aparición repentina de dificultad para respirar. El clínico sospecha inicialmente una
embolia pulmonar pero descarta la posibilidad porque las piernas del paciente
no muestran signos de coágulos de sangre. Además, el paciente no se queja de
toser sangre. El clínico lo envía a casa. Dos días después, el paciente
la dificultad para respirar empeora y va a otro hospital donde la

Los médicos del servicio de urgencias diagnostican correctamente la embolia pulmonar.
Página 53
Comentario : El médico que vio por primera vez al paciente ha subestimado la

probabilidad de embolia pulmonar porque dos de las características clásicas de
no hubo embolia pulmonar. Ella no sabía que solo uno-
un cuarto de los pacientes con embolia pulmonar tose sangre y solo un tercio
tiene evidencia clínica de coágulos de sangre en la pierna. Estos hallazgos, si bien son parte de
la descripción clásica de embolia pulmonar, no son pistas precisas sobre la
enfermedad.
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).
Errores en el uso de la heurística de representatividad: III. Estar demasiado seguro de un

diagnóstico cuando existen predictores redundantes
Cuando un paciente tiene muchos de los predictores clásicos de una enfermedad, el médico
a menudo confía mucho en el diagnóstico porque '' la historia se mantiene unida
bastante bien ''. Esta confianza no está justificada si los predictores de los libros de texto
todos ocurren juntos.
La coherencia interna no conduce necesariamente a predicciones precisas. Estafa-
Considere este caso extremo. Si los predictores clásicos de enfermedad siempre ocurren
juntos, saber que un predictor está presente es lo mismo que saber que
todos están presentes. Por lo tanto, más de un predictor no agrega información,
y el médico no debe tener más confianza en el diagnóstico que si
solo un predictor estuvo presente. Los médicos a menudo asumen que cada
El hallazgo aumenta proporcionalmente la probabilidad de enfermedad. De hecho, clínico
las señales pueden ser menos predictivas en combinación de lo que espera el médico.
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.
Comentario : el paciente parecía representativo de enfermedad arterial coronaria, y

el dolor es de hecho de calidad anginosa, pero la probabilidad de que tuviera una enfermedad coronaria
arteriopatía se habría incrementado considerablemente al encontrar que la
estuvieron presentes los siguientes predictores independientes de enfermedad de las arterias coronarias:
• Un historial de dolor provocado por el esfuerzo y el estrés emocional.

Página 54
• Dolor que se alivia rápidamente con reposo o nitroglicerina.

• Dolor tan severo que el paciente tuvo que detener todas las actividades cuando el dolor
ocurrió.
• Un historial de fumar cigarrillos durante muchos años.
Estos hallazgos son predictores independientes de enfermedad de las arterias coronarias,
mientras que la ubicación, la radiación y los descriptores del dolor anginoso tienden a
ocurren como un grupo y por lo tanto están altamente correlacionados.
Información sobre qué señales de enfermedad no están correlacionadas (es decir, independientes)
Los predictores de enfermedades están cada vez más disponibles. Esta información a menudo es pre
presentado en forma de reglas para interpretar los hallazgos clínicos. Discutimos estos
reglas de predicción clínica más adelante en este capítulo.
Errores en el uso de la heurística de representatividad: IV. Usando erróneamente regres-

sión a la media como evidencia diagnóstica
Un cambio en la condición del paciente se usa a menudo para probar una hipótesis de diagnóstico.
esis. Por ejemplo, un ensayo terapéutico consiste en dar un tratamiento que es
específico para una enfermedad hipotética. Si el paciente mejora, la estimación del médico
La probabilidad de apareamiento de la enfermedad aumenta en consecuencia. El mecanismo de la droga
de acción nos lleva a esperar que afectaría la fisiopatología de la enfermedad
facilidad, por lo que el cambio en el estado del paciente se convierte en una característica de diagnóstico de
la enfermedad hipotetizada. Por tanto, una respuesta a un tratamiento específico aumenta
la correspondencia entre las características del paciente y las características clásicas de la enfermedad.
La prueba del tiempo es otra forma de prueba terapéutica. Aquí, el clínico con-
tiene tratamiento para probar la hipótesis de que el paciente no tiene
una enfermedad grave. Si el paciente mejora sin tratamiento, la probabilidad de
baja la enfermedad grave. La respuesta de la prueba del tiempo también mejora la
coincidencia entre las características del paciente y las características típicas de un autolimitado
enfermedad. Este tipo de prueba de hipótesis se utiliza ampliamente en la práctica clínica.
Sin embargo, los cambios en el estado de la enfermedad que coinciden con la administración de un medicamento pueden
engañar al médico porque la respuesta al tratamiento se debe a
variación en lugar de causa y efecto. El nombre de esta relación es
regresión a la media .
Ejemplo : un paciente tiene hiperglucemia leve en una sola medición de

glucosa en suero. El médico somete al paciente a una dieta para diabéticos. Los pacientes
el azúcar en sangre desciende y el médico concluye que el paciente tenía diabetes.
Comentario : el paciente puede no tener diabetes. Hiperglucemia en la primera

La prueba de glucosa en sangre fue una variación casual en esta medida biológica. los
La segunda medición fue simplemente otra muestra de la misma frecuencia.
distribución de glucosa sérica para este paciente en lugar de una muestra de un nuevo
distribución de frecuencia que refleja un mejor control de la diabetes.
¿Cuál es la base de este ejemplo? La mayoría de las medidas biológicas varían

aleatoriamente a lo largo del tiempo. Estos valores aleatorios a menudo se distribuyen simétricamente
sobre un valor medio como se describe en la curva de distribución normal (Figura 3.5).
Página 55

Repetir
Inicial
No. de Repetición de la prueba

pacientes en persona sana
Resultado numérico de la prueba
Inicial Repetir
No. de
Repetición de la prueba
pacientes
en persona enferma
Resultado numérico de la prueba
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.
Errores en el uso de la heurística de representatividad: V. Comparación de un paciente con

una pequeña experiencia no representativa con una enfermedad
Cuando los médicos utilizan la heurística de representatividad para juzgar la probabilidad
que un paciente tiene una enfermedad, a menudo lo comparan con su
experiencia con la enfermedad. Al hacerlo, generalmente no tienen en cuenta
el tamaño de su experiencia personal. Cuando la experiencia de una persona con un
enfermedad es pequeña, los principios del muestreo estadístico nos dicen que es probable que
ser atípico. Por lo tanto, el médico puede juzgar erróneamente a un paciente con problemas atípicos.
características clínicas de una enfermedad, ya que es muy probable que tenga una enfermedad con la que ella
tiene una experiencia pequeña y atípica.
¿Por qué es probable que una pequeña experiencia sea atípica? El personal de un clínico
La experiencia con un evento es una muestra del universo de todos esos eventos. Desde
teoría estadística, aprendemos que es más probable que una muestra pequeña se desvíe de
Página 56
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

porque es representativo de una pequeña experiencia personal atípica.
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.
Se pueden evitar varios errores en el uso de la heurística representativa. Clin-

Los ciudadanos deberían confiar más en los relatos publicados de las características típicas de
enfermedades y menos en la experiencia personal. Saber más sobre la prevalencia
de enfermedades en la práctica de uno también ayudaría, al igual que una exposición más amplia a
historias de casos y los diagnósticos resultantes.
Este ejemplo concluye nuestra discusión sobre la heurística de representatividad.
El tiempo dedicado a aprender sobre la heurística de representatividad será bueno
reembolsado. Los médicos utilizan su heurística muchas veces al día en la práctica clínica.
Los médicos podrían evitar muchos errores en el razonamiento clínico recordando la
ejemplos anteriores.
La siguiente heurística es mucho más fácil de entender que la representatividad
heurístico.
Heurística II: disponibilidad

Una segunda heurística para usar la experiencia personal para determinar la probabilidad es
disponibilidad , los procesos que mejoran la memoria.
Definición de heurística de disponibilidad: Juzgar la probabilidad de un evento por

con qué facilidad se recuerda el evento.
La heurística de disponibilidad conduce a atribuir una probabilidad más alta a un

evento recordado que a un evento que es difícil de recordar. La disponibilidad es un
pista válida para juzgar la probabilidad, debido a la evidencia experimental de que frecuentes
los eventos son más fáciles de recordar que los eventos poco frecuentes. Sin embargo, otros factores
que la frecuencia también afecta la disponibilidad en la memoria. Incluyen viveza,
consecuencias para el médico o el paciente, inmediatez, actualidad y rareza. Estos
Los factores pueden distorsionar la relación de frecuencia y facilidad de recuerdo, de modo que la
El médico sobreestima la probabilidad de que un paciente tenga una enfermedad inusual.
El clínico recuerda vívidamente a un paciente reciente que tuvo hallazgos similares y tuvo
una enfermedad inusual. El clínico asume que la enfermedad inusual es bastante
Página 57
0 Ajustamiento 1.0
Especial
atributos

de paciente
Publicado Gran personal

experiencia experiencia
Figura 3.6 Representación esquemática de anclaje y ajuste.
común porque su memoria es muy vívida. Ella recuerda al paciente similar

con la enfermedad, pero se olvida de los muchos pacientes similares que tenían otros, más
enfermedades comunes.
Ejemplo 1 : Un médico sobreestima la probabilidad de que un paciente con diarrea

Rea tiene amebiasis porque ha visto recientemente a un paciente con amebiasis.
(que es una causa inusual de diarrea en los Estados Unidos).
Ejemplo 2 : una médica hizo recientemente su primer diagnóstico de enfermedad subfrénica

absceso mediante la exploración de glóbulos blancos en un paciente con fiebre y
dolor. Durante varios meses, siempre que tenía un paciente con dolor abdominal
y fiebre de bajo grado, el médico sospechó un absceso subfrénico y ordenó
una exploración de glóbulos blancos. Todos los pacientes se recuperaron sin incidentes en unos pocos días y
se preguntó por qué tenían que ser hospitalizados por una enfermedad leve.
La tercera heurística es el proceso mental mediante el cual las características especiales de

los pacientes se utilizan para estimar la probabilidad. Esta heurística se llama anclaje
y ajuste (Figura 3.6).
Heurística III: anclaje y ajuste

Los médicos suelen hacer una evaluación de probabilidad partiendo de una
estimación y llegar a una estimación final ajustando para tener en cuenta la
conjunto de características clínicas del paciente. Esta heurística es muy importante y a menudo se
utilizado incorrectamente, por lo general al no ajustarse lo suficiente para el paciente-
características específicas. Este sesgo hacia la estimación de probabilidad inicial se denomina
anclaje . Diferentes puntos de partida para estimar la probabilidad conducen a diferentes
estimaciones, que, debido al sesgo de anclaje, suelen estar más cerca de la
punto de partida de lo que deberían ser.
Hay varias razones por las que el sesgo de anclaje conduce a un ajuste incorrecto.
mento de estimaciones de probabilidad:
• La gente tiende a sobrestimar la probabilidad de eventos definidos
por la co-ocurrencia de varias características. Este tipo de evento es
llamado conjuntivo . El error en la estimación de la probabilidad puede deberse
Página 58
al exceso de confianza en las señales redundantes, como se discutió en referencia a la

representatividad heurística.
• Las personas tienden a subestimar la probabilidad de eventos definidos
por la aparición de cualquiera de varias características. Este tipo de evento se llama
disyuntivo .
• Cuando se les pide que describan su incertidumbre sobre una probabilidad, las personas
tienden a exagerar su certeza, como se manifiesta por una distribución más estrecha
de probabilidades que sea consistente con su nivel real de certeza.
• Las personas basan la cantidad de ajuste en una evaluación incompleta.
cuyo resultado está sesgado hacia el punto de partida del cálculo.
El teorema de Bayes, que se analiza en su totalidad en el próximo capítulo, es un
enfoque para ajustar probabilidades desde un punto de partida. Teorema de Bayes

indica exactamente cuánto ajustar una estimación de probabilidad inicial cuando

se dispone de información adicional.
Ejemplo : un paciente con dolor torácico tiene angina atípica y el médico

estima que la probabilidad de enfermedad de las arterias coronarias es de 0,70. El clínico
ordena un electrocardiograma de ejercicio, que es muy anormal. En vez de
Al diagnosticar la enfermedad de las arterias coronarias, el médico ordena un radionúclido costoso
escaneo del corazón.
Comentario : cuando se estima que la probabilidad de enfermedad antes de la prueba es

0,70 y el electrocardiograma de ejercicio es muy anormal, la probabilidad de
la enfermedad de las arterias coronarias es de al menos 0,95. En este punto, la mayoría de los médicos dirían
el paciente que tenía enfermedad de las arterias coronarias y comenzar el tratamiento. Depender de
intuición en lugar del teorema de Bayes, este clínico subestimó el efecto
de un ECG de esfuerzo muy anormal sobre la probabilidad de enfermedad de las arterias coronarias.
Usar correctamente la heurística para estimar la probabilidad

Usar la experiencia personal para estimar la probabilidad es uno de los más importantes
temas de este libro porque es una parte clave de la práctica diaria de la medicina.
Para evitar las trampas de los métodos que la gente usa para estimar la probabilidad,
el estudiante de medicina debe tener una comprensión segura de las heurísticas
para recordar la experiencia.
Hacer estimaciones de probabilidad precisas e imparciales a partir de la experiencia personal
está más allá de la capacidad cognitiva de casi todo el mundo. Los médicos hacen todo lo posible,
y lo mejor de ellos es a menudo asombroso. Los más sabios buscan orientación en publicaciones
experiencia, que es nuestro siguiente tema.
3.3 Uso de la experiencia publicada para estimar la probabilidad
La experiencia publicada es la segunda influencia importante en las estimaciones de probabilidad.

bilidad. La tasa de mortalidad de una operación, la probabilidad de un efecto adverso.
de terapia, y la prevalencia de una forma severa de enfermedad de las arterias coronarias son
Página 59
ejemplos de estimaciones de probabilidad obtenidas de estudios publicados. Publicado

Los estudios son útiles por varias razones:
• Un informe publicado sobre una enfermedad poco común suele reflejar una gran
mayor experiencia con la enfermedad de la que la mayoría de los médicos ven en su vida
en la práctica.
• Los análisis estadísticos en los estudios publicados pueden organizar los hallazgos en una
formulario que es útil para la toma de decisiones.
• Los estudios publicados a menudo informan la prevalencia , que es la frecuencia de un
evento en una población de pacientes en un instante específico en el tiempo . La prevalencia
La incidencia de la enfermedad es útil como punto de partida para estimar su probabilidad.
La prevalencia a menudo se confunde con la incidencia , que es el número de
ocurrencias durante un período de tiempo específico .
El médico suele estar interesado en la prevalencia de la enfermedad en los pacientes.
con un hallazgo clínico o un patrón de hallazgos. La prevalencia de una enfermedad
aparece en la literatura publicada de las siguientes formas:
1. Prevalencia de una enfermedad en un subgrupo definido por un único hallazgo clínico

(p. ej., dolor de pecho).

2. Prevalencia de una enfermedad en un subgrupo definido por varios hallazgos:
• Se asigna un paciente a un subgrupo mediante la interpretación intuitiva de la
hallazgos clínicos (p. ej., un síndrome como insuficiencia cardíaca).
• Un paciente es asignado a un subgrupo mediante un proceso formal para combinar
los hallazgos clínicos (p. ej., una regla de predicción clínica).
En las próximas páginas, describimos tres formas de formar un grupo de
pacientes en los que medir la prevalencia de la enfermedad. En cada caso,
La característica común de los pacientes es un problema de diagnóstico.
3.3.1 Estimación de la probabilidad a partir de la prevalencia de la enfermedad

en pacientes con un síntoma, hallazgo físico,
o resultado de la prueba
La prevalencia de una enfermedad en pacientes que tienen en común un síntoma, la
El hallazgo ical o el resultado de una prueba de diagnóstico ayudan al médico a diagnosticar la enfermedad.
Ejemplo : un estudiante de medicina evalúa a un joven con dolor abdominal.

Le preocupa la posibilidad de apendicitis. El dolor esta presente
en todo el abdomen y se asocia con deposiciones sueltas. los
el paciente no tiene sensibilidad abdominal localizada, fiebre o aumento
recuento de leucocitos en sangre. El estudiante de medicina presenta al paciente al jefe
residente quirúrgico que, para sorpresa del estudiante, da de alta al paciente de
la sala de emergencias.
Comentario : El jefe de residentes quirúrgicos sabe que la prevalencia de apendicitis

entre los varones adultos autoreferidos con dolor abdominal es solo del 1%. El estudiante
debe utilizar esta información como punto de partida, ya que utiliza los datos clínicos del paciente.
Página 60
hallazgos para estimar la probabilidad de apendicitis. Si la historia y el físico

examen no sugiere apendicitis, la probabilidad de apendicitis es
muy bajo, ya que fue del 1% en el paciente medio con dolor abdominal. Si el
examen sugiere apendicitis, la estimación de probabilidad del estudiante
debe reflejar la baja prevalencia de apendicitis en todos los hombres con dolor abdominal.
3.3.2 Estimación de la probabilidad de una enfermedad a partir de su prevalencia

en pacientes con un síndrome clínico
Después de evaluar a un paciente, el médico asigna al paciente a una clínica
síndrome definido (p. ej., síndrome nefrótico) cuyas causas y su prevalencia
lence, se conocen a partir de estudios publicados. Para estar seguro de que la prevalencia de
enfermedades en un estudio se aplica a un paciente específico, el diagnosticador debe
saber si los pacientes del estudio son similares a su paciente. Porque algunos publicaron
Los estudios no describen el proceso de elección de los pacientes a participar.
pate en el estudio, o enumere los hallazgos que definen el síndrome clínico,
Decidir que los hallazgos del estudio se aplican a un paciente a menudo requiere
juicio.
Ejemplo : un residente está examinando a un hombre de 45 años que llegó a

sala de gency después de experimentar dolor retroesternal en el pecho por primera vez antes
en el día. El dolor era de calidad similar a la presión y se limitaba al

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.
Comentario : este método para estimar la probabilidad tiene un gran inconveniente:

carecía de un proceso estandarizado para asignar un paciente a uno de los tres cofres
síndromes de dolor. Dos médicos pueden tener el mismo historial de este paciente
y sin embargo diferir sobre qué síndrome anginoso tiene (si lo tiene). Por lo tanto, ellos
Hará diferentes estimaciones de la probabilidad de enfermedad de las arterias coronarias
y tal vez no esté de acuerdo sobre si pedir una prueba. Los médicos pueden tener
menos desacuerdos si se estandarizaran los criterios para los síndromes. Aún así,
este método para estimar la probabilidad está limitado por la escasez de publicaciones
información sobre la prevalencia que causa un síndrome clínico.
Página 61
3.3.3 Reglas de predicción clínica para estimar la probabilidad

Las reglas de predicción clínica colocan a un paciente en un subgrupo. La prevalencia de
enfermedad en el subgrupo es un punto de partida para estimar la probabilidad de
enfermedad en el paciente. La mayoría de las reglas de predicción clínica son empíricas. Un típico
El estudio utiliza el siguiente proceso:
1. Los investigadores obtienen hallazgos clínicos preespecificados de muchos pacientes
con el mismo síntoma clínico, signo o resultado de la prueba. Los investigadores luego
establecer el diagnóstico final por algún medio.
2. Los investigadores identifican los predictores de enfermedades mediante métodos estadísticos.
que ajustan la ponderación diagnóstica de cada predictor para tener en cuenta
la influencia de los otros predictores. La ponderación de un factor no
dependen de la presencia de los otros factores.
3. La regla de predicción utiliza un método explícito para asignar pacientes a
subgrupos de diagnóstico basados en sus hallazgos.
4. La prevalencia de la enfermedad en un subgrupo de diagnóstico es el número de
pacientes en el subgrupo con el diagnóstico objetivo dividido por el total
número de pacientes en el subgrupo.
5. La regla de predicción debe probarse en pacientes adicionales para verificar la
prevalencia de enfermedad en los subgrupos.
La siguiente discusión se centra en cómo crear una predicción clínica
regla. Los detalles de las técnicas estadísticas multivariadas para identificar
Los predictores independientes de enfermedad son interesantes pero están más allá del alcance de este
libro. Bastará una breve descripción. Los principales métodos estadísticos son
análisis de regresión y partición recursiva .

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
1 2 3
Enfermedad ausente
No. de
pacientes Enfermedad presente
Puntaje discriminante o logístico
Figura 3.7 Distribución hipotética de puntuaciones discriminantes para enfermos y no enfermos

pacientes. Las puntuaciones de corte están representadas por líneas verticales.
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).
Interpretación : Como en la Tabla 3.4.
Ejemplo 2 : Un estudio de pacientes a punto de someterse a una cirugía no cardíaca iden-

tificaron varios predictores de complicaciones cardíacas de la cirugía (Tabla 3.5).
Dependiendo de la puntuación discriminante (la '' puntuación de riesgo cardíaco ''), la prevalencia
de complicaciones cardíacas es muy bajo, muy alto o intermedio.
Cuadro 3.2
Grupo de puntuación Rango de puntuaciones Probabilidad de enfermedad
1 Bajo Bajo
2 Intermedio Intermedio
3 Alto Alto
Página 63
Cuadro 3.3
Atributo Peso diagnóstico
Edad > 60 años +3

El dolor es provocado por el esfuerzo +4
El paciente debe detener todas las actividades cuando se presente el dolor. +3
Historia de infarto de miocardio +4
El dolor se alivia en los 3 minutos posteriores a la ingesta de nitroglicerina. +2
Al menos 20 paquetes-año de consumo de cigarrillos. +4
Género masculino +5
Los datos de Sox et al . (1990).
Cuadro 3.4
Puntuación de dolor de pechoProbabilidad de enfermedad de las arterias coronarias
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
Los datos de Sox et al . (1990).
Cuadro 3.5
Hallazgo clínico Peso diagnóstico
La edad del paciente es de 70 años o más. +5

Infarto de miocardio en los últimos 6 meses +10
Distensión venosa yugular o tercer ruido cardíaco +11

Evidencia de estenosis valvular aórtica +3
Arritmia en el electrocardiograma más reciente +7

> 5 latidos ventriculares prematuros / minuto en cualquier +7
electrocardiograma
Cirugía de emergencia +4
+3

Cirugía intraabdominal o torácica

Evidencia de laboratorio de disfunción orgánica (Goldman et al ., 1977) +3
o el paciente está postrado en cama
Interpretación : Como en la Tabla 3.6.
Partición recursiva
El particionamiento recursivo es un proceso estadístico que conduce a un algoritmo para
clasificación de pacientes.
Definición de algoritmo: instrucciones paso a paso para resolver un problema.
Página 64
Cuadro 3.6
Puntaje de riesgo cardíaco Tasa de complicaciones cardíacas fatales (%)
0-5 0,2
6-12 2.0
13-25 2.0
26 o mayor 56,0
Los datos de Goldman et al . (1977).
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.
En el particionamiento recursivo, el proceso de diagnóstico está representado por una serie

de puntos de decisión sí-no. Si un paciente tiene un hallazgo, se le coloca en una
grupo; si no, se le coloca en un segundo grupo. Cada uno de los dos grupos resultantes
desde el primer punto de decisión sí-no se somete a una segunda pregunta sí-no
sobre otro hallazgo. El proceso continúa hasta que alcanza un valor predefinido.
punto de parada. El objetivo del proceso es colocar a cada paciente en un grupo.
en los que la prevalencia de la enfermedad es muy alta o muy baja. Típicamente,
el resultado que se utiliza en cada punto de decisión sí-no es el que mejor
discrimina entre los pacientes enfermos y no enfermos en ese punto de
el proceso de partición.
Ejemplo 1 : se utilizó una versión modificada de particionamiento recursivo para categorizar

adultos con dolor de garganta tienen una probabilidad alta, media o baja de
tener una infección por estreptococos beta hemolíticos (Figura 3.8). Segun algunos
autores, los pacientes con una alta probabilidad de infección deben recibir tratamiento
sin obtener un cultivo de garganta. En pacientes con baja probabilidad de
infección, no puede estar indicado ni cultivo de garganta ni tratamiento.

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
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
p [estreptococo] = 0,15 p [estreptococo] = 0,04
Figura 3.8 Un algoritmo de particionamiento recursivo para clasificar adultos con dolor de garganta (ver Walsh
et al ., 1975).
Fortalezas, deficiencias y calidad de las reglas de predicción clínica

Una regla de predicción clínica es un método poderoso porque impone un
método derivado empíricamente para agrupar a los pacientes según su clínica
recomendaciones. Las reglas de predicción clínica son modelos estadísticos del diagnóstico
proceso. Cuando un modelo estadístico de juicios de expertos se compara con
los expertos cuyas opiniones se utilizaron en el modelo, el modelo generalmente
supera a los expertos. A diferencia de los expertos, el modelo se aplica de forma coherente
de un caso a otro sin ser desviado por información que parece útil pero
en realidad, reduce la precisión del diagnóstico.
Sin embargo, las reglas de predicción clínica pueden conducir a una estimación incorrecta de la prevalencia.
mates si se aplica indiscriminadamente. Las técnicas estadísticas logran un óptimo
discriminación en la población de pacientes que se utilizó para crear la regla (la
conjunto de entrenamiento ). Cuando la regla se usa en otras poblaciones (los conjuntos de prueba ),
típicamente discrimina peor. Este resultado se conoce como sobreajuste. También
muchas variables predictoras y muy pocos pacientes son una segunda causa de mala
rendimiento en un equipo de prueba. Una buena regla general: tenga cuidado con el uso de
regla de dicción si el número de pacientes con la condición objetivo en el entrenamiento
set es menor que 10 para cada predictor candidato en un análisis de regresión. los
La razón es que es probable que un pequeño número de pacientes sean muestras atípicas de
el universo de pacientes del que proceden.
Una buena regla general: ¡use una regla no probada con precaución!
La mejor forma de probar una regla de predicción es aplicarla a un gran número de
pacientes de un entorno diferente al del conjunto de entrenamiento pacientes, establezca el
diagnóstico final y cálculo de medidas de discriminación y calibración .

La discriminación es la capacidad de la regla para distinguir a los pacientes con el objetivo

diagnóstico de todos los demás. El estadístico c describe la probabilidad de que un
Página 66
norte El dolor comenzó> 42 Y Lo nuevo es químico

Cambios clásicos de ST-T
¿O ondas Q? ¿horas atras? ¿Cambios ST o T?
Y norte Y
pMI = .78 norte pMI = .. 02 pMI = .. 16
norte ¿El dolor se irradia? Y Presionando

al cuello, hombros, reproducción de pecho
o brazos? duce el dolor?
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
pMI = 0 pMI = .27

Dolor actual
empezó
El paciente es norte El dolor irradia
> ¿Hace 10 horas?
> 50 años? al hombro L?
norte Y Y norte Y
pMI = .. 04 pMI = 0,29 pMI = 0,28 pMI = .02 pMI = .18
Figura 3.9 Un algoritmo de particionamiento recursivo para estimar la probabilidad de miocardio

infarto (MI). Los términos ST, T y Q se refieren a diferentes partes del trazado electrocardiográfico.
que refleja los eventos eléctricos en el corazón durante un solo latido del corazón. Anormalidades en estos
Los eventos eléctricos ocurren durante un infarto de miocardio. (Datos de Goldman et al ., 1982.)
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
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.
3.3.4 Limitaciones de los estudios publicados

Los estudios publicados pueden mitigar el problema que enfrenta el médico con limitaciones
experiencia personal. Sin embargo, un médico se enfrenta a varios peligros potenciales cuando
aplicando una prevalencia publicada de la enfermedad a los propios pacientes del médico.
La fuente de error más importante en los estudios publicados es el sesgo de selección .
Es probable que el sesgo de selección sea un problema cuando los criterios para seleccionar pacientes
participar en un estudio publicado son diferentes a las condiciones que trajeron
el paciente al que se aplicará la regla de predicción a la atención médica.
La mayoría de los estudios publicados se realizan en pacientes derivados a académicos.
centros médicos. Los pacientes son atendidos por especialistas porque un médico remitente
sospecha de una enfermedad en la esfera de especialización del especialista. Los especialistas son menos
probable ver pacientes con hallazgos clínicos que implican una baja probabilidad de
enfermedad. Por tanto, la prevalencia de enfermedades graves en la práctica del especialista
será mayor que en la práctica del médico de atención primaria.
Uno de los autores demostró este punto en un estudio de cuatro poblaciones diferentes.
de pacientes con dolor torácico. Él y sus colegas aplicaron una predicción clínica
regla desarrollada en un conjunto de entrenamiento que consta de pacientes remitidos para electivas
arteriografía coronaria (prevalencia global del 76%) a tres poblaciones de prueba diferentes
laciones. Una población de prueba se sometió a una arteriografía coronaria electiva, y
dos eran poblaciones de atención primaria. Cuando se pone a prueba a pacientes con cofres similares
Los puntajes de dolor, y por lo tanto historias similares, se compararon con el entrenamiento.
conjunto, la probabilidad de enfermedad de las arterias coronarias era la misma en la coronaria
equipo de prueba de arteriografía (prevalencia global 72%). Sin embargo, la prevalencia en

Página 68
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.
Ejemplo : un internista de atención primaria siente un nódulo en la glándula prostática. Cómo

¿Es probable que haya cáncer de próstata? La única referencia pertinente es un artículo clásico de
la práctica de un urólogo de renombre; en este estudio, la mitad de los pacientes con
nódulo de próstata tenía cáncer de próstata.
Comentario : ¿Tiene el paciente del internista un 50% de posibilidades de tener próstata?

¿cáncer? Probablemente no. Después de todo, los pacientes que fueron atendidos por el urólogo
quienes escribieron el artículo fueron atendidos primero por médicos de atención primaria. Estos
los médicos probablemente referían sólo cuando el nódulo del paciente era particularmente
sospechoso de cáncer de próstata.
Ejemplo : un hombre de 40 años tiene una presión arterial de 160/110 mm Hg. Un

internista que acaba de completar su formación en un gran centro de referencia para hipertensión
ordena una radiografía de detección de los riñones. Un radiólogo senior en el internista
llamadas de práctica para recordarle que haga los siguientes hallazgos de investigación:
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
3.4 Tomando las características especiales del paciente en

cuenta al estimar la probabilidad
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
1. Los médicos suelen trabajar en un estado de incertidumbre sobre el verdadero estado de

el paciente.
2. Los hallazgos clínicos que utilizan los médicos son imperfectos. Casi invariable,
los resultados negativos ocurren en pacientes con la enfermedad diana y positivos
los resultados ocurren en pacientes que no tienen la enfermedad.
3. Definimos probabilidad como expresión de opinión (en una escala de 0 a 1)
sobre la probabilidad de un evento futuro o un estado presente. Expresando
incertidumbre como probabilidad, es posible medir el efecto de
nueva información que abre la puerta a un reino hasta ahora inexplorado
de razonamiento diagnóstico preciso.
4. Varios factores influyen en la probabilidad de que un paciente padezca una enfermedad: la clínica
experiencia personal previa de los icianos, experiencia publicada, la clínica
entorno de atención y atributos especiales o inusuales del paciente.
5. La evaluación de la probabilidad puede extraviarse cuando las personas hacen un mal uso de la mente
métodos para estimar la probabilidad (heurística). El mas importante de
estas heurísticas sesgadas son:
Página 70
• Descuidar la influencia de la prevalencia de enfermedades solo porque la

Los hallazgos del paciente concuerdan muy bien con las características de la enfermedad.
• Hacer coincidir las características del paciente con las menos predictivas
características de la enfermedad.
• Dar demasiada importancia a la información que es coherente con la anterior.

información pero redundante.

• Sobreestimar la probabilidad de un evento porque es fácil
recuerde: sucedió recientemente, fue especialmente vívido, o ambos.
• Las estimaciones iniciales de probabilidad son demasiado altas o demasiado bajas y luego
no están lo suficientemente ajustados para tener en cuenta la nueva información.
6. La utilidad de la prevalencia de enfermedades publicada y la probabilidad de los expertos
Las estimaciones dependen de cuán cerca se parezcan sus pacientes a los suyos.
7. Las reglas de predicción clínica proporcionan una forma de codificar la experiencia previa y
estimar así las probabilidades de forma fiable y reproducible.
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
Bibliografía
Bryant, GD y Norman, GR (1980) Expresiones de probabilidad: palabras y números

(Letra). Revista de Medicina de Nueva Inglaterra , 302 , 411.
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.
Una colección de artículos científicos sobre heurística sesgada.
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.
Simel, DL y Rennie, D. (2008) El examen clínico racional: Clínica basada en evidencia

Diagnóstico , McGraw-Hill Medical, Nueva York.
Un libro con buena información sobre el rendimiento de las pruebas.
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.
Un artículo clásico sobre evaluación de probabilidades.
Página 72
Tversky, A. y Kahneman, D. (1974) Juicio bajo incertidumbre: heurísticas y sesgos.

Science , 185 , 1124–31.
Un artículo clásico y legible sobre heurísticas sesgadas en la estimación de probabilidad subjetiva.

Kahneman ganó el Premio Alfred Nobel de Economía en 2002. Tversky, su
socio en la investigación, murió unos años antes.
Walsh, BT, Bookheim, WW, Johnson, RC y col . (1975) Reconocimiento de estreptococos

faringitis en adultos. Archives of Internal Medicine , 135 , 1493–7.
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
Comprender nueva información:

Teorema de Bayes
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

4.3 Teorema de Bayes sesenta y cinco

4.4 La forma de razón de posibilidades del teorema de Bayes 69
4.5 Lecciones que se deben aprender del teorema de Bayes 76
4.6 Los supuestos del teorema de Bayes 82
4.7 Uso del teorema de Bayes para interpretar una secuencia de pruebas 84
4.8 Uso del teorema de Bayes cuando se están considerando muchas enfermedades 88
4.1 Introducción
¿Por qué es importante comprender el efecto de la nueva información sobre la incertidumbre?

tainty? Los médicos quieren minimizar su margen de error, de hecho aportando
estimaciones de probabilidad lo más cercanas posible a 1.0 o 0. Sin saber cómo
nueva información ha afectado (o afectará) la probabilidad, el médico puede
adquirir demasiada información, muy poca o la información incorrecta.
¿Cómo supervisa un médico el progreso hacia la comprensión de los
verdadero estado? Representemos el proceso de diagnóstico por una línea recta
(Figura 4.1). La probabilidad proporciona una regla para medir el progreso a lo largo de este
línea. Los métodos para estimar la probabilidad (Capítulo 3) nos dicen dónde colocar la
primera marca en la línea. Cuando obtenemos más información, el teorema de Bayes,
que es el tema de este capítulo, nos dice dónde poner la siguiente marca.
Los siguientes ejemplos ilustran la importancia de modificar la propia estimación.
pareja de probabilidad a medida que se dispone de nueva información.
61
Página 74
Antes Después
Teorema de Bayes
prueba prueba
0 0,25 0,50 0,75 1.0
Diagnóstico
Figura 4.1 Papel del teorema de Bayes.
Ejemplo 1 : un interno de servicio en el departamento de emergencias ve a un hombre

debido al dolor de pecho. El hombre no tiene seguro médico.
La historia del paciente es la siguiente. Tiene 45 años y no tiene riesgo cardíaco.
factores. El dolor comenzó de repente hace cuatro días. El dolor está en la parte anterior izquierda.
pecho, no irradia a los brazos, cuello u hombros, nunca ha ocurrido
antes, y no va acompañado de sudoración. Un electrocardiograma no
mostrar cambios en el segmento ST indicativos de isquemia miocárdica u ondas Q
indicativo de daño miocárdico. El paciente ingresa en cardiología intensiva
cuidado. Al final de las primeras 24 horas, no ha habido complicaciones, el
la troponina sérica (una medida de la muerte del músculo cardíaco) es normal y no hay

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.
Comentario : El interno no estaba seguro de si el paciente estaba teniendo un

infarto y lo admitió para estar seguro. Si el pasante hubiera
utilizó el algoritmo de partición recursiva que se muestra en la Figura 3.9 en el Capítulo 3,
ella habría sabido que la probabilidad de un infarto agudo de miocardio
fue solo 0.01. Una vez admitido, los médicos del paciente fueron demasiado cautelosos sobre
interpretando lo que habían aprendido al cabo de 24 horas. La complicación
curso libre, los niveles normales de enzimas en suero y el ECG sin cambios redujeron
aún más la probabilidad de infarto o complicación hospitalaria (Figura 4.2).
Deberían haber trasladado al paciente a un nivel de atención menos intenso, o incluso
Lo dieron de alta del hospital, después de las primeras 24 horas.
Ejemplo 2 : El paciente es un hombre de 60 años con dolor en el pecho.

El dolor comenzó hace seis meses. Es una sensación de presión retroesternal.
Cuando el dolor está presente, no puede hacer nada. El esfuerzo trae dolor
y la nitroglicerina lo alivia en tres minutos. El hombre ha sido un pesado
fumador de cigarrillos. El clínico interpreta la historia como '' esfuerzo típico
angina de pecho '' y obtiene un electrocardiograma de ejercicio para confirmar su
juicio. El paciente puede continuar en la cinta durante 14 minutos y
no hay indicaciones electrocardiográficas de isquemia miocárdica. los
Página 75
Comprender la nueva información: el teorema de Bayes 63
24 horas En
más tarde admisión
Benigno
curso
0 .01 .99 1.0
Probabilidad de infarto de miocardio
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
0 .10 .20 .70 .80 .90 1.0
Figura 4.3 El efecto de un electrocardiograma de ejercicio normal sobre la probabilidad de enfermedad coronaria.
enfermedad de las arterias.
El médico le dice al paciente que la prueba en cinta indica que probablemente no

tiene una enfermedad coronaria. Después de seis meses de dolor continuo, el paciente
obtiene una segunda opinión. Este médico le dice que la prueba en cinta

El resultado indica que, aunque tiene un pronóstico relativamente bueno, probablemente

tiene enfermedad coronaria. Para ayudar al paciente a comprender, dibuja
el diagrama que se muestra en la Figura 4.3.
Comentario : El segundo médico interpretó correctamente la historia como indicando

una alta probabilidad de enfermedad de las arterias coronarias. La prevalencia de coronario
enfermedad en hombres de 60 años con angina típica es 0,95, que parece aplicarse
a este paciente. El electrocardiograma de ejercicio suele ser normal en pacientes con
arteriopatía coronaria. Si la prueba es negativa, como en este paciente, la probabilidad
de la enfermedad de las arterias coronarias sigue siendo 0,81.
Ambos ejemplos implicaron estimar una probabilidad antes y

después de adquirir nueva información. La terminología estándar para estos dos
probabilidades es:
Definición de probabilidad previa : La probabilidad de un evento antes de adquirir

nueva información.
Sinónimos : probabilidad previa a la prueba, riesgo previo a la prueba.
Página 76
Definición de probabilidad posterior : La probabilidad de un evento después de adquirir

nueva información.
Sinónimos : probabilidad posterior a la prueba, riesgo posterior a la prueba.
En medicina, cuando explicamos el significado de una observación, se dice que

'' interpretarlo ''. Los dos ejemplos clínicos anteriores ilustran otro uso
de "interpretar", que es estimar la probabilidad de enfermedad posterior a la prueba. Mientras
una interpretación del resultado de una prueba debe incluir la probabilidad posterior a la prueba,
También debe explicar otros aspectos del resultado de la prueba en el paciente.
En este contexto, la clave para la interpretación de las pruebas es calcular la probabilidad de
enfermedad correspondiente a un hallazgo clínico. Aprendiendo a hacer esto importante
El cálculo requiere una breve excursión a la teoría de la probabilidad para aprender
una notación simple pero útil.
4.2 Definición de probabilidad condicional
La probabilidad condicional es muy útil para los médicos interesados en

interpretar la información clínica. La probabilidad de enfermedad dado que un
El hallazgo clínico está presente es un ejemplo de probabilidad condicional .
Definición de probabilidad condicional : la probabilidad de que un evento sea cierto.

dado que otro evento es verdadero (es decir, condicional al segundo evento
siendo verdad).
La notación de probabilidad condicional es bastante fácil de entender. los

probabilidad condicional del evento A dado que el evento B es verdadero se escribe:
P [ A | B ] que significa "la probabilidad del evento A condicional al evento B ".

La línea vertical se lee "condicional".
La definición formal de probabilidad condicional es
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:
'' ¿Cuál es la probabilidad de enfermedad de las arterias coronarias condicionada a una

electrocardiograma de ejercicio anormal? ''
Esta pregunta es de gran interés para el clínico que acaba de enterarse

los hallazgos del electrocardiograma de ejercicio de un paciente. Para obtener la respuesta a esto
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.
4.3 Teorema de Bayes
Familiares del reverendo Thomas Bayes (1702-1761), un clérigo inglés,

descubrió su contribución duradera al conocimiento cuando estaban clasificando
sus efectos después de su muerte. Descubrieron un manuscrito inédito que
mostró cómo, a partir de la ecuación 4.1, para derivar lo que llegó a llamarse
Teorema de Bayes. Con el teorema de Bayes, el médico puede calcular la
probabilidad de una enfermedad utilizando las siguientes cantidades:
• la probabilidad previa de la enfermedad;
• la probabilidad de un resultado de prueba condicionado a que el paciente tenga la
enfermedad;
• la probabilidad del resultado de la prueba condicionada a que el paciente no tenga
la enfermedad.
4.3.1 Derivación del teorema de Bayes

Suponga que estamos tratando de calcular la probabilidad de enfermedad D dado que una par-
se produjo un resultado particular de la prueba ( R ). Usando la notación de probabilidad condicional,
debemos calcular
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 ]
Por lo tanto, obtenemos
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
Reorganizando estas expresiones, obtenemos
P[RyD]=P[D]×P[R|D] (4,3)
P [ R y sin D ] = P [sin D ] × P [ R | sin D ] (4,4)
Sustituyendo las ecuaciones 4.3 y 4.4 en 4.2, obtenemos el teorema de Bayes:
P[D]×P[R|D]
P[D|R]= (4,5)
( P [ D ] × P [ R | D ] + P [sin D ] × P [ R | sin D ])
4.3.2 Formas clínicamente útiles del teorema de Bayes

Teorema de Bayes cuando el resultado de una prueba es positivo
Para traducir la Ecuación 4.5 a una forma clínicamente útil, haremos varios
cambios.
Primero, expresamos el resultado de la prueba ( R ), que potencialmente podría tener cualquier
valor biológicamente razonable, como variable dicotómica (positiva o negativa).
¿Por qué? La mayoría de los resultados de las pruebas se expresan como una variable continua (por ejemplo, la
concentración de una enzima en la sangre o el tamaño de una masa pulmonar en un
radiografía de tórax). Para actuar sobre el resultado de una prueba, debemos elegir un valor de umbral
para tomar medidas (p. ej., la masa pulmonar más pequeña que los expertos creen que debe
biopsiado en lugar de monitoreado para ver si crece). Todos los valores del resultado de la prueba
por encima del umbral que llamamos "positivo". Todos los valores por debajo del umbral,
llamar '' negativo ''. Elegir el punto de corte que define lo positivo y lo negativo es
un tema importante que abordamos en el Capítulo 5.
En segundo lugar, dado que la probabilidad de todas las causas de un problema de diagnóstico debe sumar
a 1, P [no D ] es equivalente a 1 - P [ D ].
En tercer lugar, expresaremos P [+ | D ], la probabilidad de un resultado positivo de la prueba dada
que el paciente está enfermo, como la sensibilidad de la prueba. Artículos sobre el
Las características de rendimiento de las pruebas utilizan el término "sensibilidad" en lugar de su
equivalente en notación de probabilidad condicional:
número de pacientes enfermos con prueba positiva

sensibilidad =
número de pacientes enfermos
Cuarto, reescribiremos P [+ | no D ], la probabilidad de un resultado positivo en la prueba.

dado que la enfermedad hipotetizada está ausente, en términos de la especificidad de
la prueba, que es la probabilidad de una prueba negativa si la enfermedad hipotetizada
está ausente. La razón para reescribir P [+ | no D ] en términos de especificidad es que
Los estudios de rendimiento de las pruebas de diagnóstico habitualmente informan sus hallazgos como
especificidad. La probabilidad de todos los resultados de la prueba en pacientes que no tienen la
enfermedad hipotética debe sumar 1. Por lo tanto, P [+ | no D ] (ver Ecuación
4.5) es equivalente a (1 - P [- | no D ]) o (1 - especificidad):

número de pacientes no enfermos con prueba negativa

especificidad =
número de pacientes no enfermos
Página 79
Combinando estos cuatro cambios, tenemos el teorema de Bayes en un útil

formulario:
( 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
{1 - la probabilidad de la enfermedad hipotética}
Más adelante en el capítulo, consideraremos qué hacer cuando varias enfermedades están
bajo consideración y una prueba puede detectar cada uno de ellos.
Teorema de Bayes cuando el resultado de una prueba es negativo

Para calcular la probabilidad de enfermedad si el resultado de una prueba es negativo (es decir, a continuación
el resultado de umbral para tomar acción), usamos la Ecuación 4.5 después de sustituir
signos menos (para denotar un resultado de prueba negativo) para R en la Ecuación 4.5. Por lo tanto,
P [ D | +] se convierte en P [ D | -]:
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:
P [- | D ] es la probabilidad de un resultado negativo de la prueba dado que el paciente tiene

la condición objetivo, que es 1 - la probabilidad de que la prueba sea positiva cuando
el paciente tiene la condición de destino.

Página 80
P [- | no D ] es la probabilidad de un resultado negativo dado que el paciente

no tiene la enfermedad hipotética, que es la especificidad de la prueba.
P [ D ] × p (1 - sensibilidad)
P [ D | -] = (4,8)
( P [ D ] × P (1 - sensibilidad) + P [sin D ] × especificidad)
Probabilidad de un resultado de prueba

Como se señaló anteriormente, la probabilidad de un resultado positivo de la prueba ( P [+]) es la suma de sus
probabilidad en pacientes enfermos y su probabilidad en pacientes no enfermos:
P [+] = P [+ y D ] + P [+ y sin D ]
En la sección anterior, reorganizamos la definición de probabilidad condicional

para mostrar que
P [+ y D ] = P [ D ] × P [+ | D ]
P [+ y sin D ] = P [sin D ] × P [+ | sin D ]
Dado que P [+ | D ] = sensibilidad y P [+ | no D ] = 1 - especificidad,
probabilidad de un resultado positivo
= P [ D ] × sensibilidad + (1 - P [ D ]) × (1 - especificidad) (4,9)
probabilidad de un resultado de prueba negativo

= [1 - probabilidad de un resultado positivo en la prueba] (4.10)
Ejemplo : a modo de ilustración, imagine a un hombre de 55 años con hemoptisis y

una larga historia de fumar cigarrillos. Basado en los hallazgos clínicos y su
experiencia personal, el médico sospecha de cáncer de pulmón y estima la
prueba de probabilidad de cáncer de pulmón de 0,4. La interpretación de la radiografía de tórax.
es una "masa de lesión en el lóbulo superior derecho".
La realización de la radiografía de tórax en pacientes con sospecha de cáncer de pulmón es

sensibilidad: 0,60
especificidad: 0,96
¿Cómo debe interpretar el médico el hallazgo de una '' lesión masiva en el lado derecho
¿lóbulo superior?''
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
¿Y si la radiografía de tórax no hubiera mostrado una masa de lesión?
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.
4.4 La forma de razón de posibilidades del teorema de Bayes
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)
Ahora, convierta P [ D ], una probabilidad, en probabilidades utilizando la relación aprendida en

Capítulo 3:
probabilidades [ D ]
P[D]=
1 + probabilidades [ D ]
Página 82

En lugar de probabilidades [ D ], escribimos O [ D ]. Sustituyendo O [ D ] / (1 + O [ D ]) donde

ver P [ D ] en el teorema de Bayes (Ecuación 4.2), obtenemos la expresión
( )
O[D]×P[R|D]
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.
Otra forma de enunciar la expresión de la razón de posibilidades del teorema de Bayes es
Probabilidades posteriores a la prueba = probabilidades anteriores a la prueba × razón de verosimilitud
La razón de verosimilitud es conveniente y poderosa: un solo número que muestra

cuánto debería cambiar la propia incertidumbre después de nueva información, como un
resultado de la prueba.
Página 83
Comprender nueva información: teorema 71 de Bayes
Cuadro 4.1
Resultado de la prueba Índice de probabilidad

(mm segmento ST para arteria coronaria
depresión) enfermedad

< 1.0 0,40

1.0–1.49 2,09
1,5–1,99 4.50
2.0–2.49 10.80
≥2,5 38,00
Datos de Diamond y Forrester (1979).
4.4.2 La razón de verosimilitud: una medida de discriminación de prueba

Vimos en la sección anterior que
P [resultado en personas enfermas]

razón de verosimilitud =
P [resultado en personas no enfermas]
La razón de verosimilitud es una forma muy útil de caracterizar la información clínica.

Cualquier hallazgo clínico puede caracterizarse por su razón de probabilidad. Diferente
cantidades de depresión del segmento ST durante una prueba de esfuerzo con ejercicio indican
diferentes probabilidades de enfermedad de las arterias coronarias en un arteriograma, como se muestra
en este ejemplo (Tabla 4.1).
En contraste con este ejemplo de una variable continua que tiene probabilidad
proporciones para cada uno de varios resultados, un resultado binario (resultado por encima de un umbral
para tomar acción) o resultado ausente (resultado por debajo del umbral de acción), que
traducir en "positivo" y "negativo", también puede tener razones de probabilidad.
Por ejemplo, los médicos a menudo tratan la cantidad de depresión del segmento ST
en un electrocardiograma de esfuerzo como variable dicotómica. Menos de 1 mm
La depresión del segmento ST es una prueba negativa; Depresión del segmento ST de ≥1 mm
es una prueba positiva, que puede requerir pruebas adicionales. La tabla 4.2 muestra
la razón de probabilidad para todas las cantidades de depresión del segmento ST que están en
mínimo 1 mm.
Cada uno de estos dos hallazgos tiene una razón de verosimilitud, una correspondiente a
Depresión del segmento ST ≥1 mm (abreviado LR +), y uno correspondiente a
Cuadro 4.2
Resultado de la prueba Índice de probabilidad

(mm segmento ST para arteria coronaria
depresión) enfermedad
< 1.0 0,41

≥1 7,45
Datos de Rifkin y Hood (1977).
Página 84
Depresión del segmento ST < 1 mm (abreviado LR−):
P [hallazgo presente en personas enfermas ]

LR + =
P [encontrar presentes en la no - enfermas personas]
De las definiciones de sensibilidad y especificidad, esta definición toma el

siguiente forma:
sensibilidad
LR + = (4.12)
1 - especificidad

P [hallazgo ausente en personas enfermas ]

LR− =
P [ausente en la búsqueda de la no - enfermas personas]
De las definiciones de sensibilidad y especificidad, esta definición toma el

siguiente forma:
1 - sensibilidad
LR− = (4,13)
especificidad
La razón de verosimilitud es especialmente útil para expresar la discriminación

poder del resultado de una prueba porque el médico necesita recordar solo un número
(la razón de verosimilitud) en lugar de dos números (sensibilidad y especificidad).
4.4.3 Uso de la forma de razón de posibilidades del teorema de Bayes

La razón de verosimilitud se usa en la forma de razón de probabilidades del teorema de Bayes. Para comprender
mantener el formato de razón de posibilidades, recuerde las siguientes definiciones del Capítulo 3:
P [el evento ocurrirá]

probabilidades de evento =
P [el evento no ocurrirá]
pag
probabilidades de evento =
1-p
Por lo tanto, si la probabilidad de un evento es 0.33, las probabilidades de que el evento

ocurren son
pag 0,33 1
probabilidades de evento = = = o 1: 2
1-p 1 - 0,33 2
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
Ejemplo 1 : ¿Cuál es la probabilidad posterior a la prueba de enfermedad de las arterias coronarias en

un hombre de mediana edad con antecedentes de angina de pecho atípica? Su ejercicio
El electrocardiograma de esfuerzo mostró una depresión del segmento ST de 2,0 mm.
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:
pag 0,7 0,7

probabilidades de evento = = = = 2,3: 1
1-p 1 - 0,7 0,3

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 este caso, el resultado muy positivo de la prueba de esfuerzo ha aumentado la

probabilidad de enfermedad de las arterias coronarias con una certeza virtual.
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.
Ejemplo 2 : ¿Cómo debe interpretar un radiólogo una masa pulmonar en un tórax?

radiografía tomada en un hombre cuya probabilidad previa a la prueba de cáncer de pulmón es de 0,4?
Paso 1: el primer paso para responder a esta pregunta es calcular la probabilidad

relación para el hallazgo radiográfico de una masa pulmonar:
P [hallazgo presente en personas enfermas ]

LR + =
P [encontrar presentes en la no - enfermas personas]
La probabilidad de que haya una masa pulmonar en personas con

cáncer es 0,6, que es la sensibilidad de la radiografía de tórax para pulmón
cáncer. La probabilidad de que haya una masa pulmonar en personas que no
no tener cáncer de pulmón es 0.04, que es 1 - la especificidad del tórax
radiografía.
De acuerdo con la Ecuación 4.12, cuando hay un hallazgo , la probabilidad
la proporción es
sensibilidad
LR + =
1 - especificidad
Página 86
La razón de probabilidad de cáncer cuando hay una masa pulmonar en el tórax.

rayos x es
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
1-p 1 - 0,4 0,6
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.
Ejemplo 3 : ¿Cómo debe interpretar un radiólogo una radiografía de tórax normal?

tomado debido a la preocupación por el cáncer de pulmón? El paciente tuvo una prueba previa
probabilidad de cáncer de pulmón igual a 0,4.
Paso 1: el primer paso para responder a esta pregunta es calcular la probabilidad

relación para el cáncer de pulmón cuando la radiografía de tórax no muestra una
masa pulmonar:
Página 87
P [hallazgo ausente en personas enfermas ]

LR− =
P [ausente en la búsqueda de la no - enfermas personas]
La probabilidad de que la radiografía de tórax muestre una masa pulmonar en

personas con cáncer de pulmón es 0,6 (la sensibilidad de la radiografía de tórax),
lo que significa que la probabilidad de que no haya una masa pulmonar es de 0,40
( 1 - sensibilidad ), (Explicación: dado que una masa pulmonar está presente o
ausente, la suma de las dos probabilidades debe sumar 1.0.)
La probabilidad de que no haya una masa pulmonar en personas que no
tiene cáncer de pulmón (0,96) es, por definición, la especificidad del tórax
radiografía.
De la ecuación 4.13, cuando un hallazgo está ausente , la razón de verosimilitud es
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:

pag 0.4 0.4

1-p 1 - 0,4 0,6
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
Al usar probabilidades de eventos y usar razones de probabilidad para las pruebas

simplifica el cálculo, muchas personas encuentran que la probabilidad es un lenguaje más fácil
calibre para expresar incertidumbre. Podemos convertir las probabilidades de un evento
volviendo a la probabilidad del evento:
impares 0,28: 1
probabilidad = = = 0,22
1 + probabilidades
1 + 0,28: 1
4.5 Lecciones que se deben aprender del teorema de Bayes
4.5.1 Conocimientos sobre la interpretación de pruebas de diagnóstico

Los médicos pueden aprender a interpretar las pruebas de diagnóstico aplicando el método de Bayes
teorema a diversas situaciones clínicas. Algunas de estas lecciones surgen de
estudiar un gráfico de la probabilidad posterior a la prueba para todas las probabilidades
ities (Figura 4.4).
La relación que se muestra en la Figura 4.4 destaca una de las dos más
ideas importantes en este libro: la probabilidad posterior a la prueba depende de la prueba previa
probabilidad. Evidentemente, la interpretación de la prueba depende de la probabilidad previa a la prueba.
de enfermedad.
De manera más general, podemos decir:
La interpretación de nueva información depende de lo que ya sabíamos sobre la

paciente .
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
Si comprende las implicaciones de esta declaración, responderá como

sigue a una situación clínica típica:
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
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
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.
poco efecto sobre la probabilidad de enfermedad. Desconfirmación de un cuadro clínico fuerte

Sin embargo, las sospechas pueden ser bastante útiles. Un resultado de prueba negativo inesperado
(uno que ocurre en una persona con una alta probabilidad de enfermedad previa a la prueba) puede
reducir considerablemente la probabilidad de enfermedad, tal vez lo suficiente para revertir un
decisión sobre el inicio del tratamiento. Un resultado positivo inesperado puede tener
efecto similar si el médico estaba a punto de decidir en contra de un diagnóstico
hipótesis. ¿Significa esta observación que deberíamos pedir pruebas
rutinariamente cuando la probabilidad previa a la prueba es muy baja o muy alta? La respuesta
es no, en parte porque la probabilidad de un resultado de prueba sorprendente es muy baja
cuando la probabilidad previa a la prueba se encuentra en los extremos de la escala de probabilidad.
Este tema es el tema del Capítulo 9.
4.5.2 La importancia clínica de la especificidad de la prueba

Siempre se prefiere la prueba con la mayor sensibilidad y especificidad si otros
los factores, como los daños de las pruebas y el costo, son equivalentes. Sin embargo, un
La prueba altamente sensible y específica suele ser más cara. El clínico debe
pregunte, '' ¿Vale la pena el beneficio adicional de una prueba altamente específica o sensible?
costo? '' Una forma de responder a esta pregunta es preguntar si la prueba '' mejor '' conduce
a una diferencia clínicamente significativa en la probabilidad de enfermedad posterior a la prueba.

El capítulo 9 presenta un enfoque alternativo para responder la misma pregunta.

La importancia de la especificidad de una prueba se puede apreciar calculando
la probabilidad posterior a la prueba correspondiente a una prueba muy específica y comparando
a la probabilidad posterior a la prueba después de una prueba relativamente no específica (Figura 4.6).
La figura 4.6 tiene varias lecciones que impartir:
• La especificidad de una prueba afecta fuertemente la interpretación de un resultado positivo .
A medida que aumenta la especificidad, también aumenta la probabilidad de enfermedad posterior a la prueba.
Cuando la probabilidad previa a la prueba es muy baja, solo un resultado de prueba con una
la baja especificidad aumentará la probabilidad de enfermedad a 0,90 o más.
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
0,3 FP = .01, .05, .15

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.
Ejemplo : en pacientes con angina típica, la probabilidad previa a la prueba

de enfermedad de las arterias coronarias es 0.90 o más. La probabilidad posterior a la prueba
después de un escaneo miocárdico más costoso es 0,99, solo un poco más alto
que después del electrocardiograma de ejercicio menos costoso (0,98).
• 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
Ejemplo : uso rutinario de la velocidad de sedimentación globular en

Los pacientes con antecedentes y examen físico normales darán lugar a
un diagnóstico insospechado en menos de 6 pacientes de cada 10000.
• 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.
4.5.3 La importancia clínica de la sensibilidad de la prueba

La importancia de la sensibilidad de la prueba se puede apreciar comparando
Probabilidad de prueba después de un resultado positivo con una prueba con muy alta sensibilidad a
la probabilidad posterior a la prueba después de pruebas con una sensibilidad más baja (Figura 4.7).
La figura 4.7 ilustra varios conceptos:
• La sensibilidad de una prueba afecta fuertemente la probabilidad después de una prueba negativa .
resultado . Cuanto mayor sea la sensibilidad de una prueba, menor será la posprueba
1,00
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
0,20 TP = .98
0,10
0,00
0 0,2 0.4 0,6 0,8 1
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
probabilidad de enfermedad. Esta relación es más fuerte cuando la prueba previa

la probabilidad de enfermedad es alta.
Ejemplo : pruebas de imagen no invasivas para la enfermedad de las arterias coronarias

normalmente tienen una sensibilidad de 0,70 a 0,80. Para pacientes con esfuerzo
angina de pecho, la probabilidad de enfermedad de las arterias coronarias después de una
La prueba de imagen negativa es demasiado alta para excluir la arteria coronaria.
enfermedad.
• 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.
Ejemplo : en pacientes con cáncer de pulmón comprobado, la sensibilidad de

La tomografía computarizada de tórax es de 0,88 para detectar metástasis.
tases al mediastino. Si la sospecha de metástasis es alta (prueba previa
probabilidad = 0,90), la probabilidad de metástasis posterior a la prueba si la exploración
es negativo es 0,70, y se necesitaría una prueba invasiva para descartar
metástasis antes de realizar una cirugía potencialmente curativa. Desde un
prueba positiva no afectaría a una probabilidad previa a la prueba muy alta, haciendo
una exploración no evitaría una prueba invasiva. Sin embargo, la prueba aún podría
ser útil para identificar los ganglios agrandados para realizar una biopsia.
• 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.
Ejemplo : en la búsqueda de metástasis mediastínicas del pulmón primario

cáncer, la sensibilidad de la tomografía computarizada (TC) de tórax es
menor (0,61) que la PET (0,85). Sin embargo, en pacientes cuya pre
La probabilidad de metástasis de la prueba es baja (0,10), la probabilidad posterior a la prueba
después de una prueba negativa es de 0.055 para la tomografía computarizada y 0.02 para la tomografía por emisión de positrones.
El clínico tendría que sopesar la importancia de un nivel ligeramente más bajo
probabilidad de metástasis mediastínicas (0,02 frente a 0,05) frente a la gran
mayor costo de una tomografía por emisión de positrones. ¿Sería diferente el siguiente paso en la gestión?
debido a esa pequeña diferencia en la probabilidad posterior a la prueba?

Página 94
• La probabilidad después de una prueba positiva no se ve afectada por la sensibilidad del

prueba . Como se ve al comparar la familia superior de curvas en la Figura 4.7, el
La sensibilidad de una prueba tiene un efecto relativamente pequeño sobre la probabilidad posterior a la prueba.
correspondiente a un resultado positivo de la prueba. Si el objetivo del médico es aumentar la
probabilidad de enfermedad, una prueba menos costosa y menos sensible también servirá
como uno más caro, más sensible.
4.6 Los supuestos del teorema de Bayes
El teorema de Bayes requiere que hagamos varias suposiciones. Para entenderlos,

expresaremos el teorema de Bayes en notación de probabilidad condicional:
P[D]×P[R|D]
P[D|R]= (4,5)
donde R = resultado de la prueba, D = enfermedad presente, no D = enfermedad ausente.
Supuesto no. 1 : La probabilidad condicional de un resultado de prueba es independiente de la

probabilidad previa de enfermedad
Suponemos que esta relación es verdadera siempre que sustituimos el mismo
sensibilidad y especificidad en el teorema de Bayes independientemente del problema anterior
capacidad de enfermedad. El siguiente ejemplo muestra que esta suposición puede
a veces ser incorrecto. Imagine una gammagrafía con radionúclidos del hígado que detecta
metástasis de cáncer de colon. Este escaneo detecta todas las metástasis que son más grandes
de 2 cm. Considere ahora dos pacientes con cáncer de colon descubierto recientemente.
Sin el conocimiento de sus médicos, ambos pacientes tienen metástasis en el hígado.
• Uno ha perdido peso. Su hígado está considerablemente agrandado y tiene un pedregoso
consistencia dura. La probabilidad previa de metástasis de este paciente es alta. Si
un patólogo podría examinar el hígado de este paciente, la mayoría de las metástasis
sería mayor de 2 cm, fácilmente detectable por la gammagrafía hepática. Si el hígado
en pacientes como éste, su sensibilidad sería cercana
a 1.0.
• El otro paciente se siente y se ve bien y su hígado no está agrandado.
La probabilidad previa de metástasis hepática del paciente es baja. Si un patólogo
podría examinar el hígado de este paciente, las metástasis probablemente serían
menor de 2 cm, y no sería detectado por la gammagrafía hepática. Si el
En pacientes como éste se evaluó la gammagrafía hepática, su sensibilidad sería
bastante baja.
En este ejemplo hipotético, la sensibilidad de la prueba depende de la

probabilidad de enfermedad, en violación del supuesto de que la sensibilidad y
la especificidad es constante. Existen pocos ejemplos de este fenómeno, principalmente
principalmente porque pocos investigadores estratifican su medición de pruebas de diagnóstico
desempeño de una manera que lo detecte (principalmente porque la investigación
raras veces miden la probabilidad previa a la prueba de la enfermedad diana cuando
medir la sensibilidad y la especificidad). Un estudio del electrocardiograma de ejercicio.
Página 95
Comprensión de nueva información: teorema de Bayes 83
Cuadro 4.3

Tipo de dolor de pecho No. de pacientes P [CAD] Sensibilidad Especificidad
Hombres Angina típica 487 0,88 0,84 0,71

Angina atípica 443 0,67 0,72 0,80
Dolor no anginoso 203 0,22 0,46 0,79
Mujeres
Angina típica 67 0,58 0,57 0,57
Angina atípica 153 0,35 0,69 0,69
Dolor no anginoso 175 0,05 0,81 0,81
Los datos de Weiner et al . (1979).
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).
Supuesto no. 2 : La probabilidad condicional de un resultado de prueba es independiente de la

resultados de la prueba
Para comprender esta suposición, imagine que se han realizado dos pruebas en
secuencia (primero R 1 y luego R 2) y calcular la probabilidad de enfermedad después
la segunda prueba:
P [ D ] × P [ R 2 | D , R 1]
P [ D | R 1, R 2] =
( P [ D ] × P [ R 2 | D , R 1] + P [sin D ] × P [ R 2 | sin D , R 1])
donde R 1 = resultado de la prueba 1, R 2 = resultado de la prueba 2, D = enfermedad presente, no

D = enfermedad ausente y
P [ D | R 1, R 2] = probabilidad de enfermedad dados los resultados de la prueba 1 y la prueba 2
P [ R 2 | D , R 1] = probabilidad de resultado en la prueba 2 condicionada al paciente
estar enfermo y el resultado de la prueba 1 .
Como se analiza en la siguiente sección, pocos investigadores han estudiado varios

Las pruebas de diagnóstico se realizan siempre en la misma secuencia. Los pacientes enfermos
dividirse en aquellos con un resultado normal en la primera prueba y aquellos con un
resultado anormal. Luego vea si la sensibilidad de la segunda prueba depende de la
resultados de la primera prueba, la frecuencia de un resultado en la segunda prueba debe ser
medido en ambos de estos grupos de pacientes con la enfermedad diana. Ya que
esta información rara vez está disponible, los médicos deben asumir que la frecuencia de
Página 96
un resultado en la segunda prueba en pacientes enfermos es el mismo independientemente de los resultados de

la primera prueba . Esta suposición es lo mismo que decir que
P [ R 2 | D , R 1] = P [ R 2 | D ]
que a menudo se denomina el supuesto de independencia condicional .

Al medir la probabilidad posterior a la prueba después de una secuencia de pruebas, uno

también debe asumir la independencia condicional para la especificidad de la prueba. Ilustramos
el principio de independencia condicional en un ejemplo ampliado en el próximo
sección.
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:
Utilice el post-test de probabilidad después de la primera prueba de que el pre-test proba-

bilidad para la segunda prueba. Luego, use la sensibilidad y especificidad del
segunda prueba y el teorema de Bayes para calcular la probabilidad posterior a la prueba para el
segunda prueba.
Ilustramos este concepto para un electrocardiograma de ejercicio (en adelante, ejercicio

ECG) que se ha realizado en un hombre asintomático de 45 años que está
para comenzar un programa de entrenamiento con ejercicios (Figura 4.8). La probabilidad previa a la prueba
de enfermedad de las arterias coronarias es de 0.06 en hombres asintomáticos en la quinta década de
vida. La sensibilidad del ECG de esfuerzo es de 0,58 y su especificidad es de 0,88. los
probabilidad de enfermedad de las arterias coronarias si la prueba de esfuerzo provoca ≥1 mm ST
la depresión del segmento es 0,24, calculada con el teorema de Bayes. Por lo tanto, siguiendo
una prueba de esfuerzo anormal inesperada, las probabilidades son 1 de cada 3 de que el paciente
Post-prueba # 1 =
Prueba preliminar n. ° 1
Prueba preliminar n. ° 2
Positivo
prueba
0 .10 .20 .30 .40 .90 1.0
Figura 4.8 Interpretación de una secuencia de pruebas para la enfermedad de las arterias coronarias.
Página 97
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?
Esta pregunta se responde fácilmente. La probabilidad de arteria coronaria

enfermedad después del ECG de esfuerzo positivo es la probabilidad de enfermedad antes

a una segunda prueba.
2. ¿Cuál es la sensibilidad y especificidad de la gammagrafía con radionúclidos de ejercicio de

el miocardio?
Esta pregunta parece incluso más sencilla que la primera. los

La respuesta aparentemente correcta es la sensibilidad y especificidad del ejercicio.
gammagrafía con radionúclidos en un gran estudio de pacientes a los que se les realizó la gammagrafía y
una prueba definitiva, como una arteriografía coronaria. En realidad, la respuesta
es más complicado porque la población de estudio ideal debe ser
similar al paciente que tuvo un ECG de esfuerzo anormal. Por lo tanto,
Todos los pacientes del estudio deben tener un ECG de esfuerzo seguido de un ejercicio.
gammagrafía miocárdica con radionúclidos y luego una prueba definitiva de coronario
enfermedad de las arterias. Con este diseño de estudio, es posible calcular la
Sensibilidad y especificidad de la gammagrafía miocárdica con radionúclidos de ejercicio.
en dos grupos de pacientes, aquellos con un ECG de esfuerzo positivo y aquellos
con un ECG de esfuerzo negativo.
Una gran serie de pacientes en los que la sensibilidad y especificidad del

gammagrafía de radionúclidos después de un ECG de esfuerzo se miden tendrá dos
subgrupos:
• aquellos en los que el ECG de esfuerzo es anormal ;
• aquellos en los que el ECG de esfuerzo es normal.
Si la sensibilidad y la especificidad del escaneo son exactamente las mismas en estos dos
subgrupos, se dice que la exploración es condicionalmente independiente del ECG de esfuerzo.
Definición de independencia condicional : Dos pruebas son condicionalmente independientes.

pendiente si la sensibilidad y especificidad de una prueba no dependen de la
resultado de la otra prueba.
Cuando la sensibilidad y especificidad de la exploración en toda la población son

aplicado a aquellos con un ECG de esfuerzo positivo, el médico asume que
la exploración y el ECG de esfuerzo son condicionalmente independientes.
Cuando se usa el teorema de Bayes para interpretar una secuencia de pruebas, la mayoría de las personas
Supongamos que la sensibilidad y especificidad de cada prueba son condicionalmente
independiente de los resultados de las otras pruebas. Oportunidades para probar el con-
La suposición de independencia alternativa ocurre con poca frecuencia porque la mayoría de los estudios
Página 98
Cuadro 4.4
Numero de pacientes
E+T+ E-T+ E+T- E-T- E? T + E? T -
CAD presente 110 19 21 8 54 14

CAD ausente 3 3 dieciséis 77 6 58
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
Resultados de Sensibilidad de Especificidad de

ejercicio de ECG exploración de radionúclidos exploración de radionúclidos
Anormal 0,84 0,84 *

Normal 0,70 0,96 *
Equívoco 0,79 0,91
Cuadro 4.6
Resultados de Sensibilidad de Especificidad de

exploración de radionúclidos ejercicio de ECG ejercicio de ECG
Anormal 0,85 0,50 *

Normal 0,72 0,83 *
Página 99
Cuadro 4.7
Probabilidad de CAD si se realiza una exploración y un ECG de esfuerzo

son ambos positivos
Probabilidad previa a la prueba de CAD Independencia condicional Independencia condicional

después de un ECG de esfuerzo positivo asumido no asumido
0,25 0,76 0,64

0,50 0,90 0,84
0,75 0,97 0,94
Para calcular la probabilidad posterior a la prueba después de la segunda prueba en la secuencia, P [ T 2 + | D ] y
P [ T 2 + | no D ] se sustituyeron en el teorema de Bayes.

Para calcular la probabilidad posterior a la prueba después de la segunda prueba en la secuencia, P [ T 2 + | T 1 +, D ] y
P [ T 2 + | T 1 +, no D ] se sustituyeron en el teorema de Bayes (tabla 4.4).
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

Se muestran dos pruebas calculando la probabilidad posprueba de arteria coronaria.

enfermedad (CAD) (Tabla 4.7).
Las consecuencias de asumir que la exploración y el ECG de esfuerzo son
condicionalmente independientes dependen de la probabilidad previa de CAD, como lo haría
cabe esperar de la inspección de la Figura 4.7. La probabilidad de CAD si ambos
ECG de exploración y esfuerzo son positivos es consistentemente más bajo con condiciones
independencia no asumida (es decir, cuando el desempeño de la prueba de la segunda prueba
se midió por separado en pacientes con resultados positivos y pacientes con
resultados negativos en la primera prueba, en lugar de asumir que el rendimiento de
la segunda prueba no depende de los resultados de la primera prueba).
Las pruebas se utilizan a menudo en secuencia, y es importante poder interpretar
Los resultados. Usando la probabilidad de enfermedad posterior a la prueba de la primera prueba como
La probabilidad previa de enfermedad para la segunda prueba es razonable. Sin embargo, fallando
tener en cuenta los resultados de la primera prueba al medir el rendimiento
de la segunda prueba puede dar lugar a un error porque la población adecuada para
La medición del rendimiento de la segunda prueba depende de los resultados de la
primer examen. A medida que aumenta el número de pruebas en una secuencia, los errores debidos a suponer
La independencia condicional del rendimiento de la prueba aumenta simplemente porque más
las pruebas en una secuencia significan más oportunidades de error.
Antes de sucumbir a la desesperación por la posibilidad de errores de este tipo,
el lector debe recordar dos hechos. Primero, para una amplia gama de pruebas previas
probabilidades, el teorema de Bayes nos dice que la probabilidad posterior a la prueba es en gran medida
independiente de los errores en la medición del rendimiento de la prueba (véanse las Figuras 4.6 y 4.7).
En segundo lugar, las decisiones posteriores a la prueba dependen de la probabilidad de enfermedad posterior a la prueba.
en relación con una probabilidad de umbral de tratamiento. Si la probabilidad posterior a la prueba es
Página 100
cerca de la probabilidad del umbral de tratamiento, la precisión es importante, porque

un pequeño error podría mover la probabilidad posterior a la prueba al otro lado de la
umbral de tratamiento. Es menos importante si la probabilidad posterior a la prueba está muy por encima
o por debajo del umbral, ya que se requeriría un error mucho mayor para cambiar
La probabilidad posterior a la prueba es suficiente para superar el umbral de tratamiento y
alterar la decisión sobre cómo tratar al paciente.
4.8 Usando el teorema de Bayes cuando muchas enfermedades están bajo

consideración
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.

Si tenemos información sobre la probabilidad de otras enfermedades individuales,

deberíamos usarlo. En esta sección, derivamos el teorema de Bayes en su forma más general
forma, una que puede mostrar la contribución de cualquier "otra enfermedad" a la
denominador del teorema de Bayes individualmente (en lugar de agruparlos todos
bajo el término '' ninguna enfermedad '').
Suponga que un clínico está considerando tres enfermedades ( A , B y C ) como
posible causa de los síntomas de un paciente. El objetivo del médico es calcular la
probabilidad de enfermedad A dada la presencia de un hallazgo clínico.
En este caso, conocemos la prevalencia de las enfermedades A , B y C , y
también conozca la frecuencia de los hallazgos x , y y z en estas enfermedades (p. ej., P [ x | A ]).
En lugar de representar dos de las enfermedades (p. Ej., B y C ) como "sin enfermedad",
podemos enumerarlos por separado y obtener una precisión adicional en la estimación de la
probabilidad condicional de que la enfermedad A esté presente.
Las probabilidades previas de estas enfermedades son P [ A ], P [ B ] y P [ C ], donde
P [ A ] + P [ B ] + P [ C ] = 1. El médico hace tres observaciones ( x , y , y z ).
Las relaciones entre estas observaciones y las tres enfermedades se dan
en la tabla 4.8 por las probabilidades condicionales.
Página 101
Cuadro 4.8
Probabilidad de observación dada

enfermedad A, B o C
Enfermedad X y z
A P[x|A] P[y|A] P[z|A]

B P[x|B] P[y|B] P[z|B]
C P[x|C] P[y|C] P[z|C]
La probabilidad de que uno de estos hallazgos ocurra en un paciente con una

de estas enfermedades (por ejemplo, P [ x y A ]) surge de la definición de condicional
probabilidad:
P[xyA]
P[x|A]=
P[A]
P[xyA]=P[A]×P[x|A]
La probabilidad de que la observación x ocurra en todos los pacientes con sospecha de

tener enfermedades A , B o C es la suma de la probabilidad de que ocurra en
cada enfermedad:
P[x]=P[A]×P[x|A]+P[B]×P[x|B]+P[C]×P[x|C]
La probabilidad de enfermedad A dado que se ha producido la observación x , P [ A | x ],

se desprende de la definición de probabilidad condicional:
P[xyA]
P[A|x]=
P[x]
Sustituyendo las expresiones de P [ x y A ] y P [ x ] en la expresión de

P [ A | x ], obtenemos la Ecuación 4.14, que es lo que le interesa al clínico:
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
Resumen
1. La razón más convincente para usar la probabilidad para expresar incertidumbre

es obtener acceso al teorema de Bayes, por lo tanto, calcular la posprueba
probabilidad.
2. El teorema de Bayes adopta dos formas equivalentes pero no idénticas:
• La forma algebraica del teorema de Bayes es especialmente útil cuando
se están considerando varias enfermedades, pero requiere una
calculadora.
• Con la forma de razón de posibilidades del teorema de Bayes, el cálculo de la prueba posterior
Las probabilidades requieren multiplicar dos números. Además, la probabilidad de una prueba
la proporción es fácil de recordar.
3. Quizás la idea más importante de este libro sea la siguiente:
La interpretación de un resultado de prueba depende de la probabilidad previa a la prueba de
enfermedad .
4. El teorema de Bayes proporciona otros conocimientos sobre la interpretación de los resultados de las pruebas.
y decidir cuándo es probable que una prueba sea útil:
• Rara es la prueba que descartará la enfermedad cuando la probabilidad previa a la prueba
es bastante alto.
• Aún más rara es la prueba que descartará la enfermedad cuando la prueba previa
la probabilidad es bastante baja.
• Si realiza una prueba de detección de enfermedades ocultas, tenga especial cuidado de evitar pruebas que
tienen una baja especificidad.
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 ?

La probabilidad del síntoma A solo es 0.2, la probabilidad del síntoma

tom B solo es 0.5, y la probabilidad de que ocurran ambos síntomas
juntos es 0,1.
3. ¿Puede ser mayor la probabilidad de que los síntomas A y B estén presentes?

que la probabilidad de que el síntoma A esté presente en un paciente en el que se
¿Sabe que el síntoma B está presente?
4. Suponga que la probabilidad de que ni la enfermedad A ni la enfermedad B estén presentes
es 0.1, la probabilidad de que solo esté presente la enfermedad A es 0.3, y la probabilidad
Página 103
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
Diamond, GA y Forrester, JS (1979) Análisis de probabilidad como ayuda en la clínica

diagnóstico de enfermedad de las arterias coronarias. Revista de Medicina de Nueva Inglaterra , 300 , 1350–8.
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.
Gorry, GA, Pauker, SG y Schwartz, WB (1978) La importancia diagnóstica de la

hallazgo normal. Revista de Medicina de Nueva Inglaterra , 1978; 298 : 486–9.
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.
Rifkin, RO y Hood, WB (1977) Análisis bayesiano de pruebas de esfuerzo electrocardiográficas.

Revista de Medicina de Nueva Inglaterra , 297 , 681–6.
El razonamiento probabilístico en la selección de pruebas se ha vuelto particularmente bien aceptado en cardio-

práctica lógica. Este artículo fue muy influyente.

Un libro con buena información sobre el rendimiento de las pruebas.
Sox, HC (1985) Prueba de esfuerzo en caso de sospecha de enfermedad arterial coronaria. Enfermedad al mes ,
31 (12), 1–70.
Página 104
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
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
Los médicos dependen de la información para tomar decisiones. Al tomar un historial,

interpretan la respuesta a una pregunta como evidencia a favor o en contra de un diagnóstico
hipótesis. Como aprendimos en los capítulos anteriores, la información de diagnóstico
suele ser imperfecto. Los errores de interpretación ocurren cuando:
• el médico asume que una respuesta negativa significa que la enfermedad está ausente .
Un resultado falso negativo ocurre cuando un paciente tiene una enfermedad pero no
no tengo el hallazgo.
• el médico asume que una respuesta positiva significa que la enfermedad está presente .
Un hallazgo que se asocia con una enfermedad a veces ocurre en pacientes
que no tienen la enfermedad: es un resultado falso positivo .
En el Capítulo 4, aprendimos que la interpretación de un hallazgo clínico depende
en parte por su tasa de falsos negativos y falsa positiva. Este capítulo es
sobre medir la frecuencia de estos hallazgos engañosos y evaluar
informes publicados de pruebas de diagnóstico. Hay ocho partes en el capítulo:
5.1 Cómo describir los resultados de la prueba: anormal y normal, positivo
y negativo 93
5.2 Medición de la capacidad de una prueba para revelar el verdadero estado del paciente 98
5.3 Cómo medir las características de una prueba de diagnóstico:
un caso hipotético 106
5.4 Escollos del valor predictivo 109
5.5 Fuentes de estimaciones sesgadas del desempeño de la prueba y
como evitarlos 110
5.6 Sesgo de espectro 116
5.7 Expresar los resultados de la prueba como variables continuas 125
5.8 Combinación de datos de varios estudios de desempeño de pruebas 134
5.1 Cómo describir los resultados de la prueba: anormal y normal,

positivo y negativo
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
93

Página 106
No. de
pacientes
Concentración de suero
Figura 5.1 Resultados de una prueba hipotética en una población sana.
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.
Definición de afección objetivo: la enfermedad que el médico desea diagnosticar.
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
Figura 5.2 La desviación estándar de una distribución normal.
Página 107

Medición de la precisión de la información de diagnóstico 95
Individuos Individuos
sin enfermedad con enfermedad
No. de
pacientes
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.
Principio : Al describir el desempeño de una prueba (sensibilidad, especificidad,

razón de verosimilitud), siempre especifique la condición objetivo.
La distribución de valores en pacientes con la condición objetivo a menudo se superpone

los valores en individuos sin la condición objetivo (Figura 5.3). los
La interpretación del resultado de una prueba depende de conocer la forma de la distribución.
curvas en personas con y sin la condición objetivo y donde las curvas
superposición. Los valores muy bajos indican que no hay enfermedad y los valores muy altos indican
enfermedad. La incertidumbre no es un problema con valores extremos. La incertidumbre es un
problema para valores en el rango donde las dos curvas de distribución se superponen,
porque el paciente podría tener la condición de destino o no tenerla.
La interpretación de estos valores intermedios requiere el teorema de Bayes.
5.1.1 Definición de un resultado de prueba
• Un resultado de prueba como variable dicotómica:

- Por debajo y por encima del límite superior de lo normal.
- Normal vs. anormal.
- Positivo frente a negativo.
• Un resultado de prueba como variable continua.
Un resultado de prueba como variable dicotómica

El lenguaje comúnmente usado para describir el desempeño de la prueba usa términos que
Coloque los resultados de la prueba en dos categorías: por encima y por debajo de un valor de umbral para
tomando acción. Los términos más utilizados son sensibilidad, la frecuencia de un '' positivo ''
prueba en pacientes con la condición de destino y especificidad, la frecuencia de un
prueba '' negativa '' en alguien que no tiene la afección objetivo. Si el
El resultado de la prueba se expresa como una variable continua (como la troponina sérica, una prueba
para el daño del músculo cardíaco), necesitaremos una forma cuidadosa de decidir sobre el
resultado de la prueba de punto de corte que divide los resultados de la prueba en "positivo" y "negativo".
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
Usando el límite superior de normal como punto de corte

Los laboratorios clínicos generalmente informan el resultado de la prueba del paciente (p. Ej., 35 unidades / ml)

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.
Usando normal y anormal como punto de corte

Los médicos a menudo escuchan lo siguiente: "Esa radiografía de tórax es anormal".
O, "esta resonancia magnética es perfectamente normal". O "esa prueba cutánea de tuberculina es
anormal. '' Aquí, el médico no ha categorizado un resultado de prueba en referencia a
un punto de corte a lo largo de una escala continua de valores de resultado de prueba. En cambio, el punto de
la referencia parece ser la condición normal. Algunos especialistas pueden definir el
condición anormal de acuerdo con criterios estrictos, pero en la práctica la mayoría de los médicos
probablemente lo defina como "no normal". Cuando el límite que define una prueba
El resultado que requiere acción es fluido, o al menos vago y personalizado, aplicando
los métodos descritos en este libro son mucho más difíciles. Entonces, no usaremos
la terminología de normal y anormal.
Usando positivo y negativo como punto de corte

En la práctica, la mayoría de las ideas que definen la disciplina de la decisión médica
haciendo depender de expresar los resultados numéricos como una variable dicotómica.
Quizás este uso refleja la naturaleza de la toma de decisiones: es el acto de
eligiendo una acción y no otra. El punto de corte que define la acción debe
reflejar las características del problema de decisión. Hacia el final de esto
capítulo, mostraremos cómo aspectos del problema de decisión - el paciente, el
enfermedad, y el tratamiento - juegan un papel en la definición del punto de corte que es el
umbral para tomar medidas. Seguimos las convenciones de los científicos que
Concibió las ideas de este libro y definió las dos categorías a cada lado.
del punto de corte como '' positivo '' y '' negativo ''. Por lo tanto, el punto de corte divide
el rango de valores posibles en regiones "positivas" y "negativas".
En la práctica, definimos un resultado de prueba "positivo" como uno que está en o
por encima del punto de corte. Aumenta la probabilidad de que el paciente tenga el objetivo
Página 109
condición. Un resultado '' negativo '' está por debajo del punto de corte y disminuye el
probabilidad de la condición objetivo.
Un resultado de prueba como una variable continua

Es importante dividir el rango de valores en una región positiva y negativa,
pero tiene un defecto importante. Desestima la información contenida
en la magnitud del resultado numérico. En general, un mayor valor de la

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:
Para un resultado de prueba en particular, la frecuencia de resultados falsos positivos y falsos

Los resultados negativos son necesarios y suficientes para describir cuánto
El resultado de la prueba cambia la probabilidad de la condición objetivo.
Falso-
negativo
No. de resultado
pacientes
Falso positivo
resultado
Punto de corte
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
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.
5.2 Medir la capacidad de una prueba para revelar

el verdadero estado del paciente
La medida clave de cualquier información de diagnóstico es su capacidad para discriminar
entre la condición objetivo y todas las demás condiciones. Que queremos decir
por '' discriminar? '' Una prueba que discrimina perfectamente entre el objetivo
condición y todas las demás condiciones es positiva en todos los pacientes con el objetivo
condición y negativo en todos los pacientes que no la padecen. La mayoría de las pruebas caen lejos
a falta de este ideal.
Definición de rendimiento de la prueba : la capacidad de una prueba para discriminar entre

pacientes con una enfermedad y todos los demás pacientes.
5.2.1 Cómo medir el desempeño de la prueba

El teorema de Bayes define las medidas de rendimiento de la prueba. El formulario de razón de posibilidades
del teorema de Bayes (capítulo 4) establece que
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:
Para conocer el desempeño de una prueba, conozca sus razones de probabilidad .
Recuerde la definición de razón de verosimilitud, tal como surge de la derivación

de la razón de posibilidades del teorema de Bayes:
P[R|D]
razón de verosimilitud =
P [ R | no D ]
Página 111
donde P [ R | D ] es la probabilidad de un resultado de prueba en pacientes con el objetivo

condición y P [ R | no D ] es la probabilidad del resultado en personas que no
tienen la condición de destino.
Esta línea de argumentación nos lleva al siguiente método para medir la prueba
rendimiento:
1. Para medir el rendimiento de una prueba de una enfermedad, primero realice la prueba
en pacientes que se sabe que tienen la enfermedad diana y en pacientes
que se sabe que están libres de la afección objetivo (pero que pueden tener otras
enfermedades).
2. Luego, calcule la frecuencia de un resultado en pacientes con el objetivo
condición y en pacientes que no tienen la condición de destino.
Esta simple prescripción es difícil de lograr en la práctica. Muchos estudios de
El rendimiento de la prueba tiene serios defectos. Estos defectos pueden dar lugar a pruebas inexactas.
mediciones de desempeño que pueden conducir a su vez a una interpretación incorrecta de
resultados de las pruebas y errores en la atención al paciente.

Primero aprenderemos cómo medir el rendimiento de las pruebas. Entonces, aprenderemos

cómo evaluar artículos sobre el rendimiento de las pruebas e identificar los estudios que
puede confiar.
Recuerde que el primer paso para medir el desempeño de una prueba es
determinar la frecuencia de un resultado de prueba en pacientes con una condición objetivo
y en pacientes que se sabe que están libres de la enfermedad. Decidir si el paciente tiene
la enfermedad requiere hacer otra prueba, que generalmente se llama la '' prueba de oro
estándar '' prueba (también '' estándar de referencia de diagnóstico ''). Volveremos a la
características deseadas de una buena prueba estándar de oro.
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 prueba de índice : la prueba cuyo rendimiento se está midiendo.
Definición de población de origen : los pacientes cuyos hallazgos conducen al médico

para ordenar la prueba de índice. (también conocida como la "población clínicamente relevante").
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
Cuadro 5.1
Resultados de la Resultados del oro Totales

prueba de índice prueba estándar
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
Podemos usar la tabla 2 × 2 para definir varios términos importantes:
TP = número de resultados verdaderos - positivos

(prueba índice positiva y enfermedad presente)
FP = número de falsos - positivos resultados

(prueba índice positiva y ausencia de enfermedad)
FN = número de resultados falsos - negativos

(prueba índice negativa y enfermedad presente)
TN = número de resultados verdaderos - negativos

(prueba índice negativa y ausencia de enfermedad)

Si la prueba índice y el estado real del paciente fueran perfectamente concordantes,

tendría ese animal escurridizo, la prueba perfecta, una sin falsos positivos
resultados y sin resultados falsos negativos. La mayoría de las pruebas tienen resultados engañosos.
Medidas de concordancia y discordancia, como la tasa de verdaderos positivos y
tasa de falsos positivos de una prueba, son parte del vocabulario básico de la medicina.
5.2.2 Medidas de concordancia entre prueba índice

y estado de enfermedad
Dos tipos de resultados de pruebas reflejan el verdadero estado del paciente: verdadero positivo
resultados y resultados verdaderos negativos . La frecuencia relativa de estos dos tipos de
Los resultados caracterizan completamente la realización de una prueba.
Tasa de verdaderos positivos de una prueba
Definición de tasa de verdaderos positivos (TPR; también llamada "sensibilidad"): la probabilidad

que un paciente enfermo tiene una prueba positiva.
En notación de probabilidad condicional, la tasa de verdaderos positivos de un resultado de prueba es
P [resultado positivo de la prueba | enfermedad] o P [+ | D ]
lo que significa la '' probabilidad de que se produzca un resultado de prueba anormal si el

el paciente tiene la condición de destino '':
no . pacientes enfermos con prueba positiva

tasa de verdaderos positivos =
no . pacientes enfermos
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
Tasa de verdaderos negativos de una prueba
Definición de tasa de verdaderos negativos (TNR): La probabilidad de que un paciente que no

no tener la condición objetivo tiene una prueba negativa. También se llama "especificidad".
En notación de probabilidad condicional, la tasa de verdaderos negativos de un resultado de prueba es
P [resultado negativo de la prueba | sin enfermedad] o P [- | no D ]
lo que significa la '' probabilidad de que ocurra un resultado de prueba negativo si el

el paciente no tiene la condición de destino '':
no . pacientes no enfermos con prueba negativa

tasa de verdaderos negativos =
no . pacientes no enfermos
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

La tasa de verdaderos negativos (TNR) de una prueba se da en la Tabla 5.2.
Cuadro 5.2
Resultados de la Resultados de la Totales

prueba de índice prueba estándar de oro
Positivo Negativo
Tennesse
TNR =
FP + TN
5.2.3 Medidas de discordancia entre prueba índice

y estado de enfermedad
Los dos tipos de resultados de pruebas que no reflejan el verdadero estado del paciente son
resultados falsos negativos y resultados falsos positivos .
Página 114
Tasa de falsos negativos de una prueba
Definición de tasa de falsos negativos (FNR): La probabilidad de que un paciente que

no tiene la condición objetivo tiene una prueba negativa.
En notación de probabilidad condicional, la tasa de verdaderos positivos de un resultado de prueba es
P [resultado negativo de la prueba | sin enfermedad] o P [- | no D ]
lo que significa la '' probabilidad de que ocurra un resultado de prueba negativo si el

el paciente tiene la condición de destino '':
no . pacientes enfermos con prueba negativa

tasa de falsos negativos =
no . pacientes enfermos
Para medir la tasa de falsos negativos de una prueba, realice la prueba índice y la
La tasa de falsos negativos (FNR) de una prueba es la que se muestra en la Tabla 5.3.
Cuadro 5.3

Positivo Negativo

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
Tasa de falsos positivos de una prueba
Definición de tasa de falsos positivos (FPR): La probabilidad de que un paciente que no

no tener la condición objetivo tiene una prueba positiva.
Página 115
En notación de probabilidad condicional, la tasa de verdaderos negativos de un resultado de prueba es
P [resultado de prueba positivo | sin enfermedad] o P [+ | sin D ]
lo que significa la '' probabilidad de que se produzca un resultado positivo en la prueba si el paciente
no tiene la condición objetivo '':
no . pacientes no enfermos con prueba positiva

tasa de falsos positivos =
no . pacientes no enfermos
Para medir la tasa de falsos positivos de una prueba, realice la prueba índice y la
La tasa de falsos positivos (FPR) de una prueba es la que se muestra en la Tabla 5.4.
Cuadro 5.4

Positivo Negativo
FP
FPR =
FP + TN
En pacientes sin la afección objetivo, el resultado de una prueba es positivo (un

resultado falso positivo) o negativo (un resultado verdadero negativo). Por lo tanto, el falso
La tasa positiva es el complemento de la tasa verdadera-negativa:
FPR = 1 - TNR
Valor predictivo

El valor predictivo es otra forma de describir los resultados de realizar el índice.

prueba y la prueba estándar de oro en términos de la tabla 2 × 2. A diferencia de las medidas
de rendimiento de la prueba, para el cual las columnas de la tabla 2 × 2 contienen la clave
medidas, el cálculo del valor predictivo utiliza las filas. Valor predictivo
es, efectivamente, una probabilidad posterior a la prueba . Los dos tipos de valor predictivo son
valor predictivo positivo y valor predictivo negativo.
Definición de valor predictivo positivo (PV +): La fracción de pacientes con un

prueba positiva que también tiene la condición objetivo. Ver Tabla 5.5.
Página 116
Cuadro 5.5

Positivo Negativo
no . pacientes enfermos con prueba positiva

PV + =
no . pacientes con prueba positiva
En términos de la tabla 2 × 2 de la tabla 5.6,
Cuadro 5.6

Positivo Negativo
TP
PV + =
TP + FP
Definición de valor predictivo negativo (PV−): La fracción de pacientes con

un resultado de prueba negativo que no tenga la enfermedad.
no . pacientes no enfermos con prueba negativa

PV− =
no . pacientes con prueba negativa

En términos de las celdas de la tabla 2 × 2 (tabla 5.6),
Tennesse
PV− =
TN + FN
Página 117
Diferencia entre valor predictivo, probabilidad posterior a la prueba,

y probabilidad posterior
La probabilidad posterior es un término general para la probabilidad después de un evento. Post-prueba
La probabilidad es el caso especial de probabilidad posterior en el que el evento es un
resultado de la prueba de diagnóstico.
El valor predictivo y la probabilidad posterior parecen ser muy similares. Ambos
responder a la pregunta más importante '', como resultado de este resultado de la prueba, ¿cuál es el
probabilidad de que mi paciente tenga esta enfermedad? '' Sin embargo, la probabilidad posterior y
El valor predictivo es diferente en aspectos importantes. La probabilidad posterior está lejos
más útil que el valor predictivo. Además, es autodefinido, en el sentido
que su definición dice exactamente lo que es. Desafortunadamente, el valor predictivo tiene
establecerse como el término preferido para la probabilidad de enfermedad después de una
resultado de la prueba. La tabla 5.7 resume las diferencias entre probabilidad posterior
y valor predictivo.
Los autores instan a los lectores de este libro de texto a utilizar el término
bilidad '' cuando se encuentra en un contexto médico.
Por tanto, el valor predictivo es un número observable obtenido a partir de un
población. No se aplica necesariamente a otra población .
Una advertencia importante : un lector podría creer erróneamente que las predicciones
El valor es una medida del rendimiento de la prueba. No lo es. Refleja el rendimiento de la prueba
porque la sensibilidad y la especificidad de una prueba afectan el número de
resultados positivos y falsos positivos de las pruebas, que a su vez afectan el pronóstico
Cuadro 5.7
Probabilidad posterior Valor predictivo
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
Según el teorema de Bayes, la posterior Depende de la prevalencia de la enfermedad en el

la probabilidad depende de la probabilidad previa población especificada No es posible
de enfermedad, que se define como una opinión calcular el valor predictivo en otro
sobre la probabilidad de que ocurra un evento en un población
situación antes de obtener nueva información
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
valor. Sin embargo, la prevalencia de la afección objetivo también afecta el pronóstico

valor a través de su efecto sobre el número de pacientes que pueden tener un verdadero
resultado positivo (aquellos con la condición objetivo) o un resultado falso positivo
(aquellos que no tienen la condición objetivo). La prevalencia del objetivo
condición, por lo tanto, confunde la relación entre el valor predictivo y
rendimiento de la prueba, lo que hace que uno sea un reflejo deficiente del otro.
Las siguientes secciones ilustrarán las trampas de usar el valor predictivo
como sustituto de la probabilidad posterior.
5.3 Cómo medir las características de una prueba de diagnóstico:

un caso hipotético
5.3.1 Descripción del estudio
Debe evaluar una nueva prueba de exploración con radionúclidos para detectar esplenomegalia. los
El propósito de la prueba es detectar un agrandamiento del bazo que es demasiado leve para ser
detectado palpando el abdomen. La exploración utiliza etiquetas radiactivas
partículas de hierro macroagregadas. Cuando se inyectan en el torrente sanguíneo, estos
Las partículas se adhieren preferentemente a los macrófagos esplénicos, que ingieren y luego
digerirlos. Decide medir la precisión de esta prueba comparando el
tamaño de la imagen de barrido de radionúclidos del bazo al peso del bazo,
que es una buena prueba estándar de oro para la esplenomegalia. Para pesar el
bazo, alguien debe extirparlo. Por lo tanto, realiza la gammagrafía del bazo en
todos los pacientes que se someterán a una esplenectomía electiva.
Una descripción de su estudio de la gammagrafía del bazo con radionúclidos debe contener
la siguiente información:
• Prueba índice : gammagrafía con hierro macroagregado del bazo.
• Prueba estándar de oro : pesar el bazo después de la extirpación quirúrgica.
• Definición de prueba de índice anormal : silueta del bazo como se ve en la exploración
es más de 1,5 veces el tamaño normal.
• Definición de enfermedad (esplenomegalia) : peso esplénico > 250 gramos.
• Poblaciones de origen :
- Pacientes cuyos médicos no pueden ponerse de acuerdo sobre el tamaño del bazo; algunos
los médicos pueden sentirlo, pero otros no.
- Pacientes cuyo bazo no es palpable, pero tienen una enfermedad que es
a menudo acompañado de esplenomegalia.
• Muestra verificada : pacientes que están a punto de someterse a una esplenectomía generalmente
porque su bazo es tan grande que interfiere con la supervivencia del
elementos formados de la sangre.
En la Figura 5.5 aparece una descripción del flujo de pacientes a lo largo del estudio.

Página 119
50 pacientes sometidos a esplenectomía
35 tienen 15 no tengo
esplenomegalia esplenomegalia
Prueba + Prueba - Prueba - Prueba +
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.
5.3.2 Descripción de resultados

Los resultados del uso de la exploración en 50 pacientes del estudio aparecen en la Tabla 5.8.
Cuadro 5.8
Resultados de la Numero de pacientes Totales

escáner de bazo
El bazo pesa> 250 gramos El bazo pesa <250 gramos
Positivo Verdadero positivo N = 20 Falso positivo N = 5 N = 25

Negativo Falso negativo N = 15 Verdadero negativo N = 10 N = 25
Totales N = 35 N = 15 N = 50
Como se muestra en la tabla, 35 de los pacientes (70%) tienen esplenomegalia. De estos

35 pacientes, 20 tienen una gammagrafía de hierro radiactivo positiva. De los 15 pacientes con
bazos de tamaño normal, 10 tienen una exploración normal. 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
Similitud,
15
tasa de falsos negativos = = 0,43
35
5
tasa de falsos positivos = = 0,33
15

Página 120
Valor predictivo:
20
PV + = = 0,80
25
10
PV− = = 0,40
25
5.3.3 Una limitación importante del estudio de gammagrafía del bazo

Su estudio de la gammagrafía del bazo será de poco valor para nadie. El estudio tiene
un error importante en el diseño, uno que ocurre a menudo y es la razón principal por la que
Los estudios sobre el rendimiento de las pruebas pueden inducir a error al lector desprevenido. Todos quien
lee un estudio de desempeño de la prueba debe estar alerta a su ocurrencia:
El error más común en el diseño del estudio es la elección de la muestra verificada.
Recuerde estas definiciones:
Definición de población de origen : los pacientes cuyos hallazgos conducen al médico

para ordenar la prueba de índice. (También conocida como la "población clínicamente relevante").
Definición de muestra verificada : Pacientes que reciben la prueba índice y la

prueba estándar de oro (generalmente un subconjunto de la población de origen y, a veces,
totalmente ajeno a la población de origen).
Cuando la muestra verificada es idéntica a la población fuente, el lector

Puede estar seguro de que los datos obtenidos en el estudio se aplican a pacientes cuyas
La descripción coincide con la de la población de origen. Cuando, como en el bazo
estudio de exploración, la muestra verificada difiere de la población de origen, el lector
no puede utilizar con seguridad los hallazgos en la atención al paciente.
En el estudio de escáner de bazo, la muestra verificada no es la misma que la fuente
población:
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
La diferencia entre la población de origen y los clientes potenciales de muestra verificados

a dos errores, que se confunden fácilmente entre sí:

• El valor predictivo en la muestra verificada no es necesariamente el mismo que el
prueba de probabilidad i n la población de origen , por dos razones. Primero, los pacientes en
la muestra verificada tiene características clínicas diferentes a las de la fuente
población (en este caso, bazos muy grandes). En segundo lugar, la prevalencia de la
La condición objetivo es diferente en la muestra verificada (en este caso, más alta).
Por lo tanto, el valor predictivo calculado a partir de la muestra verificada no es
necesariamente la misma que la probabilidad posterior a la prueba en la población de origen.
• Las mediciones del rendimiento de la prueba en la muestra de verificación pueden no
se aplican a la población de origen . Los pacientes de la muestra verificada tienen
características clínicas diferentes a las de la población de origen. Estos clínicos
las características pueden afectar la sensibilidad y especificidad de la prueba índice,
que, por tanto, son diferentes a los de la muestra verificada.
Ambos errores son importantes. Abordamos el primero en la siguiente sección.
de este capítulo, que se titula "Escollos del valor predictivo". Nos centramos en
profundidad sobre cómo evitar el segundo error en la siguiente sección, que se titula
'' Fuentes de estimaciones sesgadas del rendimiento de las pruebas y cómo evitarlas ''.
5.4 Escollos del valor predictivo
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.
1000 pacientes sospechosos de

tener esplenomegalia
200 tienen 800 no tienen

esplenomegalia esplenomegalia
Prueba + Prueba - Prueba - Prueba +
114 86 536 264

cierto falso cierto falso
positivo negativo negativo positivo
resultados resultados resultados resultados
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
Usando los números de la Figura 5.6, el valor predictivo de la prueba es
114 = 0,30
PV + =
114 + 264
536 = 0,86
PV− =
536 + 86

El valor predictivo en las dos poblaciones es bastante diferente, como se ve en

Cuadro 5.9.
Tabla 5.9 Valor predictivo en una población de muestra de verificación y la población de origen.
Prevalencia de esplenomegalia Predictivo positivo Negativo

en población valor valor predictivo
Muestra verificada 0,70 0,80 0,40

Población de origen 0,20 0,30 0,86
El valor predictivo positivo de la gammagrafía del bazo es mucho menor (y el

valor predictivo negativo mucho mayor) en la población de origen que en la
muestra verificada. Por lo tanto, si la prevalencia de la afección objetivo difiere en dos
poblaciones, su valor predictivo de una prueba será diferente .
Como se discutió en los Capítulos 4 y en este capítulo, el valor predictivo es un número
derivado de una tabla de 2 × 2 de resultados de un estudio de una prueba. El valor predictivo
obtenido en una población generalmente no se aplica a otra población
a menos que las dos poblaciones sean muy similares.
Un último punto sobre el uso del término '' valor predictivo '': las palabras '' predictivo
valor '' no describen con precisión el significado del término. Una persona que es
si no estuviera seguro del significado de "valor predictivo" tendría que buscarlo. En
Por el contrario, considere la precisión del lenguaje de la probabilidad: '' probabilidad de
enfermedad si la prueba es positiva ''. Más palabras, sin duda, pero sin ambigüedad. En esto
libro, no usaremos el valor predictivo cuando nos referimos a la probabilidad posterior a la prueba.
Ahora pasamos a la siguiente pregunta: ¿ realizar estimaciones sesgadas de sensibilidad y
la especificidad conduce a errores graves en la interpretación de las pruebas?
5.5 Fuentes de estimaciones sesgadas del desempeño de la prueba y

como evitarlos
Volvamos ahora a una pregunta crucial:
¿Las mediciones de la sensibilidad y especificidad de una prueba se aplican a la fuente?

¿población?
La respuesta breve es "no necesariamente". Si algunos pacientes de la población de origen

se excluyen sistemáticamente de la muestra verificada, las medidas de prueba
es posible que el rendimiento no se aplique a la población de origen. Una propensión a
El error sistemático se llama sesgo .
Página 123
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:

Características del estudio ideal de una prueba:

• La selección de los pacientes del estudio refleja las decisiones de pedido de pruebas habituales.
práctica.
• El montaje de la cohorte de estudio es prospectivo, lo que significa que cada
el paciente del estudio se une al estudio antes de someterse a la prueba de índice y el oro
prueba estándar.
• Se obtiene un conjunto estándar de características clínicas pertinentes de cada paciente.
• Los resultados de las pruebas se definen antes del estudio.
• La prueba estándar de oro es una medida precisa del estado real del paciente.
• La interpretación de la prueba de índice y la prueba estándar de oro se produce de forma independiente
mutuamente y sin conocimiento de las características clínicas de la
paciente.
• Si la prueba es una imagen visual, varias personas diferentes interpretan la imagen
independientemente.
• El número de pacientes inscritos, tanto con la condición de destino como gratis
de la condición objetivo, es suficiente para asegurar mediciones precisas de
la sensibilidad y especificidad de la prueba.
• La prueba de índice y la prueba estándar de oro se realizan en un breve
periodo de tiempo.
• Todos los pacientes que se someten a la prueba índice también tienen la prueba estándar de oro.
Discutiremos cada una de estas características en las próximas páginas.
5.5.1 Características del estudio que ayuden a asegurar que los resultados
aplicar a la práctica habitual
• La asamblea de la cohorte de estudio refleja las decisiones de pedido de pruebas en los

práctica.
En la medida de lo posible, los pacientes del estudio deben ser similares a los pacientes en
entornos de atención al paciente.
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
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.
Qué buscar en un estudio: lea la descripción de los entornos de práctica de

a la que procedía la población de origen. ¿Es típico de su práctica? Quien en realidad
ordenó la prueba de índice?
• El montaje de la cohorte de estudio es prospectivo.

El estudio ideal inscribe a los pacientes en el entorno clínico, no en el punto
de prueba. El artículo de la revista establece los criterios de inclusión y exclusión para
participando en el estudio. En el estudio ideal, los pacientes se inscriben como su cuidado
llega a un punto pre-identificado para que la recolección de datos ocurra de acuerdo con
un protocolo que refuerza la disciplina necesaria para una buena investigación clínica.

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 descripción del proceso de inscripción. Fueron

pacientes inscritos de forma prospectiva en el entorno clínico donde la prueba que solicita
decisiones ocurrieron? ¿Se establecieron claramente los criterios de inclusión y exclusión?
• Cada paciente proporciona un conjunto estándar de características clínicas pertinentes.

Una lista de la frecuencia de las características clínicas en la población de origen ayuda
los médicos para decidir si las medidas de rendimiento de las pruebas se aplican a su práctica. A
La descripción completa de la población de origen debe incluir sexo, edad promedio,
motivos de las pruebas, duración y gravedad de la enfermedad y otras enfermedades. Por
comparar la lista de la población de origen con la lista de la población de origen verificada
muestra, el lector puede determinar posibles sesgos de selección.
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.
5.5.2 Estudio de las características que aseguran imparcialidad, reproducible

interpretación de la prueba índice y la prueba estándar de oro
• Los resultados de las pruebas se definen antes del estudio.

Los datos brutos de un estudio de desempeño en pruebas son cuatro números en una tabla de 2 × 2:
el número de verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos
resultados. Acertar con estos números es el objetivo de un buen estudio clínico.
Página 125
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?
• La prueba de índice y la prueba estándar de oro se realizan en un breve

intervalo de tiempo.
Un estudio para medir el desempeño de una prueba es transversal. Su intención es
para ver qué tan bien la prueba de índice refleja el estado real del paciente, por lo que tanto
Las pruebas deben realizarse antes de que cambie la condición de destino del paciente.
Qué buscar en un estudio : busque el tiempo promedio transcurrido entre las

la prueba de índice y haciendo la prueba estándar de oro. ¿Es razonable el intervalo?
dada la probabilidad de que la afección objetivo haya mejorado o empeorado
desde la prueba de índice?
• La prueba de índice se interpreta independientemente de la prueba estándar de oro.

y ambos se interpretan sin conocer las características clínicas de la
paciente. Seguir este principio ayudará a evitar interpretaciones sesgadas
de la prueba de índice y la prueba estándar de oro. Estos sesgos tienen nombres:
Sesgo de revisión de prueba y sesgo de revisión de diagnóstico
Un ejemplo de sesgo de revisión de prueba : el médico interpreta un ejercicio

Resultado del cardiograma que se encuentra en el límite entre lo normal y lo anormal. los
la llamada depende del criterio del médico. Conociendo los resultados muy anormales
Página 126
de la arteriografía coronaria del paciente (la prueba estándar de oro) puede influir
que el médico califique el electrocardiograma de ejercicio como anormal.
Un ejemplo de sesgo de revisión de diagnóstico : el médico está interpretando una

arteriograma. Ella debe clasificar el resultado como anormal o normal, pero es
incierto qué interpretación hacer. Sabiendo que el paciente tenía muy
Los resultados anormales en un electrocardiograma de ejercicio pueden influir en el médico.
hacia llamar anormal al arteriograma coronario.
El sesgo de revisión de prueba y el sesgo de revisión de diagnóstico tienen efectos similares en

rendimiento de prueba medido. Cuando un observador permite la interpretación de
una prueba se verá influenciada por los resultados de la otra prueba, las dos pruebas son más
probablemente esté de acuerdo. ¿Por qué?
La definición de un resultado positivo verdadero es un resultado de prueba de índice positivo en
alguien con una prueba estándar de oro positiva. Si tiene dudas sobre el
interpretación de la prueba índice y saber que la prueba estándar de oro fue
positivo, es más probable que interprete la prueba índice como un resultado positivo
resultado. Repetida muchas veces, esta forma de interpretación sesgada aumentará
la tasa de verdaderos positivos de la prueba índice.
De manera similar, la definición de un resultado verdadero negativo es una prueba de índice negativa.
resultar en alguien con una prueba estándar de oro negativa. Si no está seguro de cómo
interpretar la prueba índice y saber que la prueba estándar de oro fue negativa,
puede inclinarse por interpretar la prueba índice como un resultado negativo. Esta
La tendencia a interpretar las dos pruebas de forma concordante aumentará el valor negativo verdadero.
tasa de la prueba de índice.

¿Debería saber la persona que interpreta el patrón oro o la prueba índice?

la historia clínica? ¿Qué opinas y por qué?
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.
• Si la prueba es una imagen visual, varias personas diferentes deben interpretar la

imagen de forma independiente.
Muchas pruebas de índice y pruebas estándar de oro requieren que alguien mire un
imagen de un proceso de enfermedad, coloque el patrón en una categoría y asigne el
etiqueta correcta a la categoría. Este proceso es propenso a errores y muchos estudios
han demostrado que los médicos a menudo no están de acuerdo sobre la interpretación de una
imagen. Estos errores de interpretación darán lugar a números incorrectos en las celdas de
la tabla 2 × 2 que describe la realización de una prueba.
La mejor forma de evitar errores de interpretación es contar con varias personas
interpretar la misma imagen sin conocer la interpretación de los demás. Si ellos
desacuerdo, el procedimiento habitual es discutir el desacuerdo y llegar a un acuerdo
interpretación consensuada o pedir a una tercera persona que participe en la formación de un
opinión de consenso.
Página 127
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.
Qué buscar en un estudio: evidencia de que varias personas interpretaron el

prueba estándar de oro de forma independiente entre sí y resolvió cualquier desacuerdo
consultando entre sí y llegando a un consenso. Un grupo separado
debe seguir el mismo procedimiento para la prueba de índice. El estudio debe informar
una medida de la tasa de desacuerdo. La mejor medida es la estadística kappa,
que tiene en cuenta el acuerdo solo por casualidad (cualquier estadística kappa anterior
+0,5 es un buen acuerdo; kappa igual a 0 es concordancia debida únicamente al azar).
• El número de pacientes inscritos, tanto con la afección objetivo como

libre de la condición objetivo, es suficiente para mediciones precisas de la
Sensibilidad y especificidad de la prueba.
El intervalo de confianza del 95% para una proporción como la tasa de verdaderos positivos
viene dada por la siguiente relación:
√
p (1 - p )
Intervalo de confianza del 95% = ± 1,96
norte
donde p es la proporción en cuestión. p podría ser P [+ | D ], la sensibilidad de un

prueba. N es el número de pacientes con la afección objetivo. Una N más grande significa
un intervalo de confianza más estrecho y una estimación más precisa de la sensibilidad
y especificidad.
La figura 5.7 muestra la relación entre el número de pacientes enfermos
se utiliza para calcular la tasa de verdaderos positivos y la mitad del ancho del 95% de confianza
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
intervalo. Con más de 100 pacientes enfermos, la amplitud de la confianza

El intervalo permanece esencialmente igual a medida que aumenta el número de pacientes.
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).
5.6 Sesgo de espectro

Definición de sesgo de espectro : diferencias en el rendimiento de la prueba causadas por
diferencias en el espectro de presentación y gravedad de la enfermedad en diferentes
poblaciones de estudio.
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
'' 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).
Ambas muestras verificadas pueden conducir a un sesgo de espectro: error sistemático

debido a las diferencias en el espectro de la enfermedad, porque los miembros de ambos
las poblaciones no se parecen a la población de origen, en la que se utiliza la prueba
para resolver la incertidumbre diagnóstica.
5.6.2 La segunda fase de la evaluación de la prueba: evaluar a los pacientes que

han sido referidos para la prueba estándar de oro
La difusión de una nueva prueba diagnóstica en la práctica clínica suele preceder
investigación cuidadosa para establecer su lugar en la práctica. Los fabricantes usan los resultados
de la primera fase de la evaluación de la prueba para convencer a un auditorio entusiasta, a menudo poco crítico,
de los médicos para adoptar la nueva prueba. Con poca precomercialización del gobierno
regulaciones, nuevas pruebas aparecen rápidamente en el mercado después de completar la primera
fase de evaluación.
La adopción de una nueva tecnología de diagnóstico se produce con notable rapidez. Pruebas
en pacientes que son típicos de la práctica clínica suele ocurrir después de que los médicos
han comenzado a confiar en la prueba. Normalmente, los pacientes de la muestra verificada
se han sometido a la prueba de índice y han sido referidos para el estándar de oro
procedimiento. Debido a que los médicos han comenzado a creer en la nueva prueba,
tienen más probabilidades de derivar a pacientes que tienen un resultado anormal en la prueba
y es menos probable que deriven a pacientes con un resultado normal. Debido a selectiva
derivación de pacientes para someterse a la prueba estándar de oro, muchos estudios de prueba
los resultados no son creíbles.
Usar la prueba del índice para decidir quién debe recibir el patrón oro

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
Diferencias significativas entre la muestra verificada y la población de origen

ocurren a menudo. ¿Cómo podrían estas diferencias afectar la aplicabilidad de la
sensibilidad y especificidad de una prueba (medida en la muestra verificada) a la
población de origen? Estos efectos son el tema de las dos secciones siguientes.
5.6.3 Efectos del sesgo del espectro

Efecto del sesgo del espectro sobre la sensibilidad de una prueba
El sesgo de espectro hace que la muestra verificada tenga un espectro diferente de
enfermedad que la población de origen. Dos formas de sesgo de espectro afectan la prueba
sensibilidad.
Para ilustrar el problema del sesgo del espectro debido a la derivación selectiva de
pacientes, considere cómo un paciente se convertiría en miembro del grupo verificado
muestra para nuestro escaneo hipotético del bazo para detectar esplenomegalia. Recuerda
que la prueba índice es la gammagrafía del bazo y la prueba estándar de oro es el peso
del bazo después de la extirpación quirúrgica.
• Sesgo de gravedad de la enfermedad: una razón para la derivación es un bazo que ha crecido
tan grande que está causando síntomas y tiene riesgo de complicaciones.
Muchas personas que se someten a esplenectomía tienen bazos muy grandes que
un escaneo puede detectar más fácilmente que el tamaño normal o casi normal
bazos de la mayoría de los pacientes en una población de origen. Esta forma de espectro
sesgo lleva a uno a sobreestimar la sensibilidad del escaneo porque el escaneo
detecta una mayor proporción de bazos agrandados de lo que podría detectar en
la población de origen.
• Sesgo de derivación de la prueba: un bazo agrandado en la prueba índice es otra razón
para derivación e inscripción en la muestra verificada. Los médicos son más
Es probable que derive a un paciente para una esplenectomía cuando la gammagrafía del bazo es anormal.
Una prueba de índice negativa tranquiliza a los médicos, de modo que están menos dispuestos a
referir a los pacientes para obtener la prueba estándar de oro. Pacientes con índice negativo
Los resultados de las pruebas suelen estar infrarrepresentados en los estudios de rendimiento de las pruebas.
Para ver cómo funciona el sesgo de referencia de la prueba, revisamos el estudio del bazo
escaneo, en el que la muestra verificada estaba compuesta por pacientes que habían sido remitidos
para la esplenectomía porque sus bazos eran muy grandes y necesitaban cirugía
eliminación. Los resultados del estudio aparecen en la Tabla 5.10.
Tabla 5.10 Resultados hipotéticos de realizar la gammagrafía del bazo en la muestra verificada.
Resultados de la gammagrafía del bazo Numero de pacientes Totales
El bazo pesa> 250 gramos El bazo pesa <250 gramos
Positivo Verdadero positivo N = 20 Falso positivo N = 5 N = 25

Negativo Falso negativo N = 15 Verdadero negativo N = 10 N = 25
Por lo tanto

20
35
10
15
Página 131
Imagínese haciendo el estudio en la población de origen. La población de origen de

pacientes con sospecha de esplenomegalia contenían 230 pacientes, de los cuales sólo
los 50 que se muestran en la tabla 5.10 se convirtieron en la muestra verificada. Ahora suponga
que también podríamos conocer el verdadero estado del bazo en los 180 centros de atención primaria
pacientes cuyos médicos no remitieron para esplenectomía porque el bazo
la exploración (la prueba de índice) fue negativa. La tabla 5.11 muestra los resultados hipotéticos.
El número de pacientes de la población de origen no remitidos para el estándar de oro.
El procedimiento aparece en negrita: 45 de ellos tenían un bazo agrandado y
135 tenían un bazo de tamaño normal.
Tabla 5.11 Resultados hipotéticos del estudio de la gammagrafía del bazo en la población de origen.
Resultados de la gammagrafía del bazo Numero de pacientes Totales
El bazo pesa El bazo pesa

> 250 gramos <250 gramos
Positivo 20 5 25
Negativo 15 + 45 10 + 135 205
Totales 80 150 230
Por lo tanto
20
35 + 45
10 + 135
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.
Así, como regla general:
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
Índice Índice
Población de estudio
población población
T+
T+
T+ T+
T-
T-
T-
No
enfermedad Enfermedad T-
No FPR = 0,55 TPR = 0,80

Enfermedad
enfermedad
FPR = 0,30 TPR = 0,60
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.
Tabla 5.12 Resumen de los efectos del sesgo de derivación de pruebas.
Muestra verificada Población de origen
Tasa de verdaderos positivos 0,57 0,25

Tasa de falsos positivos 0,33 0.033

Página 133
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.
5.6.5 Cómo ajustar las estimaciones de sensibilidad sesgadas

y especificidad
¿Cómo debería el médico ajustar las estimaciones publicadas de la tasa de verdaderos positivos?
y tasa de falsos positivos para que se apliquen a la población de origen? los
La siguiente discusión describe algunos principios generales.
Revisión de principios generales

La sensibilidad y la especificidad son probabilidades condicionales:
La sensibilidad es la probabilidad de una prueba positiva dado que el paciente tiene la

condición objetivo: P [+ | D ].
La especificidad es la probabilidad de una prueba negativa dado que el paciente no

tener la condición objetivo: P [- | no D ].
En el capítulo 3, definimos probabilidad como una declaración de opinión sobre la

probabilidad de que exista un estado actual o de que ocurra un evento futuro. Para estimar
la probabilidad de enfermedad en un paciente, nos basamos en la prevalencia de la enfermedad
en el subgrupo al que pertenece nuestro paciente y ajustarse para tener en cuenta
las especiales características de nuestro paciente. Asimismo, podemos utilizar el anclaje
y heurística de ajuste para ajustar una sensibilidad o especificidad publicada a
tener en cuenta las diferencias entre la muestra verificada y la población a
al que pertenece el paciente.
Página 134
Heurísticas para ajustar informes publicados por sesgo de gravedad de la enfermedad

Estas heurísticas asumen que la población objetivo de la prueba es el promedio

paciente de edad avanzada en una consulta de atención primaria. Prueba de rendimiento medido en un
estudio prospectivo en el que todos en la población de origen recibieron la
La prueba estándar de oro se aplicaría directamente a la población de origen sin ningún tipo de
ajustamiento. La aplicación de este estudio a una población de pacientes hospitalizados muy enferma podría
requieren ajustes en la dirección opuesta a las siguientes dos sugerencias:
Sensibilidad : cuando los pacientes de la muestra verificada están especialmente enfermos en

parison a la población objetivo, la sensibilidad medida en la verificada
la muestra debe ajustarse más hacia abajo.
Especificidad: si la muestra verificada consta de voluntarios sanos, ajuste la

especificidad hacia abajo. Si la muestra verificada son en su mayoría pacientes muy enfermos,
ajustar la especificidad hacia arriba.
Estas reglas empíricas plantean la cuestión de cuánto ajustar el verdadero positivo

estimaciones de tasa y tasa de falsos positivos. Las técnicas para un ajuste exacto son las
siguiente tema.
Ajuste exacto para el sesgo del espectro

Este material está avanzado. Es posible que el lector desee pasar a la Sección 5.6.5.3 .
Es posible una corrección exacta del sesgo del espectro, sujeto a dos supuestos relacionados:
ciones (Gray et al ., 1984):
• La selección de la prueba estándar de oro depende únicamente del resultado de la prueba índice.
• La selección de la prueba estándar de oro depende únicamente de la gravedad de la enfermedad.
a través de la correlación entre el resultado de la prueba y la gravedad de la enfermedad.
Estas suposiciones probablemente sean válidas para las pruebas de detección, ya que las personas sanas
no tienen hallazgos clínicos que puedan influir en la selección del oro
prueba estándar. Es menos probable que las suposiciones sean válidas cuando el paciente ha
síntomas y signos que pueden influir en el médico para derivar al paciente a
la prueba estándar de oro incluso después de una prueba de índice negativa.
Begg y col . (1984) mostró que la estimación insesgada de P [ R | D ] es
P [ R ] × P [ D | R , S +]
P[R|D]=
P[D]
donde P [ R | D ] es la probabilidad del resultado R si la condición objetivo está presente,

P [ D ] es la prevalencia de la condición objetivo en la muestra verificada, P [ R ] es
la probabilidad del resultado en la población fuente, y P [ D | R , S +] es el
probabilidad posterior a la prueba de la condición objetivo en la muestra verificada.
Otro enfoque es centrarse en estimar la razón de verosimilitud en el
toda la población que se sometió a la prueba de índice (la población de origen) (Gray
et al ., 1984).
Página 135
Si L [ R ] es la razón de verosimilitud para el resultado R en la población de origen, y L * [ R ]

es la razón de verosimilitud en la muestra verificada, entonces
L[R]=c×L [R]

El factor de corrección, c , depende solo de las probabilidades de enfermedad en el

muestra y en la población de origen (Gray et al ., 1984), y es el mismo para
todos los resultados de la prueba:
probabilidades de enfermedad (muestra verificada)
C =
probabilidades de enfermedad (población de origen)
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.
Cuándo preocuparse por medidas inexactas del rendimiento de la prueba

En este punto del capítulo, el lector debe preocuparse por si
Es posible medir el rendimiento de la prueba para que los resultados se apliquen a la fuente.
población. Nuestro enfoque en el rendimiento de las pruebas no debe oscurecer el objetivo real,
que está realizando estimaciones precisas de la probabilidad posterior a la prueba. Para este propósito,
Las mediciones precisas del rendimiento de la prueba a veces son importantes, pero no
siempre es necesario porque, a través de un rango de sensibilidad o especificidad, el
La probabilidad posterior a la prueba puede marcar una diferencia clínicamente. Figuras 5.9 y 5.10
ilustre este punto.
¿Cuándo es importante la medición precisa de la tasa de verdaderos positivos?

La figura 5.9 muestra la probabilidad posterior a la prueba para cualquier valor del verdadero positivo
tasa, tres valores de la probabilidad previa a la prueba y una tasa de falsos positivos de 0,20.
Recuerde que la mayoría de las pruebas tienen una tasa de verdaderos positivos superior a 0,75,
que es la región de mayor interés en la Figura 5.9 (ver área sombreada).
La figura 5.9 muestra que la medición precisa de la tasa de verdaderos positivos no es
muy importante la mayor parte del tiempo porque la probabilidad posterior a la prueba no
cambian mucho a medida que la tasa de verdaderos positivos cambia en el rango por encima de 0,75,
donde se encuentran muchas sensibilidades de prueba. La medición precisa es importante en el
siguiente circunstancia:
• Si su paciente tiene una probabilidad previa a la prueba de intermedia a alta y una
resultado negativo de la prueba.
La figura 5.9 muestra que un cambio en la tasa de verdaderos positivos tiene poco o ningún efecto
en la probabilidad posterior a la prueba de pruebas positivas en cualquier paciente y de pruebas negativas
pruebas cuando la probabilidad previa a la prueba es baja.
Página 136
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

0,30
P [ + | D], P [D] = .1
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.
¿Cuándo es importante la medición precisa de la tasa de falsos positivos?

La figura 5.10 muestra la probabilidad posterior a la prueba para varios valores de la
tasa positiva, tres valores de la probabilidad previa a la prueba y una tasa de verdaderos positivos
de 0,80. Recuerde que la mayoría de las pruebas tienen una tasa de falsos positivos que es menor.
que 0,2, la región a la que se debe prestar atención en la Figura 5.10.
La figura 5.10 muestra que medir con precisión la tasa de falsos positivos dentro
El rango comúnmente visto en la práctica no es muy importante para la toma de decisiones.
en muchas situaciones, pero es importante en las siguientes circunstancias:
• Si su paciente tiene una probabilidad previa a la prueba de baja a intermedia y una
resultado positivo de la prueba.
La tasa de falsos positivos tiene poco o ningún efecto sobre la probabilidad posterior a la prueba de
resultados de prueba negativos en cualquier paciente. Tiene poco efecto cuando la prueba es positiva.
y la probabilidad previa a la prueba es alta.
Línea de fondo
• Preocuparse por las mediciones precisas del rendimiento de la prueba cuando su paciente
un resultado inesperado :
Página 137
- Cuando la probabilidad previa a la prueba es alta y la prueba es negativa.

- Cuando la probabilidad previa a la prueba es baja y la prueba es positiva.
• Preocuparse por el rendimiento de la prueba cuando su paciente tiene un nivel intermedio
probabilidad (es decir, cuando tiene más dudas sobre el diagnóstico).
• De lo contrario, no se preocupe.
Un momento de reflexión debería decirle que las mediciones precisas de prueba
El rendimiento son importantes en todas las situaciones en las que el resultado de una prueba puede
cambia mucho la probabilidad.
5.7 Expresar los resultados de la prueba como variables continuas
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
Probabilidad posterior a la prueba P [| D + ], P [D] = .1

0,30
0,20
0,10
P [| D - ], P [D] = .1
0,00
0 0,2 0.4 0,6 0,8 1
Tasa de falsos positivos
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
ha adoptado un enfoque probabilístico para la interpretación de la prueba, un resultado de la prueba

se ha convertido simplemente en un motor para mover la probabilidad de enfermedad. Queremos
conocemos la razón de verosimilitud correspondiente a un resultado de prueba, y reconocemos que
cuanto más extremo sea el resultado, mayor será el efecto sobre la probabilidad de enfermedad . Esta
parte del capítulo describe algunas de las ventajas de expresar los resultados de las pruebas
como una variable continua (un número dentro de un rango) en lugar de una dicotómica
variable (positiva o negativa).
5.7.1 La distribución de los resultados de las pruebas en pacientes

y bien individuos
Como se discutió anteriormente en este capítulo, la distribución de los resultados de las pruebas en pacientes
pacientes a menudo se superpone a la distribución en pacientes no enfermos (Figura 5.11).
Cuando los informes publicados proporcionan información sobre la distribución de pruebas
resultados en pacientes enfermos y no enfermos, podemos expresar el condicional
probabilidades del resultado de la prueba R ( P [ R | D ] y P [ R | no D ]) de varias formas:
• Las probabilidades condicionales de un rango de valores de resultados de prueba en
pacientes enfermos y no enfermos ( x 1 a x 2 en la Figura 5.12). Desde P [ R | D ]
y P [ R | no D ], podemos calcular la razón de verosimilitud de un resultado de prueba que
cae en este rango.

• 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,
No. de
pacientes
Figura 5.11 Distribución de los resultados de la prueba en individuos sanos y enfermos.
Página 139
= Verdadero positivo
= Falso negativo
x1 x2
= Tasa de verdaderos positivos

+
= Falso positivo
= Verdadero negativo
x1 x2

= Tasa de falsos positivos

+
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
= Tasa de verdaderos positivos

+
Número No
de enfermedad Enfermedad
pacientes
Numero de pacientes
= Falsos negativos = Verdaderos positivos
= Tasa de falsos positivos

+
Número
No
de Enfermedad
enfermedad
pacientes
Numero de pacientes
= Falsos positivos = Negativos verdaderos
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.

5.7.2 La curva característica de funcionamiento del receptor

La curva ROC (Receiver Operating Characteristic) es un método gráfico para
que representa la compensación entre la tasa de verdaderos positivos y los falsos positivos
tasa de una prueba. Para obtener una curva ROC, primero se calcula el condicional
probabilidad de un resultado de prueba en pacientes enfermos y no enfermos ( P [ R | D ] y
P [ R | no D ]) para cada definición del resultado de la prueba. Como se muestra en la Figura 5.15 en
página 130, la curva ROC es una gráfica de P [ R | D ] (en el eje vertical) y P [ R | no
D ] (en el eje horizontal). En la Figura 5.15, cada punto representa uno de los
tres definiciones de un resultado de prueba, como se define por tres valores de corte diferentes (como
mostrado en las inserciones).
El área del gráfico tiene tres partes:
• La línea de 45 grados: esta línea es el lugar geométrico de los puntos para los resultados de la prueba en los que
P [ R | D ] es igual a P [ R | no D ]. Por lo tanto, la razón de verosimilitud para tales puntos
es 1.0. Según el teorema de Bayes, las probabilidades posteriores a la prueba son iguales a las de la prueba previa.
probabilidades multiplicadas por la razón de verosimilitud. Por lo tanto, estos resultados no tienen ningún efecto sobre
la probabilidad de enfermedad.
Página 141
Resultado falso positivo
Resultado falso negativo
Normal
individuos
Enfermo
Número de individuos
pacientes
Dos valores de corte

definir
Normal resultado anormal
individuos
Enfermo
individuos
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

El resultado de la prueba aumenta la probabilidad de enfermedad.

• El área debajo de la línea de 45 grados: la razón de probabilidad para los puntos debajo
la línea de 45 grados (área sombreada en la Figura 5.15) es menor que 1.0, lo que indica
que el resultado de la prueba disminuye la probabilidad de enfermedad.
La figura 5.16 muestra la curva ROC para la depresión del segmento ST en un ejercicio.
electrocardiograma. Una medida de un electrocardiograma de ejercicio anormal es
qué tan lejos cae el segmento ST durante el ejercicio en comparación con el valor de referencia
antes del ejercicio. Un punto de corte correspondiente a una depresión más profunda del segmento ST.
significa una tasa más baja de falsos positivos pero también una tasa más baja de verdaderos positivos.
Esta curva ROC ilustra las compensaciones involucradas en la definición del umbral
resultado de la prueba que conduce a diferentes acciones. Para ilustrar este punto, suponga que
El resultado del electrocardiograma de ejercicio determina si un paciente recibe un
Página 142
Falso positivo
Falso negativo
Enfermedad
No pacientes
Concentración sérica de CPK
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
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
Tasa de falsos positivos (especificidad 1)

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
arteriografía coronaria. Establecer el punto de corte en ≥2 mm de depresión del segmento ST

daría lugar a menos resultados falsos positivos (por lo tanto, menos resultados coronarios negativos
arteriogramas), más resultados falsos negativos (por lo tanto, muchas más arterias coronarias
pacientes con enfermedad que no fueron seleccionados para un arteriograma coronario), y menos
arteriogramas coronarios (por lo tanto, costos más bajos). Establecer el punto de corte en 1,0 mm de
La depresión del segmento ST resultaría en más costos pero menos arterias coronarias
pacientes con enfermedad que experimentan retrasos en el tratamiento.
5.7.3 Uso de la curva ROC para comparar pruebas

La curva ROC es útil para comparar pruebas. El área bajo la curva ROC es
una medida del rendimiento de la prueba. De varias pruebas para la misma afección objetivo,
la mejor prueba es la que tiene el área más grande bajo su curva ROC. Esta
El método se ha convertido en el método preferido para comparar pruebas. Un defecto
es el requisito para conocer P [ R | D ] y P [ R | no D ] para cada definición de un
resultado de la prueba. Dos curvas ROC podrían tener diferentes formas y, sin embargo, encerrar el
misma area. Como se ve en la siguiente sección, la forma de la curva ROC es a menudo
el factor decisivo en la decisión de utilizar una prueba para una indicación de un
situación clínica.
5.7.4 Configuración del valor de corte para una prueba

Las partes anteriores de esta sección nos han preparado para aprender sobre un método
para establecer el valor de corte para una prueba. Este método tiene en cuenta dos
características del paciente: la probabilidad de enfermedad previa a la prueba y la
importancia para el paciente de evitar resultados falsos negativos y falsos positivos.
El principio es el siguiente:
El valor de corte de una prueba es el resultado de la prueba correspondiente al punto en el ROC

curva en la que la pendiente de la tangente a la curva ROC satisface lo siguiente
relación :
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 apéndice de este capítulo contiene una derivación de esta relación. los

El principio subyacente a la derivación es maximizar las expectativas del paciente.
utilidad. Por lo tanto, para maximizar el bienestar del paciente, establezca el punto de corte en el resultado de la prueba.
que corresponde al punto de la curva ROC donde la tangente a la curva tiene
una pendiente que satisface esta relación . El principio de maximizar la capacidad del paciente

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
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
Para encontrar el valor de corte de la prueba, identifique el punto en la curva ROC

donde una tangente a la curva tiene una pendiente de 2.0, como se muestra en la Figura 5.17. los
pendiente de la tangente a la curva ROC en cualquier punto de la curva es d y / d x , el
cambio instantáneo a lo largo del eje y (tasa verdadera positiva) para un cambio dado
a lo largo del eje x (tasa de falsos positivos).
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
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
Tasa de falsos positivos (especificidad 1)
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
Para encontrar el valor de corte de la prueba, identifique el punto en la curva ROC

donde una tangente a la curva tiene una pendiente de 20, lo que implica que para cada
aumento de 0.01 en la tasa de falsos positivos, la tasa de verdaderos positivos aumentará en
0,2. Se producirá un resultado de prueba correspondiente a esta pendiente pronunciada de la curva ROC
en algún lugar cercano a la esquina inferior izquierda de la parcela espacial de la República de China donde
la tasa de falsos positivos es muy baja.
Este ejemplo tiene una lección importante. Usar una prueba para detectar enfermedades
en personas asintomáticas requiere una tasa de falsos positivos mucho menor que en
personas sintomáticas. La prueba debe aumentar la probabilidad de enfermedad en gran medida.
tratar con el fin de justificar el intento de detectar la enfermedad en personas asintomáticas, que
tiene solo 1 probabilidad entre 1000 de tener la enfermedad. Para lograr un
baja tasa de falsos positivos, el umbral de acción para la concentración sérica de
el anticuerpo debe fijarse mucho más alto que en pacientes sintomáticos.
Este ejemplo muestra que elegir la definición de un resultado de prueba anormal

Requiere atención a todas las facetas de la situación clínica, incluida la clínica.
características del paciente y las consecuencias de detectar correctamente la enfermedad
o incorrectamente.

Página 146
5.8 Combinación de datos de varios estudios

de rendimiento de la prueba
La replicación de resultados es una de las fuentes más importantes de fortaleza de la ciencia.

método entífico. Con ese fin, la literatura publicada normalmente contiene varios
estudios del rendimiento de una prueba de diagnóstico. Sus hallazgos no siempre
estar de acuerdo, y el médico tendrá dificultades para elegir un valor para la sensibilidad
y especificidad o razón de verosimilitud de la prueba. En algunos casos, el médico
puede elegir un estudio de alta calidad basado en varios criterios. El primer criterio
es la calidad del diseño del estudio, como se describió anteriormente en este capítulo. Un segundo
El criterio es la similitud del entorno de práctica del médico y la práctica
entorno en el que se llevó a cabo el estudio. A menudo, varios estudios cumplen con ambos
Criterios. Si estos estudios obtuvieron diferentes valores para el desempeño de la
prueba, si el médico elige un estudio o encuentra alguna forma de combinar los resultados
de los estudios? La revisión sistemática es la rama de la ciencia que se ocupa de
derivar conclusiones de estudios sobre el mismo tema. Aplicado a la salud
cuidado, una revisión sistemática es un recurso muy poderoso para establecer la política clínica.
La revisión sistemática tiene dos componentes básicos. El primero es realizar un
búsqueda sistemática de la literatura para encontrar y evaluar todos los estudios, publicados
e inéditos, y mostrar los resultados. Este proceso requiere definir
criterios de inclusión y exclusión, evaluación y calificación de la calidad del estudio, y
mostrar las características de rendimiento de la prueba para ilustrar una relación importante
buques. Una forma de mostrar los resultados es mostrar el rendimiento de la prueba de
cada estudio en un gráfico en el espacio ROC, en el que el eje horizontal es el falso-
tasa positiva (sensibilidad) de la prueba (1 - especificidad) y el eje vertical es el
tasa de verdaderos positivos de la prueba (panel derecho de la Figura 5.18). Cada individuo
El estudio de la prueba es un punto en el espacio definido por los dos ejes. En la República de China
gráfico, la posición del punto representa la tasa de verdadero positivo ( P [+ | D ]) y
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
tasa de falsos positivos ( P [+ | no D ]) de la prueba en ese estudio (Figura 5.18). Un segundo

La forma de mostrar los resultados es con un diagrama de bosque de sensibilidad y, en otra

gráfico, especificidad (panel izquierdo de la Figura 5.18).
La curva ROC en la Figura 5.18 desanimará al lector que quiera
Decidir sobre un valor para las características de rendimiento de la prueba de esta prueba. los
Los puntos se distribuyen ampliamente, lo que indica un acuerdo muy deficiente entre los
estudios. ¿Qué punto debería elegir el lector?
El segundo componente de una revisión sistemática es opcional: combinar
los resultados de los estudios. Este proceso se llama metaanálisis . Combinatorio
estudios aumenta el número de pacientes disponibles para probar la hipótesis
que una diferencia es real y no se debe al azar. Sin embargo, combinando un
grupo de estudios heterogéneos (como en la Figura 5.18) se considera poco sólido
práctica.
Los estudios del desempeño de las pruebas son un excelente ejemplo de caso de la necesidad de
precaución al intentar combinar los resultados de un grupo de estudios. La misma prueba
podría funcionar de manera bastante diferente en diferentes estudios por las siguientes razones,
que subraya la complejidad del problema de analizar un cuerpo de
evidencia sobre el desempeño de una prueba:
• Diferentes definiciones del valor de corte que define un resultado anormal.
• Diferentes criterios para clasificar una imagen en una categoría definida
• Diferentes técnicas para realizar la prueba.
• Algunos estudios tienen pacientes más enfermos, cuya enfermedad es más fácil de detectar.
• Estudios prospectivos que minimizan el sesgo de revisión de pruebas frente a estudios retrospectivos
Esos en los que el sesgo de revisión de prueba es grave.
• Diferentes pruebas estándar de oro.
Por estas razones, el primer paso en una revisión sistemática de un grupo de estudios de
una prueba de diagnóstico consiste en hacer un análisis cualitativo del conjunto de estudios para decidir
si son lo suficientemente parecidos como para considerar combinar sus resultados.
Los últimos 25 años han sido testigos de un progreso sustancial hacia métodos válidos para
combinando los resultados de estudios de pruebas diagnósticas. Todos comienzan con un
gráfico de los resultados de cada estudio para la sensibilidad y 1 - especificidad en el espacio ROC
(panel de la derecha de la Figura 5.18). Si el patrón de los puntos en el espacio parece
como una serie de puntos en una ROC típica, podría significar que los estudios fueron
detectando lo mismo, pero difiere en el punto de corte que define un positivo
resultado. Moses y col . (1988) dio el siguiente paso transformando logarítmicamente los puntos,
ajustándoles una línea recta mediante técnicas de regresión, transformando la
puntos en la línea de nuevo en forma logarítmica, y finalmente conectando el
puntos. La '' curva ROC resumida '' resultante es la que mejor se ajusta a la colección.
de puntos en el espacio ROC. El enfoque de los autores tenía deficiencias estadísticas.
Dos enfoques más nuevos han superado estas deficiencias (el
resumen del modelo ROC y el modelo bivariado de efectos aleatorios). Ambos modelos
producir una curva ROC de resumen válida y un valor promedio de sensibilidad
y especificidad. La figura 5.19 muestra un resumen de la curva ROC y el promedio
sensibilidad y especificidad con un intervalo de confianza del 95%. Probabilidad resumida
los ratios no son fiables por motivos estadísticos.
Página 148
1.0

Sensibilidad
0 1.0
0 .20 .40 .60 .80 1.0
Sensibilidad Tasa de falsos positivos

(1 especificidad)
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
1. La interpretación de nueva información diagnóstica depende en parte de

la calidad de la información.
2. Las siguientes expresiones caracterizan completamente la información de diagnóstico
ción:
• P [ R | D ]: la probabilidad de observar el hallazgo en pacientes con el
condición de destino.
• P [ R | no D ]: la probabilidad de que el hallazgo ocurra en pacientes que no
no tiene la condición de destino.
3. El valor predictivo de una prueba se aplica a la población en la que
fue medido. Aplicarlo a otras poblaciones no es correcto porque
el valor predictivo depende de la prevalencia de la enfermedad en el estudio
población.
4. El sesgo de espectro es la pesadilla de los estudios sobre el rendimiento de las pruebas. Idealmente, uno
medidas P [ R | D ] y P [ R | no D ] en pacientes que son típicos de los
sometido a la prueba del índice (la población fuente). De hecho, el verificado
La muestra suele ser un subgrupo de la población de origen, elegido porque
los pacientes estaban lo suficientemente enfermos como para justificar la prueba estándar de oro o
debido a un resultado de prueba de índice positivo. Selección sesgada de pacientes del estudio
tiene varios efectos:
• P [ R | D ] es menor en la población de origen que en la muestra verificada.
Página 149
• P [ R | no D ] es menor en la población de origen (a menos que los voluntarios sanos

comprendía la muestra verificada).
5. El médico debe estar preparado para ajustar la tasa de verdaderos positivos y
tasa de falsos positivos para tener en cuenta las diferencias entre los
muestra y la población de origen. Varias técnicas pueden hacer que esto
ajuste, dados los datos apropiados y los supuestos válidos.
6. Algunas pruebas tienen muchos resultados posibles. Cada resultado tiene un P [ R | D ] y una
P [ R | no D ]. La curva ROC es un gráfico de P [ R | D ] y P [ R | no D ] de cada uno
resultado de la prueba. Es útil para comparar pruebas y para decidir el correcto

punto de corte para definir resultados positivos y negativos.

7. El valor de corte de una prueba debe ser específico del paciente. Depende de
la probabilidad de enfermedad del paciente antes de la prueba y los daños de tratar a los pacientes
que no tienen la condición de destino y los beneficios de tratar a los pacientes
Quién hace.
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?
Apéndice: Derivación del método para utilizar una curva ROC

para elegir la definición de un resultado de prueba anormal
El tema de la última sección de este capítulo son las pruebas que pueden tener muchos
resultados. La concentración sérica de una enzima liberada por el corazón dañado.
músculo, como la troponina sérica, puede tener cualquier valor biológicamente razonable,
que van desde 0-0,01 ng / ml en una persona normal hasta 100 ng / ml en un paciente con
Página 150
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

se introduce en el Capítulo 6). Usaremos la utilidad esperada de la prueba ( U [prueba])

como nuestra medida de su valor (consulte el Capítulo 7 para aprender sobre la utilidad):
U [prueba] = UE (prueba) - UE (sin prueba) (A5.1)
Para calcular la utilidad esperada de hacer la prueba, usamos un árbol de decisión

(Figura 5.20). Consulte el Capítulo 6 para obtener una descripción de los árboles de decisión. El primero
El nodo de azar en el árbol representa el estado real desconocido del paciente.
( D + = enfermo; D - = no enfermo). El nodo de la segunda oportunidad (leyendo de
de izquierda a derecha) representa el resultado de la prueba ( T + = prueba positiva; T - = prueba
negativo). La probabilidad de enfermedad es P ( D ). La probabilidad de una prueba positiva
en un paciente enfermo es P (+ | D ), que es la tasa de verdaderos positivos de la prueba.
La inspección muestra cuatro posibles resultados de la prueba (verdadero positivo, falso
negativo, falso positivo y verdadero negativo). Si el resultado de la prueba del paciente es superior
el punto de corte óptimo que define un resultado de prueba anormal, el paciente
recibir tratamiento ( A +). Si el resultado está por debajo de este valor, el paciente no
recibir tratamiento ( A -). Por lo tanto, dependiendo del estado real del paciente ( D + o D -)
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]
Figura 5.20 Un árbol de decisiones.
Página 151
y el resultado de la prueba, un paciente estará en uno de cuatro estados:
Resultado verdadero positivo: D+A+

Resultado falso negativo: D+A-
Resultado falso positivo: D-A+

Resultado verdadero negativo: D-A-
La utilidad (o preferencia) del paciente por un resultado positivo verdadero es U ( D + A +) o, en

una notación más compacta, U tp . En esta notación, tp se refiere a una prueba positiva verdadera
resultado. Un resultado verdadero positivo implica el tratamiento de un paciente enfermo, que
presumiblemente es un mejor resultado que un resultado falso negativo, lo que implica que no
tratar a un paciente enfermo. Por lo tanto, uno esperaría que U tp sea mayor que U fn
la utilidad de un resultado de prueba falso negativo.
Para obtener la utilidad esperada de la prueba y ninguna opción de prueba, promedie en
los nodos de azar en el árbol que se muestra en la Figura 5.20, como se describe en el Capítulo 6.
Para hacerlo, multiplique la utilidad de cada resultado por la probabilidad de que
ocurrir, que es el producto de las probabilidades a lo largo del camino hacia el resultado
(la probabilidad de la ruta):

U (prueba) = [ P ( D ) × P (+ | D ) × U tp ] + [ P (sin D ) × P (- | sin D ) × U tn ]
+ [ P (sin D ) × P (+ | sin D ) × U fp ] + [ P ( D ) × P (- | D ) × U fn ] (A5.2)
pero
P (- | sin D ) = 1 - P (+ | sin D ) y P (- | D ) = 1 - P (+ | D )
Sustituyendo estas relaciones y reordenando los términos, obtenemos
U (prueba) = [( U tp - U fn ) × P ( D ) × P (+ | D )] + [( U fp - U tn ) × P (sin D )
× P (+ | sin D )]
La curva ROC describe la relación entre las tasas de verdadero positivo y

tasas de falsos positivos para diferentes puntos de corte de una prueba de diagnóstico. Deja que la función
R [] denota esta relación. La relación entre la tasa de verdaderos positivos
y la tasa de falsos positivos viene dada por esta relación funcional:
P (+ | D ) = R [ P (+ | sin D )]
Sustituyendo esta relación en la ecuación (A5.2),
U (prueba) = [( U tp - U fn ) × P ( D ) × R [ P (+ | sin D )]] + [( U fp - U tn )
× P (sin D ) × P (+ | sin D )]
El siguiente paso es el cálculo diferencial. Diferenciar U (prueba) con respeto

a P (+ | no D ) para encontrar el punto en la curva ROC donde U (prueba), el paciente
utilidad para la prueba, es un máximo. Este paso es una razón importante para utilizar este
Página 152
método para elegir el punto de corte, porque maximiza el mejor

intereses:
d U [prueba]
=
d [ p (+ | no D )]
d [ R [ P (+ | sin D )]]
( U tp - U fn ) × P [ D ] × + ( U fp - U tn ) × P (sin D )
d [ P (+ | sin D )]
Ahora establezca d U [prueba] / d [ P (+ | no D )] = 0 para encontrar el punto donde U es un máximo
d [ R [ P (+ | sin D )]]
0 = ( U tp - U fn ) × P [ D ] × + ( U fp - U tn ) × P (sin D )
d [ P (+ | sin D )]
Resolviendo esta ecuación para d [ R [ P (+ | no D )]] / d [ P (+ | no D )], la pendiente de la ROC

curva en el punto de corte que maximiza el valor de la prueba,
d [ R [ P (+ | sin D )]] P [no D ] ( U fp - U tn )

= × (A5.3)
d [ P (+ | sin D )] P[D] ( U fn - U tp )
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

El lado izquierdo de la Ecuación A5.3 es la tasa de cambio del verdadero positivo

tasa con respecto a la tasa de falsos positivos de la prueba, que es la pendiente de la
Curva ROC:
• Un resultado de prueba correspondiente a un punto en la curva ROC a la derecha de
el punto de corte se define como '' positivo '' y conduce a una acción consistente con
la condición objetivo está presente.
• Un resultado de prueba correspondiente a un punto en la curva ROC a la izquierda de la
El punto de corte se define como '' negativo '' y conduce a una acción consistente con el
la condición objetivo está ausente.
Ecuación A5.4, que es la misma expresión que aparece en la última sección
del Capítulo 5, indica que el valor de corte que maximiza la
La utilidad es donde la pendiente de la curva ROC es igual a las probabilidades de que la enfermedad sea
tiempos ausentes la relación entre los daños y los beneficios del tratamiento.
Bibliografía
Begg, CB y Greenes, RA (1984) Evaluación de pruebas de diagnóstico cuando se verifica la enfermedad

está sujeto a sesgos de selección. Biometrics , 39 , 207-15.
Información sobre la corrección del sesgo de verificación de la enfermedad en la selección de participantes en

estudios de rendimiento de pruebas de diagnóstico.
Página 153
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.
Diamond, GA y Forrester, JS (1979) Análisis de probabilidad como ayuda en la clínica

diagnóstico de enfermedad de las arterias coronarias. Revista de Medicina de Nueva Inglaterra , 300, 1350–8.
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.
Si la selección de la muestra verificada depende de los resultados de la prueba índice, el método

descrito en este artículo se puede utilizar para corregir las tasas positivas verdaderas publicadas y
tasas de falsos positivos y obtener una estimación mejorada de estos datos en la población de origen.
Hanley, JA y McNeil, BJ (1982) El significado y uso del área debajo de un receptor

curva característica de funcionamiento (ROC). Radiología , 143 , 29–36.
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.
Una revisión en profundidad.
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.
McNeil, BJ, Keeler, E. y Adelstein, SJ (1975) Introducción a ciertos elementos de la medicina

Toma de decisiones. Revista de Medicina de Nueva Inglaterra , 293 , 211-15.

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.
Moses, LE, Shapiro, D. y Littenberg, B. (1998a) Combinando estudios independientes de un

prueba de diagnóstico en una curva ROC resumida: enfoques analíticos de datos y algunos
consideraciones. Estadística en Medicina , 12 , 1293-1316.
Este artículo describe cómo caracterizar los resultados de muchos estudios de desempeño en pruebas.
por una curva ROC resumida.
Philbrick, JT, Horwitz, RI, Feinstein, AR, Langou, RA y Chandler, JP (1982a)

espectro limitado de pacientes estudiados en la investigación de pruebas de ejercicio: análisis de la punta del
iceberg. Revista de la Asociación Médica Estadounidense , 248 , 2467–70.
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
Ransohoff, DF y Feinstein, AR (1978) Problemas de espectro y sesgo en la evaluación de

eficacia de las pruebas de diagnóstico. Revista de Medicina de Nueva Inglaterra , 299 , 926-30.
La descripción clásica del efecto de la selección sesgada de pacientes sobre la tasa de verdaderos positivos
y tasa de falsos positivos.

Una excelente fuente de información confiable sobre el desempeño de muchos

pruebas de diagnóstico.
Swets, JA, Tanner, WP y Birdsall, TG (1964) Procesos de decisión en la percepción. En señal

Detección y reconocimiento por observadores humanos: lecturas contemporáneas , Swets, JA (ed.), Págs.
3-58. John Wiley & Sons, Inc., Nueva York.
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
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
Toma de decisiones de valor esperado
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.

En este capítulo, asumimos que la mejor decisión es la alternativa con la

mayor valor esperado. O cuando la persona mide el valor por la duración de la vida,
asumimos que la mejor opción es la alternativa que brinda la mejor vida
expectativa para el paciente.
143
Página 156
Por ejemplo, considere una decisión entre un tratamiento quirúrgico y una

tratamiento basado en drogas. Los tratamientos quirúrgicos suelen implicar un riesgo de
diate la muerte. Un paciente que sobrevive a la cirugía corre el riesgo de morir en
varias veces en el futuro. En otras palabras, podemos pensar en la cirugía
tratamiento como una apuesta que tiene una probabilidad distinta de cero de causar la enfermedad del paciente
muerte inmediata seguida de probabilidades para todas las demás longitudes posibles
de vida después de la cirugía. La esperanza de vida del tratamiento quirúrgico.
se denota Cirugía LE , entonces
LE Cirugía = [ p × 0 años] + [(1 - p ) × LE Post - cirugía ]
= (1 - p ) x LE post - cirugía (6,1)
donde p es la probabilidad de muerte durante la cirugía y LE Post - cirugía es la

la esperanza de vida del paciente si el paciente sobrevive a la cirugía. El basado en drogas
el tratamiento es una apuesta diferente: la probabilidad de muerte inmediata es 0
y las probabilidades de las otras posibles duraciones de la vida pueden diferir de
el tratamiento quirúrgico. Si LE Drug denota la esperanza de vida del paciente con
el tratamiento basado en medicamentos, podemos reducir la decisión entre los dos
alternativas a la comparación de los números (1 - p ) x LE Mensaje - cirugía y LE de la droga . los
El análisis descrito en este capítulo asume que el tratamiento quirúrgico es el
alternativa preferida si la esperanza de vida del paciente con este tratamiento es
mayor que la esperanza de vida del paciente con el tratamiento farmacológico. Ese
es decir, (1 - p ) x LE post - cirugía es mayor que LE Drogas .
Este capítulo muestra cómo utilizar los cálculos de valor esperado, o más
específicamente, cálculos de esperanza de vida, para analizar una decisión clínica. En esto
capítulo, asumiremos que la decisión preferida es la que maximiza
la esperanza de vida del paciente. Esta suposición tiene sentido para nosotros porque
en su mayoría prefieren una vida más larga a una vida más corta, pero tiene una deficiencia importante:
Para muchas decisiones clínicas, la duración de la vida del paciente es sólo uno de los
preocupaciones. Los pacientes también pueden estar preocupados por el grado de discapacidad, la
el tiempo dedicado a la convalecencia, la cantidad de sufrimiento y los gastos de bolsillo.
Algunas personas pueden preferir una vida más corta sin sufrimiento a una vida más larga llena
con sufrimiento. El capítulo 8 muestra cómo medir los resultados teniendo en cuenta
tener en cuenta las múltiples dimensiones de un resultado. Por tanto, la esperanza de vida
El análisis presentado en este capítulo no es la historia completa, pero es una
marco para manejar las complejidades en las decisiones clínicas. El contenido de
El capítulo 8 utiliza este mismo marco.
La discusión en este capítulo comienza identificando los temas clave
análisis de decisiones mentirosas. Esto incluye una introducción al árbol de decisiones,
que es simplemente una forma de representar un problema de decisión. Describiremos como
utilizar el árbol de decisiones para identificar la decisión óptima. Luego describimos

análisis de sensibilidad, que se utiliza para determinar la solidez de una decisión.

El capítulo concluye describiendo el algoritmo general utilizado para calcular
valor esperado para árboles de decisión arbitrariamente complejos.
Página 157
Toma de decisiones sobre el valor esperado 145
6.1 Un ejemplo
La historia del paciente

Una decisión clínica de la vida real ilustrará el material presentado en este
capítulo. La persona que se enfrentó a esta decisión fue un hombre de 60 años.
llamar "Hank". Hank tenía antecedentes de eczema. Debido a esta condición crónica,
no se preocupó cuando apareció por primera vez un sarpullido cerca de su ano. Sin embargo,
el malestar persistente finalmente llevó a Hank a buscar atención médica. Su
El dermatólogo realizó una biopsia, que mostró que un cáncer de piel poco común,
llamada enfermedad de Paget perianal, estaba causando la erupción recién descubierta de Hank.
Esta enfermedad comienza en la epidermis pero a menudo hace metástasis. Por lo tanto, la
El dermatólogo refirió a Hank a un oncólogo para recibir tratamiento.
Primera alternativa de tratamiento: cirugía tradicional

El primer oncólogo que examinó a Hank concluyó que la enfermedad aún estaba
limitado a las lesiones visibles en la superficie de la piel de Hank. Este oncólogo
recomendó que Hank se sometiera a un procedimiento quirúrgico comúnmente realizado,
que eliminaría las lesiones visibles y la epidermis circundante.
La figura 6.1 proporciona una descripción esquemática de este tratamiento, que llamaremos
'' tradicional ''. Los bordes de la erupción en la superficie de la piel pueden subestimar
la extensión completa del tejido maligno, que a menudo se extiende por debajo de la epidermis
más allá de los límites visibles en la superficie de la piel. Para aumentar el
probabilidad de extirpar todo el tejido maligno, el procedimiento quirúrgico tradicional
El abordaje elimina la zona visiblemente afectada y un margen de 3 cm que la rodea.
Debido a la ubicación de la lesión de Hank, el margen extra incluiría el
mucosa que recubre el recto. La cirugía restauradora después de este tratamiento puede reparar
la mucosa y permitir que se produzcan las deposiciones normales. Sin embargo, esta primera
El oncólogo advirtió que era probable que el procedimiento de restauración fracasara. En esto
caso de que Hank perdiera la función de su recto y se viera obligado a vivir el
el resto de su vida con una bolsa de colostomía.
Límite completo de la lesión

Lesión visible
Margen de 3 cm
Resección
Figura 6.1 Cirugía tradicional para la enfermedad de Paget perianal.

Página 158
Segunda alternativa de tratamiento: cirugía dirigida microscópicamente

Hank buscó el consejo de un segundo oncólogo que estuvo de acuerdo en que la enfermedad
todavía estaba localizado en la región perianal. Sin embargo, el segundo oncólogo
recomendó un procedimiento quirúrgico escalonado que comenzaría con una
resección limitada. Mientras los cirujanos esperaban en el quirófano, una patología
El ogista examinaría los bordes del tejido extraído bajo un microscopio para
determinar la ubicación de las células malignas. Si las células de Paget estaban presentes, el
El cirujano ampliaría los márgenes de la escisión y el tejido del nuevo
los márgenes se examinarían bajo el microscopio. La cirugía termina cuando
los márgenes del tejido extirpado están libres de células de Paget. La figura 6.2 muestra
cómo se vería el procedimiento.
La ventaja de este procedimiento dirigido microscópicamente es que la resección
ciones pueden detenerse antes de la mucosa anal, evitando así el riesgo de una
colostomía. Sin embargo, la cirugía dirigida microscópicamente tiene dos desventajas
tages. Primero, el procedimiento podría fallar al eliminar todas las celdas de Paget si el
la malignidad no se agrupa en una sola lesión conectada. Si hay
múltiples lesiones malignas, el procedimiento dirigido microscópicamente podría entonces
deténgase al final de una lesión mientras deja las otras lesiones en su lugar. Segundo,
El procedimiento dirigido microscópicamente podría conducir al mismo resultado que
Cirugía convencional con un margen de 3 cm de tejido extirpado alrededor del visible
tejido afectado si las células de Paget estaban presentes en la mucosa anal.
Por lo tanto, el segundo oncólogo también recomendó recolectar varios
Muestras de tejido de la mucosa anal antes de iniciar la aplicación dirigida microscópicamente.
cirugía. Estas muestras se examinarían para detectar la presencia de Paget
células. Si se encontraran las células de Paget, el cirujano procedería con las más
tratamiento convencional agresivo. Las biopsias, como muestra de tejido,
ser una prueba imperfecta, ya que un resultado negativo no descartaría la posibilidad
que la cirugía dirigida microscópicamente aún podría conducir a la extirpación de
la mucosa anal.
Límite completo de la lesión

Lesión visible
Primera resección
Segundas resecciones
Tercera resección
Figura 6.2 Cirugía dirigida microscópicamente para la enfermedad de Paget perianal.

Página 159
Toma de decisiones de valor esperado 147
Tercera alternativa de tratamiento: no hacer nada

Hank reconoció que su tercera alternativa de tratamiento era no hacer nada al respecto.
su enfermedad. Esta alternativa lo dejaría con una enfermedad local no tratada,
que en última instancia podría resultar en un cáncer invasivo, metástasis y muerte.
Además, sin tratamiento, Hank continuaría experimentando la
malestar causado por la erupción. Aún así, optar por renunciar al tratamiento podría evitar
una colostomía a menos que la malignidad no tratada progresara hasta el punto de
interfiriendo con las deposiciones normales.
Analizando las alternativas

Los méritos relativos de cada alternativa dependen de una serie de consideraciones.
Por ejemplo, la alternativa de no hacer nada evita la colostomía, al menos temporalmente.
porariamente. Sin embargo, la posibilidad de que una enfermedad local no tratada se convierta en
un problema potencialmente mortal contrarresta esta ventaja. La alternativa de la cirugía tradicional
nativo elimina la enfermedad local, pero es probable que requiera una colostomía. los
El resultado de la alternativa de cirugía dirigida microscópicamente depende de la habilidad
del patólogo y la extensión de la enfermedad de Hank.
Duración de la vida : la elección de tratamiento de Hank afectaría la duración de su vida:

• No hacer nada dejaría en su lugar una enfermedad que podría crecer hasta
punto de causar su muerte.
• Es posible que la cirugía escalonada no elimine toda la enfermedad si el patólogo
pasó por alto la célula de Paget en el tejido resecado o la lesión tenía satélites
que no estaban directamente conectados a él. Esto dejaría a Hank con
aproximadamente el mismo pronóstico que no hacer nada.
• Si bien Hank confiaba en que la cirugía tradicional con su agresiva
la eliminación del tejido circundante eliminaría la enfermedad y daría la
mejor supervivencia, no le gustaba la perspectiva de vivir con una colostomía.
• El procedimiento dirigido microscópicamente podría conducir a una colostomía si el
Las células de Paget se extendieron hacia la mucosa anal.
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
Tabla 6.1 Alternativas de tratamiento de Hank.

Alternativa Ventaja Desventaja
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
Se ignorará una mayor incomodidad. La discusión también ignora el costo, que

diferiría mucho para las tres alternativas. Esta suposición es razonable
para Hank, ya que sus costos de atención médica están cubiertos por un tercero pagador. Cómo-
nunca, ignorar el costo también refleja la suposición implícita de que estamos considerando
este problema desde la perspectiva de Hank. En realidad, las cuestiones excluidas por este
simplificar la suposición podría dominar la decisión. El capítulo 7 discute
métodos para incorporar una visión más compleja de los resultados.
6.2 Selección de la persona que toma las decisiones
Presentaremos este problema desde la perspectiva de Hank, lo que significa que

pondrá a Hank en el papel de tomador de decisiones . En realidad, varias partes interesadas
podría ser quien tome las decisiones. Éstos incluyen:
• Dermatólogo realizando el diagnóstico inicial.
• Oncólogo que recomiende la cirugía tradicional.
• Oncólogo que recomienda cirugía dirigida microscópicamente.
• Hospital donde se realizará el tratamiento.
• Compañía de seguros que paga el tratamiento.
Cada uno de estos tomadores de decisiones ve este problema desde una perspectiva diferente.
espective. Por ejemplo, la compañía de seguros pondría más énfasis
sobre equilibrar sus pagos a los proveedores de atención médica con la supervivencia
de un cliente generador de primas. Esta perspectiva ignoraría la de Hank.
calidad de vida y es muy probable que la compañía de seguros prefiera una
alternativa de tratamiento que Hank preferiría. Por ejemplo, valor esperado
El análisis para una compañía de seguros probablemente se basaría en el costo y
ingresos en lugar de la esperanza de vida del paciente.
Los tomadores de decisiones también pueden diferir en la probabilidad que asignan a la
posibles resultados. Por ejemplo, el oncólogo que recomienda el tradicional
La cirugía probablemente asigna una alta probabilidad a la posibilidad de que la patología
gist no podrá detectar las células de Paget en los márgenes del tejido extraído durante
la cirugía escalonada. Escepticismo sobre la capacidad de los patólogos para detectar
Las células de Paget son la razón por la que este cirujano prefiere la cirugía tradicional. El oncólogo
recomendar el procedimiento dirigido microscópicamente probablemente tenga más
confianza en que el patólogo detectará las células de Paget.
Página 161
Decidir qué perspectiva adoptar de los tomadores de decisiones es fundamental para

análisis de decisiones formales. Si bien la metodología puede producir un análisis válido
desde la perspectiva de cualquiera de los posibles tomadores de decisiones, solo puede ser
aplicado a la perspectiva de un tomador de decisiones a la vez . Las probabilidades y espe-
cialmente los valores dependerán de quién es el tomador de decisiones, y las conclusiones

alcanzado por el análisis cambiará en consecuencia. Esta metodología acom-

modera los elementos subjetivos de la toma de decisiones, que es una de las razones para
su atractivo perdurable para las personas que deben tomar decisiones importantes. Lo haremos
discuta estos elementos subjetivos en detalle en este capítulo y en el Capítulo 8.
6.3 Árboles de decisión: representaciones estructuradas

para problemas de decisión
El resultado de la decisión de tratamiento de Hank dependerá de una serie de

incertidumbres como:
• Extensión de la enfermedad de Paget.
• Capacidad del patólogo para detectar células de Paget y proporcionar consejos válidos.
para guiar el procedimiento dirigido microscópicamente.
• Éxito de la cirugía de reparación de la mucosa anal después de la cirugía tradicional.
Los analistas de decisiones utilizan un diagrama de árbol para realizar un seguimiento de estas consideraciones.
El árbol de decisión convencional usa un recuadro (D) para representar un punto de decisión, como
como la elección del tratamiento, y un círculo () para representar un evento cuyo resultado
depende del azar, como las secuelas de un tratamiento. Usaremos un círculo sólido
para denotar un resultado (también conocido como nodo terminal).
Por ejemplo, la Figura 6.3 muestra el árbol para una decisión simple: si
tratar cuando la presencia de la enfermedad es incierta. Este árbol genérico tiene uno
nodo de decisión, dos nodos de azar y cuatro posibles resultados correspondientes
a cuatro combinaciones de alternativas de tratamiento y estados patológicos. El ordenamiento
de los nodos de izquierda a derecha corresponde al orden temporal en el que la
los eventos inciertos que siguen a la decisión se resolverán. Por ejemplo, el problema
Enfermedad presente Tratamiento con

enfermedad
Tratamiento
Decisión
Nodo Enfermedad ausente Tratamiento sin
enfermedad
Enfermedad presente
Sin tratamiento
con enfermedad
Sin tratamiento
Enfermedad ausente Sin tratamiento

Oportunidad
sin enfermedad
Nodo
Salir
Figura 6.3 Árbol de decisión genérico para dos estados de enfermedad y dos alternativas de tratamiento.
Página 162
Metastásico Enfermedad metástica

Renunciar a cualquier enfermedad sin colostomía
tratamiento Local Enfermedad local
enfermedad sin colostomía

Injerto no enfermedad con colostomía
exitoso Local Curado con

enfermedad colostomía
Tradicional
cirugía Metastásico Enfermedad metástica
Injerto enfermedad sin colostomía
exitoso

Local Curado sin


Injerto no enfermedad con colostomía
exitoso Local Curado con

Mucosa anal enfermedad colostomía
remoto Metastásico Enfermedad metástica
Injerto enfermedad sin colostomía
exitoso Local Curado sin

Microscópicamente enfermedad colostomía
cirugía dirigida Metastásico Enfermedad metástica

Incompleto enfermedad sin colostomía
resección Local Enfermedad local

Mucosa anal enfermedad sin colostomía
no quitar Metastásico Enfermedad metástica
Completo enfermedad sin colostomía
resección Local Curado sin
Figura 6.4 Árbol de decisión para el problema de decisión de Hank después de una biopsia por punción negativa.
asume que la decisión de tratamiento debe tomarse antes de la incertidumbre sobre

el estado de la enfermedad se resolverá.
Para simplificar, comenzaremos el proceso de decisión después de que Hank haya tenido la
biopsia por punch de la mucosa anal, que no mostró células malignas, y
Dibujará el árbol para representar la decisión que enfrentan Hank y su médico.
después de una biopsia por punción negativa. La figura 6.4 muestra este árbol. El nodo inicial
representa la decisión entre las tres alternativas de tratamiento. Las ramas
para cada una de las tres alternativas conducen a porciones del árbol que representan el
posibles resultados de ese tratamiento (a menudo llamados subárboles).
Tratamiento anterior : el más simple de estos subárboles representa el posible
resultados si Hank elige renunciar a todo tratamiento. En este caso, el único
La incertidumbre es si ya tiene cáncer metastásico, lo que
probablemente acorte su esperanza de vida. Esta incertidumbre está representada por un
nodo de probabilidad que tiene dos posibles resultados, (1) enfermedad metastásica y
(2) enfermedad local. La figura 6.5 representa este simple problema.
Página 163
Nodo de probabilidad para Metástasis

Metástasis no tratada
Extensión de la enfermedad
Enfermedad local
Enfermedad local no tratada
Figura 6.5 Posibles resultados de renunciar a cualquier tratamiento.
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

cirugía tradicional Hank todavía enfrentaría la misma incertidumbre sobre la

posibilidad de que la cirugía no elimine todo el tejido maligno.
Tenga en cuenta que Hank creía que la cirugía tradicional curaría su
enfermedad. Los cirujanos que consultó apoyaron esta creencia.
Cirugía dirigida microscópicamente : Hank es más cauteloso sobre la posibilidad
bilidad de curación con el procedimiento dirigido microscópicamente. Refiriéndose a
Figura 6.7, corre el riesgo de que la resección sea incompleta si el procedimiento
El procedimiento se detiene antes de extirpar la mucosa anal. En otras palabras, podría
quedarse con un tratamiento incompleto de su enfermedad local. Las posibles consecuencias
Las consecuencias de la cirugía dirigida microscópicamente también incluyen el riesgo de que
los cirujanos necesitarán extirpar la mucosa anal porque las células de Paget
estará presente en o justo debajo de la mucosa. En este caso, Hank
enfrentan el mismo riesgo de una colostomía que enfrentó con los
cirugía. Hank también se enfrentaría al riesgo de metástasis independientemente de la
integridad del procedimiento.
Debido a que la biopsia por sacabocados fue negativa, la cirugía dirigida microscópicamente
probablemente no se extenderá a la mucosa anal, pero podría haber pasado por alto la de Paget
células que estaban presentes en la región muestreada. Por tanto, la probabilidad de
Nodo de oportunidad para

extensión de la enfermedad Metástasis Enfermedad metástica
con colostomía
Injerto no
exitoso Enfermedad local Enfermedad local
con colostomía
Metástasis Enfermedad metástica

sin colostomía
Injerto
exitoso
Enfermedad local Enfermedad local
Nodo de oportunidad para sin colostomía
cirugía reconstructiva
Figura 6.6 Posibles resultados de la cirugía tradicional.
Página 164
Nodo de oportunidad para Metástasis Metástasis

cirugía reconstructiva Injerto no con colostomía
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
sin colostomía
Incompleto
Enfermedad local Enfermedad local

sin colostomía
Mucosa anal
no quitar
sin colostomía
Nodo de oportunidad para Completo
integridad de
cirugía Enfermedad local Curado sin
colostomía

Figura 6.7 Posibles resultados de la cirugía dirigida microscópicamente.
la rama superior en la Figura 6.7 no es cero. En la siguiente sección, mostraremos cómo

utilizar el teorema de Bayes para calcular esta probabilidad.
6.4 Cuantificación de la incertidumbre
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
• La necesidad de extirpar la mucosa anal durante una cirugía dirigida microscópicamente.

• Extracción completa de las células de Paget mediante cirugía dirigida microscópicamente.
Las pruebas de diagnóstico pueden reducir la incertidumbre sobre estos eventos al conducir
su probabilidad hacia 0 o 1. Describiremos cómo estimar su efecto
sobre la incertidumbre de Hank.
Extensión de la enfermedad : el primer oncólogo realizó una serie de pruebas que
no mostró evidencia de enfermedad metastásica. Sin embargo, estas pruebas son
no es perfecto, y sus resultados dejan cierta incertidumbre. No detectar
enfermedad metastásica no descarta la posibilidad de que el cáncer haya
ya se ha extendido a otros órganos: un falso negativo . Del mismo modo, el examen
puede confundir una condición benigna con una metástasis potencialmente mortal - una falsa
positivo . Sin embargo, las pruebas negativas redujeron en gran medida la probabilidad
de enfermedad generalizada. Basado en estos hallazgos, Hank creía que el
La probabilidad de enfermedad ampliamente metastásica fue de alrededor del 5%.
Cirugía reconstructiva exitosa : cuantificar la incertidumbre sobre la
resultado de la cirugía reconstructiva, Hank preguntó a los dos cirujanos
para su mejor suposición. El cirujano a favor del procedimiento tradicional.
afirmó que la cirugía reconstructiva fue exitosa en el 90% de los casos.
El cirujano que favorecía la cirugía dirigida microscópicamente colocó el
probabilidad de éxito del procedimiento reconstructivo en torno al 30%.
Al final, Hank dividió la diferencia y evaluó su probabilidad de
cirugía reconstructiva exitosa en un 60%.
Células de Paget en la mucosa anal : para completar el análisis Hank

necesario para determinar la probabilidad de que la enfermedad ya se haya extendido a

su mucosa anal. Antes de la biopsia por punción de la piel, sus médicos estuvieron de acuerdo
que la probabilidad de células de Paget en la mucosa anal de Hank era de alrededor
30%. ¿Cómo cambia esta probabilidad después de la biopsia por punción negativa?
El capítulo 4 introdujo el teorema de Bayes como un método para determinar el efecto de
un resultado de prueba sobre la probabilidad de enfermedad. Específicamente, la Ecuación 4.7 mostró que
P [ D ] × P [- | D ]
P [ D | -] = (6.2)
( P [ D ] × P [- | D ]) + ( P [sin D ] × P [- | sin D ])
Para el problema de Hank (recuerde que P [ A | B ] denota la probabilidad del evento A

dado que el evento B es cierto)
P [ D ] = P [Anal mucosa tiene Paget s células] (6,3)
P [- | D ] = P [Biopsia por punch negativa | Mucosa anal tiene Paget s células] (6,4)
P [- | no D ] = P [Biopsia por punch negativa | Mucosa anal es libre de Paget s células]

(6,5)
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
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,
P [Biopsia por punch positiva | Mucosa anal tiene Paget s células]

= P [Paget s células incluyen en la muestra | Mucosa anal tiene Paget s células]
× P [Biopsia por punch positiva | Paget s células presentes en la muestra] (6,8)
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,
P [Biopsia por punch positiva | Mucosa anal tiene Paget s células]

= 0,50 × 0,95 = 0,48 (6,9)

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:
P [Anal mucosa tiene Paget s células | Biopsia con punch negativo]

0,3 × 0,52
= = 0,19 (6,10)
(0,3 × 0,52) + (0,7 × 0,99)
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
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]
Figura 6.8 Probabilidad de 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 [mucosa anal eliminada]

= P [Paget s células presentes y reconocidas por el patólogo]
+ P [Paget s células ausente y patólogo hace un error] (6.11)
Recuerde la definición de probabilidad condicional en la ecuación 4.1:

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
P (Anal mucosa eliminado) = P (patólogo correcta | Paget s células presentes

× Paget s células presentes)
+ P (equivocadas patólogo | Paget s células ausentes
× Paget s células ausente) (6,13)
En la sección anterior, aprendimos que la probabilidad de que las células de Paget

en la mucosa anal de Hank después de la biopsia por punch negativa fue del 19%. En eso
Página 168
discusión, notamos que Hank estaba seguro de que el patólogo

No confunda una celda normal con una celda de Paget. Es decir, el creia
P [Patólogo equivocado | Paget s células ausentes] = 0,01 (6,14)
Del mismo modo, creía que
P [Patólogo correcto | Paget s células presentes] = 0,95 (6,15)
Por lo tanto, de la ecuación 6.13,
P [mucosa anal eliminada] = 0,95 × 0,19 + 0,01 × 0,81 = 0,18 (6,16)
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
P [Resección completa con cirugía dirigida microscópicamente] = 0,95
(6,17)
6.5 Análisis probabilístico de árboles de decisión
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
P [Curado sin colostomía | Cirugía tradicional] = 0,60 × 0,95 = 0,57 (6,18)

Dos caminos que involucran cirugía dirigida microscópicamente conducen al resultado

Curado sin colostomía , uno con y otro sin extirpación de anal.
mucosa. Dado que una persona puede viajar solo por uno de estos caminos, la probabilidad de
este resultado es la suma de las probabilidades del camino
P [Curado sin colostomía | Cirugía dirigida microscópicamente]

= (0,19 × 0,60 × 0,95) + (0,81 × 0,60 × 0,95) = 0,84 (6,19)
Página 169
Enfermedad metástica Enfermedad metástica

Renunciar a cualquier 0,05 sin colostomía
tratamiento Enfermedad local Enfermedad local

0,95 sin colostomía
Injerto no exitoso 0,05 con colostomía
0,40 Enfermedad local Curado con

Tradicional 0,95 colostomía
cirugía Enfermedad metástica Enfermedad metástica
Injerto exitoso 0,05 sin colostomía
0,60 Enfermedad local Curado sin

0,95 colostomía
Injerto no exitoso 0,05 con colostomía
0,40 Enfermedad local Curado con

Eliminación de la mucosa anal 0,95 colostomía
0,19 Enfermedad metastásica Enfermedad metástica

Injerto exitoso 0,05 sin colostomía

Microscópicamente 0,95 colostomía
cirugía dirigida Enfermedad metástica Enfermedad metástica

Resección incompleta 0,05 sin colostomía
0,05 Enfermedad local Enfermedad local

No se quita la mucosa anal 0,95 sin colostomía
0,81 Enfermedad metástica Enfermedad metástica

Resección completa 0,05 sin colostomía

0,95 colostomía
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
0,57 + 0,38 = 0,95 (6,20)
mientras que la probabilidad de curación para el procedimiento dirigido microscópicamente es
0,84 + 0,07 = 0,91 (6.21)
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
0,38 + 0,02 = 0,40 (6.22)

mientras que la misma probabilidad para la cirugía dirigida microscópicamente es
0,07 + 0,01 = 0,08 (6.23)
Página 170
Tabla 6.2 Calcular las probabilidades de resultado para la decisión de Hank.
Alternativa Salir Probabilidad
Renunciar a cualquier tratamiento Enfermedad local sin colostomía Por evaluación directa 0.0500
Enfermedad metastásica sin 1,00 × 0,05 = 0,9500

colostomía
Cirugía tradicional Curado sin colostomía 0,60 × 0,95 = 0.5700
Curado con colostomía 0,40 × 0,95 = 0.3800
Enfermedad metastásica sin 0,60 × 0,05 = 0.0300

colostomía
Enfermedad metastásica con colostomía 0,40 × 0,05 = 0.0200
Microscópicamente Curado sin colostomía (0,19 × 0,60 × 0,95) +

cirugía dirigida (0,81 × 0,95 × 0,95) = 0.8409
Curado con colostomía 0. 19 × 0.40 × 0.95 = 0.0704
Enfermedad local sin colostomía 0,81 × 0,05 × 0,95 = 0.0387
Enfermedad metastásica sin (0,19 × 0,60 × 0,05) +

colostomía
(0,81 × 0,05 × 0,05) = 0.0462
Enfermedad metastásica con colostomía (0,19 × 0,40 × 0,05) = 0,0038
Este análisis muestra que la probabilidad de sobrevivir es similar con el

dos formas de cirugía, pero que el procedimiento dirigido microscópicamente
reducir en gran medida la probabilidad de que Hank termine con una colostomía.
6.6 Cálculos de valor esperado
Dado que Hank es quien toma las decisiones, debe decidir si el

La reducción de la probabilidad de una colostomía justifica la ligera reducción de la
probabilidad de curación. Su perspectiva se muestra en las probabilidades utilizadas en
estos cálculos, ya que son lo que él elige creer. Sin embargo, su
La perspectiva también debe dar forma a los valores que él otorga a los posibles resultados.
de una decisión. En el capítulo 8, describimos un método para evaluar la
preferencias por los resultados. En este capítulo introductorio, elegimos la longitud de
vida como la medida del resultado y calcular un valor esperado para la longitud de
vida, para cada uno de los resultados.
La duración de la vida fue solo una de varias medidas de resultado que pudimos
han elegido. Fue una elección razonable ya que Hank quería vivir una larga
hora. Sin embargo, podríamos haber utilizado varias otras medidas. Hank sería
preocupado por cuánto tiempo no podría trabajar o el tiempo que pasaría en
tratamiento y rehabilitación. Y Hank no quería vivir con una colostomía.
Además, cada uno de los resultados incurrirá en costos, que habrían sido
especialmente interesante para la compañía de seguros si hubiera sido la decisión
fabricante, mientras que Hank no estaba especialmente preocupado por los costos porque
tenía seguro médico.

Página 171
80
70
60
50
40
30
20
10
Esperanza de vida restante (años)
0
0 10 20 30 40 50 60 70 80 90100
Edad actual (años)
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
(0,95 × 5 años) + (0,05 × 2 años) = 4,9 años (6,24)
En general, la esperanza de vida de una alternativa es la suma de los productos

obtenido al multiplicar la duración de la vida de cada resultado por la probabilidad

Página 172
Tabla 6.3 Probabilidades de resultado y esperanza de vida para los posibles resultados de Hank.
Alternativa Salir Probabilidad Esperanza de vida
Renunciar a cualquier tratamiento Enfermedad local sin colostomía 0,95 5 años

Enfermedad metastásica sin colostomía 0,05 2 años
Cirugía tradicional Curado sin colostomía 0,57 20 años

Curado con colostomía 0,38 20 años
Enfermedad metastásica con colostomía 0,02 2 años
Microscópicamente Curado sin colostomía 0,84 20 años

cirugía dirigida Curado con colostomía 0,07 20 años
Enfermedad local sin colostomía 0,04 5 años
Enfermedad metastásica con colostomía 0,01 2 años
de ese resultado. Esto se puede expresar mediante la siguiente ecuación:
LE [Alternativa] = ( P [Resultado 1 | Alternativa] × LE [Resultado 1])

+ ( P [Resultado 2 | Alternativa] × LE [Resultado 2]) + ···
+ ( P [Resultado N | Alternativa] × LE [Resultado N ]) (6.25)
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.
Tabla 6.4 Cálculos de esperanza de vida.
Alternativa Esperanza de vida
Renunciar a cualquier tratamiento 0,95 × 5 años +

0,05 × 2 años = 4,9 años
Cirugía tradicional 0,57 × 20 años +

0,38 × 20 años +
0,03 × 2 años +
0,02 × 2 años = 19,1 años
Cirugía dirigida microscópicamente 0,84 × 20 años +

0.07 × 20 años +
0,04 × 5 años +
0,04 × 2 años +
0,01 × 2 años = 18,6 años
Página 173
Cuadro 6.5 Comparación de las alternativas de Hank.

Alternativa P [Colostomía] Esperanza de vida
Renunciar a cualquier tratamiento 0,00 04,9 años

Cirugía tradicional 0,40 19,1 años
Cirugía dirigida microscópicamente 0,08 18,6 años
La Tabla 6.5 resume los cálculos de probabilidad y esperanza de vida mostrados.

anteriormente en este capítulo. La probabilidad de que cada alternativa resulte en una
La colostomía se calculó en las ecuaciones 6.21 y 6.22. Las esperanzas de vida
se copian de la Tabla 6.4. Note lo siguiente: El problema de decisión de Hank
originalmente tenía tres alternativas diferentes, cuatro eventos inciertos diferentes, y
once posibles resultados. El análisis resumido en la Tabla 6.5 ha reducido
ese complejo problema a una comparación relativamente simple entre un período de seis meses
reducción de la esperanza de vida y reducción del riesgo de colostomía del 40%
a aproximadamente el 8%. Hank todavía tiene que tomar una decisión, pero es mucho menos compleja que
la decisión tal como se formuló originalmente.
La Tabla 6.5 ilustra tanto la fortaleza como la debilidad de usar valores esperados
analizar una decisión. Un valor esperado combina tanto la probabilidad de
los posibles resultados y el beneficio para el paciente: la duración de la vida. los
Las expectativas de vida en la tabla indican claramente por qué Hank debería preferir uno de
los procedimientos quirúrgicos sin tratamiento. Sin embargo, el análisis de valor esperado
solo captura ese aspecto de lo que le puede pasar a Hank: la longitud de su
vida. Ignora el impacto de la decisión sobre otros factores, como su calidad
de vida. Los métodos para incorporar la calidad de vida en un estado de resultado son los
tema del Capítulo 8.
6.7 Análisis de sensibilidad
La validez del análisis presentado en este capítulo depende de la validez

de los números que utiliza. Por supuesto, dado el enfoque subjetivo de Hank para
Al estimar las probabilidades en este análisis, la validez es más difícil de juzgar que si
nos habíamos basado en datos de estudios publicados. Si Hank cree que su riesgo
de enfermedad metastásica es del 5%, ¿quién puede decir que debería creer lo contrario?
Pero entonces Hank puede tener dudas sobre sus probabilidades subjetivas. El puede
me pregunto si debería creer que el riesgo de enfermedad metastásica es del 10% o
incluso el 1%. Las técnicas de evaluación subjetiva discutidas en el Capítulo 3 pueden
minimizar las distorsiones causadas por sesgos cognitivos. Sin embargo, Hank podría
Todavía me pregunto si sus respuestas al proceso de evaluación representan con precisión
cómo se siente acerca de los riesgos que enfrenta.
El análisis de sensibilidad es la exploración sistemática de cómo el valor de uno o
más parámetros afectarán las implicaciones de un modelo en la toma de decisiones. Esta
La herramienta puede respaldar la validez del análisis de decisiones al revelar cómo los cambios en
Página 174
Renunciar a cualquier tratamiento Cirugía tradicional Dirigido microscópicamente

Cirugía
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]
Figura 6.11 Esperanza de vida para alternativas versus P [Enfermedad metastásica].
las probabilidades afectarán las conclusiones del análisis. La naturaleza explícita

del análisis de decisiones lo hace posible.
Por ejemplo, la Figura 6.11 muestra que las expectativas de vida de los tres
las alternativas varían a medida que cambia el riesgo de enfermedad metastásica de Hank. De esta figura
está claro que renunciar al tratamiento siempre resulta en una esperanza de vida más corta.
Además, independientemente de la probabilidad de enfermedad metastásica, la esperanza de vida
con la cirugía tradicional es similar al procedimiento dirigido microscópicamente.
Este simple análisis muestra que Hank no debe preocuparse por la precisión
ha evaluado su incertidumbre sobre la enfermedad metastásica porque no es
importante para la elección que debe tomar. Realizar un análisis de sensibilidad en
las otras probabilidades en el árbol de decisión en la figura 6.9 conduce a la misma
conclusión sobre ellos también.
Podemos hacer un análisis de sensibilidad sobre los otros factores del modelo, como
como la esperanza de vida de los posibles resultados. La figura 6.12 muestra que
La esperanza de vida de las alternativas de tratamiento varía con los cambios en la vida.
expectativa de enfermedad de Paget perianal no tratada. En esta figura, variamos el
valores posibles para la esperanza de vida con enfermedad no tratada del peor de los casos
(enfermedad metastásica) en el mejor de los casos (estar libre de enfermedad). Tenga en cuenta que la vida
La expectativa para los dos procedimientos quirúrgicos es aproximadamente la misma para este rango.
de valores. Renunciar al tratamiento no se convierte en una opción creíble a menos que Hank
cree que su esperanza de vida con una enfermedad no tratada es prácticamente la misma
como su esperanza de vida sin la enfermedad (20 años).
El objetivo del análisis de sensibilidad es determinar si las conclusiones extraídas
del modelo cambia cuando cualquiera de los parámetros del modelo cambia. Cuando
Página 175
Renunciar a cualquier tratamiento Cirugía tradicional Cirugía dirigida microscópicamente
20
15
10
5
Esperanza de vida (años)

0
2 4 6 8 10 12 14 dieciséis 18 20
Esperanza de vida con enfermedad de Paget perianal no tratada (años)
Figura 6.12 Esperanza de vida para alternativas versus esperanza de vida para enfermedades no tratadas.
la conclusión es sensible a un parámetro, es una señal para prestar más atención

para determinar el valor de ese parámetro con precisión. Los ejemplos en
esta sección varía un parámetro a la vez (la llamada '' sensibilidad unidireccional
análisis''). Sin embargo, podemos aplicar el mismo método para explorar la sensibilidad
del análisis a cambios en dos o más variables. Los gráficos son más
difícil de dibujar; sin embargo, el principio del método es el mismo. Ejemplos de
en el próximo capítulo se demostrará el análisis de sensibilidad multivariante.
6.8 Plegar árboles de decisión
Esta sección final del Capítulo 6 describe un algoritmo para calcular la

valores esperados para un árbol de decisión cuando el problema incluye más de una
nodo de decisión. Por ejemplo, suponga que el tomador de decisiones primero debe decidir
si realizar una prueba. La decisión de tratamiento puede basarse en el resultado.
de la prueba o el tomador de decisiones puede seleccionar la alternativa de tratamiento sin
primero realizando la prueba.
La figura 6.13 muestra un árbol de decisiones para este tipo de problema. Nodo 1 en el
El árbol representado representa la decisión inicial sobre la prueba. El nodo 2 representa
el resultado de la prueba. El nodo 3 representa la decisión de tratamiento si la prueba no es
realizado. Los nodos 4 y 5 representan la decisión de tratamiento basada en la prueba.
resultado. Los nodos del 6 al 11 representan el resultado del tratamiento. Arbitrario
Las probabilidades se han asignado a las ramas del nodo de azar. Similitud,
Se han asignado duraciones de vida arbitrarias a cada uno de los posibles resultados.
¿Cómo calcularemos la esperanza de vida de este árbol más complicado?
El algoritmo, llamado "Folding Back", utiliza un proceso de reducción basado en
dos observaciones. Primero, la toma de decisiones de valor esperado elige entre
Página 176
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
Figura 6.13 Ejemplo utilizado para ilustrar el algoritmo básico.
alternativas basadas en los valores esperados correspondientes. Por lo tanto, la

El valor esperado de un nodo de decisión es el máximo del valor esperado.
ues para las alternativas que enfrenta ese nodo de decisión. Por lo tanto, podemos reemplazar
un nodo de decisión por un resultado con un valor igual al valor esperado de la
alternativa de decisión con el valor esperado más alto (es decir, el máximo de la
Valores esperados). Eso es,
Valor esperado = x 1
Resultado con valor igual a
equivalente a
máximo de x 1 , x 2 , x 3 ,…, x M
Valor esperado = x M
En segundo lugar, porque elegimos entre alternativas en función de sus expectativas

valores, un nodo de azar, con varios resultados posibles, es equivalente a un
resultado único cuyo valor es igual al valor esperado para esa oportunidad
nodo. En otras palabras,
Página 177
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
Figura 6.14 Reducción de los nodos de probabilidad de resultado del tratamiento.
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
LE para el nodo 6 = 0,3 0 años + 0,7 9 años = 6,3 años (6,26)
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
3 LE = máx. (6,3 años , 6,6 años ) = 6,6 años
1
0,6
2
0.4
Figura 6.15 Reducción de los nodos de decisión del tratamiento.
3 LE = 6,6 años
2 LE = 0,6 × 7,7 años + 0,4 × 7,3 años = 7,5 años
Figura 6.16 Reducción del nodo de probabilidad del resultado de la prueba.
El árbol de decisiones ahora se ha reducido a una simple elección entre un

alternativa con un valor esperado de 6,3 años y una alternativa con un
valor esperado de 7,5 años. Por lo tanto, el análisis del valor esperado del árbol
que se muestra en la Figura 6.13 establece que la decisión preferida es elegir el
tratamiento después de la prueba. Además, para la Figura 16.4 vemos que si el
la prueba es positiva, se prefiere el tratamiento A ya que su esperanza de vida (7,7 años)

es mayor que la esperanza de vida con el Tratamiento B (5,9 años). En cambio,

si la prueba es negativa, se prefiere el tratamiento B ya que su esperanza de vida (7,3
años) es mayor que la esperanza de vida con el Tratamiento A (5,4 años).
Este proceso se puede generalizar al siguiente algoritmo:
Algoritmo para replegar un árbol de decisiones
1. Comience con los ganglios más distales.

2. Reemplaza cada nodo de azar con su valor esperado.
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
son las probabilidades de los posibles resultados y
y 1 , y 2 , y 3 , ... , y N
son los valores correspondientes asociados con los resultados.
Página 179
3. Reemplace cada nodo de decisión con el valor máximo esperado para el

posibles alternativas
Máximo de x 1 , x 2 , x 3 , ... , x M
dónde
x 1 , x 2 , x 3 , ... , x M
son los valores esperados para las posibles alternativas.

4. Repita hasta alcanzar el nodo inicial.
Resumen
Este capítulo ha descrito un método para analizar decisiones clínicas.

basado en cálculos de valor esperado. Este método utiliza un árbol de decisiones para
representan la estructura del problema de decisión. Los nodos en la decisión
árbol corresponden a las alternativas de decisión (por ejemplo, elección del tratamiento) y
los eventos fortuitos (p. ej., resultado del tratamiento) en el problema.
El análisis de decisiones calcula un número que refleja el valor de cada
alternativa de decisión. Por lo tanto, el analista debe usar números para caracterizar
terizar las incertidumbres y los resultados a los que se enfrenta el responsable de la toma de decisiones. los
El primer paso de este método es identificar a esta persona o institución, porque
los números asignados a los parámetros de un modelo de decisión a menudo dependen
a nivel personal (p. ej., el paciente) o institucional (p. ej., el
pany) perspectiva. Además, el objetivo del análisis es determinar la

valores esperados para cada alternativa desde la perspectiva de la persona

tomar la decisión.
Ilustramos este método con un ejemplo extendido en el que el
tomador de decisiones - en este caso, un paciente - proporciona el punto de vista subjetivo
para asignar probabilidades a las incertidumbres del problema. Simplificar
la presentación, no incorporamos la perspectiva del tomador de decisiones
al asignar un valor numérico a los resultados que puede experimentar.
En cambio, nuestro ejemplo ilustrativo utiliza la duración de la vida del paciente como
medida de resultado en lugar de sus sentimientos sobre esa duración de la vida y la
estados de salud que puede experimentar. El siguiente capítulo toma el siguiente
paso y utiliza el punto de vista del tomador de decisiones para cuantificar las medidas
asignado a los posibles resultados.
La naturaleza explícita del método permite al analista ver si el
Las conclusiones del análisis cambian cuando se someten a diferentes supuestos.
sobre los números asignados a los parámetros del modelo. Esos parámetros
que afectan los resultados del análisis pueden ser el foco de una mayor exploración
Página 180
para aumentar la confianza del tomador de decisiones de que el análisis ha

identificó la alternativa que realmente se alinea con el punto de vista del tomador de decisiones
de vista.
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:

Esperanza de vida sin CAD 20 años

Esperanza de vida con CAD sin tratar 5 años
Esperanza de vida con CAD tratada 10 años
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
Raffia, H. (1968) Conferencias introductorias de análisis de decisiones sobre elecciones bajo incertidumbre ,
Addison-Wesley, Reading, MA.
Lo que muchos consideran la referencia estándar para el análisis matemático de decisiones

haciendo bajo incertidumbre. El capítulo 2 de este libro ofrece una introducción completa a
el tema de la toma de decisiones de valor esperado.
Weinstein, MC y Fineberg, HV (1980) Análisis de decisiones clínicas , WB Saunders,

Filadelfia.
El capítulo 2 incluye varios ejemplos de árboles de decisión para problemas clínicos.

Página 182
CAPÍTULO 7
Modelos de Markov y variables en el tiempo

resultados
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 .
7.1 Conceptos básicos del modelo de Markov
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.

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
Todas las probabilidades muestran probabilidad de

transición durante un período de 3 meses
Figura 7.1 Modelo de Markov simplificado de supervivencia posoperatoria del cáncer de mama.
La figura 7.1 muestra un modelo de Markov simplificado de supervivencia posoperatoria después de

cirugía de cáncer de mama. 1 Este modelo asume que el paciente está libre de síntomas.
después de completar su operación. Esto significa que el paciente comienza en el estado
etiquetado como '' Libre de síntomas ''. Las probabilidades de transición que se muestran en la Figura 7.1 son
basado en un período de tiempo de tres meses. Por ejemplo, la probabilidad de 0.02 en
el vínculo entre el estado '' Libre de síntomas '' y el estado '' Recaída sistémica ''
indica que durante un período de tres meses el 2% de los pacientes asintomáticos
desarrollará una recaída sistémica. Técnicas para determinar la transición.
Las probabilidades utilizadas en un modelo de Markov se analizan más adelante en esta sección.
Es importante señalar que cuando hablamos de esperanza de vida para el paciente
en un modelo de Markov, nos referimos a la esperanza de vida del paciente que comienza con el
entrada del paciente en la situación representada por el modelo. Como se señaló anteriormente, un
El modelo de Markov representa lo que le sucede al paciente en el futuro. Por lo tanto,
la esperanza de vida es igual a la edad del paciente al ingresar al modelo más el
tiempo medio empleado en el modelo antes de alcanzar el estado de salud final. En esto
capítulo nos centramos en determinar la esperanza de vida para el resto de
la vida del paciente con el entendimiento de que la verdadera esperanza de vida es la
la edad del paciente más la esperanza de vida que implica el modelo.
Observe que el modelo de Markov en la Figura 7.1 incluye enlaces que representan el
posibilidad de que un paciente permanezca en el mismo estado de salud. Por ejemplo,
la probabilidad es 0,90 de que un paciente asintomático seguirá estando asintomático
al final de un período de tres meses. Esto se llama probabilidad de supervivencia para
el estado `` libre de síntomas '', ya que mide la probabilidad de permanecer en
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
ese estado. Las probabilidades de supervivencia son particularmente importantes debido a la

siguiente relación:
1
tiempo medio pasado en estado de salud = (7,1)
1 - probabilidad de supervivencia
(La prueba matemática de esta relación se puede encontrar en el apéndice de
Este capítulo). Tenga en cuenta que dado que el tiempo promedio se expresa en unidades de tiempo,
la probabilidad de supervivencia se expresa como 1 en esa unidad de tiempo. Por ejemplo, en
En la Figura 7.1, el tiempo promedio que se pasa en el estado "Libre de síntomas" es
1
promedio de tiempo transcurrido sin síntomas = = 10.0 cuartos
0,1 / cuarto
= 30 meses (7,2)
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
0,02
Sistémico
0,60
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.
7.1.1 Independencia de Markov

Los modelos de Markov se basan en un supuesto de independencia. Necesitamos que
introduzca alguna notación para describir completamente esta suposición. Sea S ( k )
denotar el estado de salud del paciente al comienzo del período de tiempo k . Por ejemplo,
en el modelo de cáncer de mama que se muestra en la Figura 7.1, S (1) es el modelo `` Libre de síntomas ''
estado de salud porque se supone que los pacientes comienzan sin síntomas. Suponer
que el paciente permaneció libre de síntomas durante dos períodos de tiempo y luego desarrolló
una recaída local. Los valores para S (1), S (2) y S (3) serían entonces
S (1) = Libre de síntomas
S (2) = Libre de síntomas
S (3) = recaída local
Dada esta notación, la independencia de Markov se puede establecer formalmente como:
Independencia de Markov
El proceso que gobierna las transiciones entre estados de salud tiene Markov
independencia si
P [ S ( k ) | S (1), ... , S ( k - 1)] = P [ S ( k ) | S ( k - 1)]
Página 186
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
0,02
Sistémico
0,60
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.
7.1.2 Estimación de probabilidades de transición

Si bien podemos utilizar las técnicas de evaluación subjetiva discutidas en el Capítulo 3
Para estimar las probabilidades de transición, esta sección se centrará en estimar
probabilidades de observaciones empíricas. En un Markov correctamente diseñado
modelo, una probabilidad de transición cuantifica la probabilidad de un observable
evento durante un intervalo de tiempo específico, como la detección de una enfermedad,
recaída después del tratamiento, transición a una mayor discapacidad o la muerte misma. Como estos
eventos ocurren en una cohorte de pacientes, la observación clínica proporciona una
base para estimar las probabilidades de transición.
Quizás los enfoques empíricos más simples se basan en la relación entre
la probabilidad de supervivencia y el tiempo medio pasado en estado de salud. Recordando
Ecuación 7.1,
1
A partir de esta relación, se puede estimar la probabilidad de supervivencia de una salud.

estado midiendo el tiempo promedio que los pacientes pasan en ese estado de salud.
Página 188
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".
Las otras probabilidades de transición se pueden determinar recordando que para

cualquier estado de salud dado la probabilidad de supervivencia más la suma de la transición
probabilidades es igual a 1. Es decir,
∑
probabilidad de supervivencia + probabilidades de transición del estado de salud = 1 (7.4)
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)
Conocer la probabilidad de supervivencia ( P A ) a partir de la medición del tiempo promedio

pasado en el estado de salud '' sin síntomas '' y reorganizando los términos, formamos un
ecuación que nos ayudará a estimar una probabilidad de transición desconocida:
PB+PC+PD+PE=1-PA (7,6)
Por definición, la suma de la izquierda en la Ecuación 7.6 mide la probabilidad de que

el paciente dejará el estado "Libre de síntomas" durante un período de tres meses.
Determinar cada una de las probabilidades de transición es el problema de prorratear
esa suma entre los cuatro enlaces que dejan el estado de salud "Libre de síntomas".
Seleccionando uno de los enlaces, como el enlace de la salud '' Sin síntomas ''
estado al estado de salud '' Muerte '', observamos que
P [Muerte | El paciente abandona el estado de salud Libre de síntomas]

PC
= (7,7)
PB+PC+PD+PE
Página 189
Por ejemplo, suponga que el paciente promedio de cáncer de mama posoperatorio

permanece libre de síntomas durante 2,5 años o 10 trimestres. Usando el etiquetado en
Figura 6.21, esto implicaría que la probabilidad de supervivencia es
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

P C = 0,60 × 0,10 = 0,06 (7,10)
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.
7.1.3 Probabilidades de supervivencia ajustadas por edad

Uno de los desafíos para determinar las probabilidades de supervivencia es la edad habitual.
desajuste entre el paciente de interés y los pacientes incluidos en un estudio
reportando estadísticas de supervivencia. Podemos usar el modelo de Markov simple de dos estados
que se muestra en la Figura 7.6 para corregir las diferencias de edad.
Como ejemplo, considere el problema de modelar la progresión de
leucemia en un paciente masculino de 50 años y supongamos que tenemos acceso a un
estudio amplio en el que la edad media de los pacientes varones con leucemia es de 33 años.
Suponga que la tasa de supervivencia anual en esa población es 0.550. Podríamos usar
esta tasa de supervivencia como el valor de p en la Figura 7.6, excepto que es la supervivencia
tasa para hombres de 30 años en lugar de hombres de 50 años. Pacientes con
El diagnóstico de leucemia puede enfrentar aproximadamente las mismas tasas anuales de mortalidad por
leucemia independientemente de la edad. Sin embargo, las tasas anuales de mortalidad de otros
las causas varían significativamente con la edad, como se muestra en la Figura 7.7.
Podemos utilizar la tasa de supervivencia del hipotético estudio de leucemia de 33-
hombres de un año y las tasas de mortalidad anual ajustadas por edad (Figura 7.7) para dibujar
el modelo de Markov de tres estados para pacientes de 30 años que se muestra en la Figura 7.8.
La probabilidad de supervivencia de 0.550 para el estado de salud '' Vivo '' se toma de
1-p Muerto
pag Viva de todos 1.0
Causas
Causas
Figura 7.6 Modelo de Markov simple de dos estados.
Página 190
1,0000
Masculino Mujer
0,1000
0.0100
Tasa de mortalidad anual

0,0010
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).

el estudio hipotético. La probabilidad de transición (0,002) para el vínculo entre

el estado de salud '' Vivo '' y el estado de salud '' Muerto por otras causas '' es
tomado de la curva de la Figura 7.7. Como se señaló en la Ecuación 7.4, la supervivencia
probabilidad y las probabilidades de transición deben sumar 1. Por lo tanto, la
probabilidad de transición (0.448) para el vínculo entre el estado de salud '' Vivo '' y
el estado de salud '' Muerto por leucemia '' viene dado por
0,448 = 1 - 0,550 - 0,002 (7,11)
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
Muerto
desde 1.0
Leucemia
0,448
0.546 Viva
0,006
Muerto
de otro 1.0
Causas
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:
0,546 = 1 - 0,448 - 0,006 (7,12)
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
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.
7.1.4 Determinación de la esperanza de vida para Markov acíclico invariante en el tiempo

modelos
Los modelos de Markov que ilustran la siguiente discusión tienen dos
erties que nos permiten determinar la esperanza de vida directamente a partir del modelo.
Primero, las probabilidades de transición permanecen constantes a lo largo del tiempo. Por ejemplo,
Refiriéndonos a la Figura 7.10, asumimos que la probabilidad de supervivencia para una asintomática
pacientes tomáticos (0,90) permanece constante durante el resto de la vida de los pacientes. Nosotros
Llame a los modelos de Markov con esta propiedad invariante en el tiempo . En segundo lugar, una vez que el paciente
deja un estado de salud que nunca volverá a ese estado de salud (Figura 7.10). Nosotros
llamar modelos de Markov con esta propiedad, acíclico .

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
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
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
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".
otros lo abandonan desarrollando una recaída sistémica. Según el Markov

modelo, en cada período de tiempo el 30% de los pacientes abandonan este estado, ya sea por muerte
o progresando a una recaída sistémica. Además, el doble de esos
los pacientes desarrollarán una recaída sistémica y morirán. Por lo tanto,
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
LE por recaída regional = 10 meses + 0,67 × 7,5 meses

= 15 meses (7,16)
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
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:
LE para sin síntomas = 30 meses

( )
0,02
+ × 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 (7,18)
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

requisito a satisfacer. Al asumir que las probabilidades de transición son

constante no es razonable, el siguiente método se puede utilizar para determinar el
esperanza de vida para un modelo de Markov.
Página 196
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".
7.1.5 Determinación de la esperanza de vida mediante simulación de Monte Carlo

Los modelos complicados de Markov normalmente se analizan mediante un algoritmo llamado
Simulación del Monte Carlo. El matemático John von Neumann fue el primer
persona para describir este algoritmo (veremos otro de von Neumann
contribuciones en el próximo capítulo). La simulación de Monte Carlo utiliza la transición
probabilidades en un modelo de Markov para generar aleatoriamente una gran muestra de
senderos posibles a través del modelo, cada uno de los cuales termina con la muerte. Porque el algoritmo
utiliza las probabilidades de transición para generar estos caminos, la prevalencia de un
ruta particular en la muestra es proporcional a la probabilidad de que el paciente
experimentará ese camino en la situación clínica representada por el Markov
modelo. Por lo tanto, promediar la longitud de las rutas generadas produce una
estimación de la esperanza de vida del paciente. Como con cualquier método de muestreo, el
la exactitud y precisión de la estimación aumenta con el número de generados
caminos. Sin embargo, a diferencia de los desafíos de aumentar el tamaño de la muestra para un
ensayo clínico, aumentando el tamaño de la muestra solo para una simulación de Monte Carlo
requiere que un programa de computadora se ejecute más tiempo.
Usaremos nuestro modelo simplificado de Markov para el cáncer de mama para ilustrar esto.
proceso. Este modelo de Markov se ha vuelto a dibujar en la figura 7.15. Nuestra suposición
es que el paciente comienza en el estado de salud "libre de síntomas", que es
etiquetado como '' A '' para '' Asintomático '' en la Figura 7.15. Por lo tanto, el primer paso en
el algoritmo es determinar el estado de salud del paciente al final de la primera
periodo de tiempo. El algoritmo hace esto generando una distribución uniforme
número aleatorio entre 0 y 1. Por "distribuido uniformemente" queremos decir que

Página 197
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 0,91 <X 1 ≤ 0,92, el estado de salud para el primer período de tiempo es

Recaída regional (7,21)
Si 0,92 <X 1 ≤ 0,94, el estado de salud para el primer período de tiempo es

Recaída sistémica (7,22)
Si 0,94 <X 1 ≤ 1,00, el estado de salud para el primer período de tiempo es Muerte (7,23)

Página 198
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 0.00 ≤ X 2 ≤ 0.70, el estado de salud para el segundo período de tiempo es

Recaída regional (7,24)
Si 0,70 <X 2 ≤ 0,90, el estado de salud para el segundo período de tiempo es

Recaída sistémica (7,25)
Si 0.90 <X 2 ≤ 1.00, el estado de salud para el segundo período de tiempo es Muerte (7,26)
Por ejemplo, el algoritmo decidiría que el paciente permanece en el

Estado de salud '' Recaída regional '' por segundo período de tiempo si X 2 es igual a
0,492 226 024 091 847. El segundo período de tiempo ha terminado y el paciente sigue
en el estado de salud '' Recaída regional ''. Para representar lo que sucede en el
tercer período de tiempo, el algoritmo elige un tercer número aleatorio X 3 utilizando el
mismo criterio que se muestra en las ecuaciones 7.24 a 7.26 (porque el paciente todavía está
en el estado de salud '' Recaída regional ''). Si X 3 es igual a 0,946 212 071913374, el
el paciente entraría en el estado de salud "Muerte" y el camino concluiría.
El camino completo para este ejemplo sería entonces
Período 1: recaída regional
Período 2: recaída regional
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
Tabla 7.1 Diez caminos generados por la simulación de Monte Carlo del modelo de Markov en

Figura 7.15.
Camino Duración de la vida
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
0,78 Bien Enfermo 0,40
0,20
0,02
0,20
Muerto
1,00
Figura 7.16 Modelo de Markov de tres estados.
Página 200
20
18

dieciséis
14
Esperanza de vida (períodos de tiempo)
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
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.
7.2 Modelo de supervivencia exponencial y esperanza de vida

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:
Modelo de supervivencia exponencial
La duración restante de la vida de un paciente ( x ) puede describirse mediante el

modelo de supervivencia exponencial si
- λx
P [Duración restante de la vida > x ] = e
donde el parámetro λ es tal que 1 / λ es el valor esperado para

la duración restante de la vida. (7,27)
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)
Figura 7.18 Modelo de supervivencia exponencial con 1 / λ = 1,5 años.
Página 202
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,
P [Duración de la vida > n períodos de tiempo]

= p × P [Duración de la vida > n - 1 períodos de tiempo] (7,28)
Desde que el paciente comienza con vida tenemos que
P [Duración de la vida > 0 períodos de tiempo] = 1 (7,29)
Combinando las ecuaciones 7.28 y 7.29 podemos escribir
P [Duración de la vida > 1 período de tiempo ] = p × 1 = p (7,30)
P [Duración de la vida > 2 períodos de tiempo ] = p × p = p 2 (7,31)

...
Etcétera. En general, la probabilidad de sobrevivir al menos n períodos de tiempo en

el modelo de Markov de dos estados viene dado por
P [Duración de la vida > n períodos de tiempo] = p n (7,32)
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
] 1.0
X
0,8
Modelo de Markov (años)
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)
0,6
0.4
0,2
PAG
0.0
0 12 24 36 48

] 1.0
X
0,8
Modelo de Markov (meses)
0,6
0.4
0,2
PAG
0.0
0 12 24 36 48
Figura 7.20 Modelo de Markov con diferentes períodos de tiempo y modelo de supervivencia exponencial.
constante de expectativa estamos usando modelos de Markov que son equivalentes de

la perspectiva del paciente.
Recuerde de la ecuación 7.1 que
1
esperanza de vida en el modelo de dos estados = (7,33)
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
que ahora el período de tiempo se ha reducido de un año a un trimestre.

Resolviendo la probabilidad de supervivencia en la ecuación 7.33, vemos que para esto
segundo modelo de Markov, la probabilidad de supervivencia ( p en la figura 7.19) viene dada por
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
P [Muerte por leucemia] = p Leucemia = 0,448 / año (7,37)
P [Muerte por otras causas] = p Otro = 0,006 / año (7,38)
De la definición del modelo de Markov en la figura 7.21 tenemos que
probabilidad de supervivencia + p Leucemia + p Otro = 1 (7,39)
Por lo tanto, de la ecuación 7.33,
1 1
esperanza de vida = = (7,40)
1 - probabilidad de supervivencia p Leucemia + p Otro
En otras palabras, en el modelo de Markov, las probabilidades de transición p Leucemia +

p Se pueden combinar otros para determinar la esperanza de vida del paciente.
Página 205
Muerto
desde 1.0
Leucemia
0,448
0.546 Viva
0,006
Muerto
de otro 1.0
Causas
La importante relación demostrada en la ecuación 7.40 tiene igualmente

paralelo importante en el modelo exponencial. Para ver este paralelo
Sea λ Leucemia el parámetro para un modelo de supervivencia exponencial en un
población de pacientes que finalmente mueren de leucemia. De manera similar, deje λ Otro
denotar el parámetro para un modelo de supervivencia exponencial en una población
de pacientes que finalmente mueren por otras causas. La supervivencia exponencial
modelo para pacientes que mueren por todas las causas es
- ( λ Leucemia + λ Otro ) x
P [Duración restante de la vida > x ] = e (7,41)
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
10
9
8
7
6
5
4
Error3(años)
2
1
0
0% 10% 20%
Tasa de mortalidad anual asumida por leucemia ( p Leucemia )
Estimado asumiendo Determinado por Montecarlo

Error = -
tasa de mortalidad constante simulación con tasas de mortalidad reales
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

datos de supervivencia. La comparación que se muestra en la Figura 7.23 es un ejemplo típico.

Este gráfico compara el modelo de supervivencia exponencial y la supervivencia observada
tasas para 1103 pacientes con cáncer de próstata en estadio IV, según lo publicado por Veterans
Administración del Grupo de Investigación Urológica Cooperativa (1968).
Los datos de la figura 7.23 se pueden utilizar para ilustrar cómo ajustar un exponencial
modelo de supervivencia a datos de tasa de supervivencia. El objetivo es determinar el parámetro λ
para que la siguiente ecuación coincida con los datos:
- λx
P [Sobrevivir hasta el momento x ] = e (7,43)
Tomando el logaritmo natural de ambos lados de la ecuación 7.43 se obtiene

- λx
ln ( P [Sobrevivir hasta el momento x ]) = ln (e ) = - λx (7,44)
Página 207
Observaciones Modelo de supervivencia exponencial

100%
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.
Por lo tanto, el logaritmo natural de la tasa de supervivencia observada varía en

Proporción a la duración de la vida ( x ). La constante de proporcionalidad es - λ .
La figura 7.24 ilustra este enfoque graficando el logaritmo de la supervivencia
tasas que se muestran en la Figura 7.23.
La ecuación 7.44 proporciona un enfoque simple para determinar el parámetro λ
a partir de datos de observación. Suponga que un estudio que dura x años comienza con s 0
pacientes e informaron que s N pacientes estaban vivos al final del estudio. los
la probabilidad de supervivencia sería entonces
sN
P [Sobrevivir hasta el momento x ] = (7,45)
s0
Observaciones Modelo de supervivencia exponencial

1.0
Pendiente = −λ

Probabilidad de supervivencia
0,1
0 12 24 36 48 60
Meses después del tratamiento
P [ Duración restante de la vida> x ] = e −λ x
Figura 7.24 Ajuste del modelo de supervivencia exponencial a los datos de supervivencia que se muestran en la Figura 7.23.
Página 208
Por lo tanto, de la ecuación 7.44 tenemos que

( )
sN
en = - λx (7,46)
s0
O resolviendo para λ
( )
1 sN
λ=- en (7,47)
X s0
Por ejemplo, los datos del Estudio Cooperativo de VA que se muestran en la Figura 7.23 comenzaron
con 1103 ( s 0 = 1103) pacientes con cáncer de próstata en estadio IV. En el año 5 ( x = 5 años),
259 de esos pacientes seguían vivos ( s N = 259). Por lo tanto, de acuerdo con
Ecuación 7.47,
( )
λ=- 1 259 = 0,29 / año
en (7,48)
5 años 1103
La deficiencia de la Ecuación 7.47 es su sensibilidad a cualquier anomalía estadística.
que podría haber ocurrido en el año 5 del estudio. Por ejemplo, suponga que el
El quinto aniversario coincidió con el pico de la temporada de gripe. Esa coincidencia
reduciría artificialmente la tasa de supervivencia observada, lo que, a su vez,
distorsionar la estimación de λ .
Un método más confiable para estimar el parámetro λ se basa en lineales
técnicas de regresión, aplicadas a todos los datos, en lugar de un solo punto de datos
como la tasa de supervivencia final. Como vimos en la ecuación 7.44, la supervivencia exponencial
La curva se convierte en una línea recta cuando los logaritmos naturales de las tasas de supervivencia
están trazados. Además, la Ecuación 7.44 muestra que la pendiente de esa línea recta
es - λ . Se pueden utilizar técnicas de regresión lineal para determinar la línea recta
que mejor se ajusta a la gráfica logarítmica de los datos de supervivencia. La figura 7.24 ilustra
Este enfoque. Los detalles se describen en el apéndice de este capítulo.
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

y el estado de salud B cuantifica la probabilidad de cambiar de A a B en

un período de tiempo. Uno menos la suma de todas las probabilidades de transición posibles
Página 209
de un estado de salud es igual a la probabilidad de que el paciente permanezca en

ese estado de salud al final de un período de tiempo. La probabilidad de permanecer en
un estado de salud se denomina probabilidad de supervivencia para ese estado de salud. Supervivencia
las probabilidades son particularmente interesantes porque 1 dividido por la supervivencia
La probabilidad de un estado de salud es igual a la duración media de la estancia en ese
estado de salud.
El supuesto fundamental del modelado de Markov es que la probabilidad
de una transición a cualquier estado de salud dado al final de un período de tiempo depende
solo en el estado de salud actual, y no en la secuencia de estados de salud
experimentado antes de alcanzar el estado de salud actual. Esta suposición es
llamada independencia de Markov .
Este capítulo describe un algoritmo que calcula la vida del paciente
expectativa cuando el modelo de Markov es acíclico, lo que significa que el paciente
no puede volver a un estado de salud después de salir de ese estado de salud. Este algoritmo
El ritmo determina la esperanza de vida mediante la combinación de la duración media de las estancias.
para cada estado de salud con las probabilidades de visitar cada estado de salud.
Describimos un enfoque más general para analizar los modelos de Markov,
basado en un enfoque llamado simulación Monte Carlo. Este método requiere
software de computadora para crear el modelo, almacenar los parámetros del modelo, ejecutar
las simulaciones y calcular los resultados. El software genera aleatoriamente
una gran cantidad de rutas a través del modelo, comenzando en el estado inicial
estado y concluyendo con la muerte. Los caminos difieren según
ocurren transiciones de estado a estado y el número de períodos de tiempo en un estado
antes de que ocurra una transición. La probabilidad de que una transición
suceder en uno de los caminos simulados está determinado por el correspondiente
probabilidad de transición en el modelo. Por lo tanto, la probabilidad de que una ruta
se generará en la simulación coincide con la probabilidad de que el paciente
experimentaría la secuencia correspondiente de estados de salud en la vida real.
La esperanza de vida es la longitud media de las rutas generadas.
Este capítulo concluyó con una discusión de los modelos de supervivencia exponencial.
els. Podemos pensar en el modelo de supervivencia exponencial como un modelo de Markov
con un período de tiempo muy corto. Este modelo tiene un solo parámetro λ que
mide la probabilidad de muerte en cualquier momento. La propiedad importante
La mayor parte del modelo de supervivencia exponencial es que la esperanza de vida es igual a 1
el parámetro del modelo. Además, el resultado para un paciente que enfrenta múltiples
las posibles causas de muerte se pueden describir en términos de exposiciones separadas
modelos de supervivencia neencial para cada posible causa de muerte. Ese paciente
Luego, la supervivencia general se describe mediante un modelo de supervivencia exponencial con un
parámetro que es la suma de los parámetros para esos exponenciales separados
modelos de supervivencia. Además, el modelo puede describir el resultado de un
paciente que enfrenta múltiples causas potenciales de muerte en términos de exposición separada
modelos de supervivencia neencial para cada posible causa de muerte. El exponencial
El modelo de supervivencia describe la supervivencia general de ese paciente mediante un parámetro

Página 210
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
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 7.25 Modelo de Markov para los problemas 1 y 2.

Página 211
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)
Figura 7.26 Modelo de Markov para el problema 3.
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
Figura 7.27 Modelo de Markov para el problema 4.
Página 212
Tabla 7.2 Tasas de supervivencia informadas para pacientes con cáncer de próstata, por estadio.

Etapa Porcentaje de pacientes vivos por mes
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
Tabla 7.3 Edad promedio asumida, por etapa.
Etapa Edad promedio
I 50 años
II 60 años
III 70 años
IV 80 años
las siguientes probabilidades:
P [libre de síntomas] = 0,70

P [recaída local] = 0,15
P [recaída regional] = 0,10
P [recaída sistémica] = 0,05
Dadas las probabilidades de transición que se muestran en la figura 7.27, ¿cuál es el

¿esperanza de vida?
5. Las tasas de supervivencia que se muestran en la tabla 7.2 se toman de los datos de supervivencia.
informado por la Cooperativa de Investigación Urológica de la Administración de Veteranos
Grupo (1968). Utilice estas tasas de supervivencia para determinar el parámetro de la
modelos de supervivencia exponencial para cada una de las cuatro etapas.
Suponga la edad promedio de los pacientes en la tabla 7.3, por etapa, y use la
tasas de mortalidad que se muestran en la Figura 7.7 para determinar la vida ajustada por edad
expectativas para cada una de las etapas del cáncer para un paciente de 65 años.
Apéndice: Detalles matemáticos

Este apéndice trata dos de los resultados matemáticos más complicados
que se discutieron en este capítulo.
Relación entre la probabilidad de supervivencia y la duración media de la estancia

para estados de salud
La ecuación 7.1 establece sin prueba que
1
tiempo medio pasado en estado de salud = (A7.1)
Página 213
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

P [Permanecer exactamente k períodos de tiempo] = p × (1 - p ) k −1 (A7.2)
Es decir, para permanecer exactamente k períodos de tiempo, el paciente debe permanecer k - 1

períodos de tiempo, un evento que tiene probabilidad (1 - p ) k −1 , y luego salir, un
evento que tiene probabilidad p . Bajo el supuesto de Markov, estos dos
los eventos son independientes. Por lo tanto, la probabilidad de que ocurran ambos eventos
es igual al producto de las probabilidades de cada evento.
El tiempo promedio que se pasa en el estado de salud viene dado por lo siguiente
suma infinita:
∑∞ ∑∞
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
∑norte ∑norte ∑+1

n
= q yo + iq i - iq yo (A7.4)
i=0 i=0 yo = yo
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
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)
Entonces, la esperanza de vida viene dada por la siguiente suma infinita:
∑∞
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
Esto completa la prueba.
Ajuste del modelo de supervivencia exponencial a los datos de supervivencia

Determinación del parámetro del modelo de supervivencia exponencial λ ajustando un
línea a un gráfico logarítmico de las tasas de supervivencia aprovecha toda la
conjunto de observaciones de supervivencia. Esto se hace mediante regresión lineal estándar.
técnicas.
Por ejemplo, suponga que las tasas de supervivencia r 1 , ... , r N se informan para N
los tiempos t 1 , ... , T N . Eso es,
r i = P [Sobrevivir hasta el momento t i ] (A7.10)
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
Bibliografía
Beck, JR, Kassirer, JP y Pauker, SG (1982) Una aproximación conveniente a la vida

expectativa (el '' DEALE ''), I. Validación del método. Revista Estadounidense de Medicina ,
73 , 883–888.
Este artículo introdujo el poder de los modelos exponenciales de supervivencia a la medicina

comunidad.
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.
Grupo Cooperativo de Investigación Urológica de la Administración de Veteranos (1968) Factores en la

pronóstico del carcinoma de próstata: un estudio cooperativo. Revista de Urología , 100 , 59–65.

Página 216
CAPÍTULO 8
Midiendo el resultado de la atención -

análisis de utilidad esperada
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

El análisis de valor se aplica tanto a problemas complicados como a problemas sencillos.

Este capítulo muestra cómo ampliar el poder del análisis del valor esperado mediante
introducir un enfoque más integral para asignar valores a los resultados.
Por necesidad, el análisis de valor esperado utiliza una sola dimensión, como la longitud
de la vida, para representar los méritos relativos de los resultados que pueden resultar de
la elección del tomador de decisiones. Pero entonces, muchas decisiones médicas son inherentemente
multidimensional como se ilustra en el ejemplo del Capítulo 6. Hank, el
tomador de decisiones en ese ejemplo, quería una decisión que tuviera en cuenta
tanto la calidad de su vida como la duración. El análisis de valor esperado no
capturar la multidimensionalidad inherente al problema de decisión de Hank.
El análisis del valor esperado tampoco tiene en cuenta las actitudes frente al riesgo . Un simple
El ejemplo monetario ilustra este concepto. Suponga que una empresa ofrece
venta una apuesta que otorga un premio de acuerdo con el resultado de un lanzamiento de moneda.
El comprador gana el premio si la moneda cae cara y no gana nada si la moneda
aterriza colas. El premio en este caso es la duplicación de los ingresos del comprador por uno
año. ¿Cuánto debería estar dispuesto a pagar un comprador por esta apuesta inusual?
El análisis de valor esperado concluiría que un individuo debería estar dispuesto
pagar sus ingresos anuales completos por esta apuesta. Pero entonces, pocos de nosotros
estaría dispuesto a pagar tanto por la apuesta. Duplicar sus ingresos por
un año sería maravilloso, pero el riesgo de perder todos los ingresos durante un año más
que supera esa atractiva posibilidad. En otras palabras, la mayoría de nosotros estamos en riesgo.
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.
8.1 Concepto básico: evaluación directa de la utilidad
El enfoque fundamental del análisis de la utilidad es determinar una medida para

cada resultado, llamado utilidad de resultado , de modo que la alternativa con la mayor
La utilidad esperada es la alternativa más preferida por el tomador de decisiones. los
El método para calcular la utilidad esperada es el mismo que el método descrito.
en el Capítulo 6 para calcular el valor esperado . La diferencia es que la utilidad
La calidad asignada a los resultados refleja las preocupaciones del tomador de decisiones sobre todos los
aspectos del resultado en lugar de una sola dimensión, como la duración de la vida.
Por supuesto, el paso clave es la asignación de utilidades de resultados para que el cálculo
La aplicación produce una utilidad esperada que refleja las preferencias de quien toma las decisiones.
Este capítulo comienza con un enfoque formal para evaluar la capacidad de un tomador de decisiones.
utilidades de resultados. El método descrito se llama evaluación directa . Lo que queda-

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
que el tomador de decisiones es indiferente entre el resultado X i y una apuesta que

otorga el resultado X N con probabilidad π i y el resultado X 1 con probabilidad
1 - π yo . Simbólicamente, representamos esta equivalencia como
π yo
Resultado X n
Resultado X i equivalente a
1-πi
Resultado X 1
Esta equivalencia se denomina juego de referencia estándar o juego estándar . los

El tomador de decisiones preferiría apostar por la derecha si la probabilidad de la
El mejor resultado está cerca de 1, ya que la apuesta sería casi segura de
producir el mejor resultado posible. Por el contrario, el tomador de decisiones preferiría
el resultado intermedio a la izquierda si la probabilidad del mejor resultado es
cerca de 0, ya que es casi seguro que la apuesta produzca el peor
posible resultado. Al cambiar el valor de la probabilidad del resultado X N ,
la apuesta se puede ajustar para que el tomador de decisiones sea exactamente indiferente
entre el resultado intermedio y la apuesta. Este valor de π i se llama
la probabilidad de indiferencia para el resultado intermedio en relación con el mejor y
peores resultados.
Proceso de evaluación directa
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 0.0.
• La utilidad para X N es 1.0.
• La utilidad para X i es el valor de π i tal que la siguiente equivalencia es verdadera:

π yo
Resultado X n
Resultado X i equivalente a
1-πi
Resultado X 1
La equivalencia entre la apuesta de la derecha y el resultado de la izquierda

significa que ambos tienen la misma utilidad esperada. Eso es,
Utilidad ( X i ) = [ π i × Utilidad ( X N )] + [(1 - π i ) × Utilidad ( X 1 )]

= [ π yo × 1] + [(1 - π yo ) × 0] = π yo (8,1)
Por lo tanto, la evaluación directa asigna utilidades a los resultados intermedios.

basado en las probabilidades de indiferencia de apuestas entre el mejor y el
peores resultados posibles. Si la utilidad de X 1 es 0 y la utilidad de X N es 1, el
La probabilidad de indiferencia es la utilidad del resultado intermedio.
Página 219
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,
Utilidad (curado sin colostomía) = 1.0 (8,2)

Utilidad (enfermedad metastásica con colostomía) = 0,0 (8,3)
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
La probabilidad de indiferencia en esta comparación sería muy cercana a 1 si

Hank considera que el resultado '' Curado con colostomía '' es casi tan bueno
como resultado '' Curado sin colostomía ''. Por el contrario, la indiferencia
probabilidad sería cercana a 0 si Hank considera el resultado '' Curado con
colostomía '' sea casi tan malo como el resultado '' Enfermedad metastásica con
colostomía ''. En otras palabras, la probabilidad de indiferencia mide el valor
Hank coloca en evitar una colostomía en relación con sus preocupaciones sobre la metástasis
enfermedad.
Para Hank, la probabilidad de indiferencia era del 90%, lo que significa que

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
Curado sin colostomía 1.0

Curado con colostomía 0,9
Enfermedad local sin colostomía 0,8
Enfermedad metastásica sin colostomía 0,1
Enfermedad metastásica con colostomía 0.0
Página 220
Utilidad = 0.1
Renunciar a cualquier 0,05
tratamiento Enfermedad local

Utilidad = 0.8
0,95
Utilidad = 0.0
Injerto no exitoso 0,05
0,40 Enfermedad local
Utilidad = 0.9
Tradicional 0,95
cirugía Enfermedad metástica
Utilidad = 0.1
Injerto exitoso 0,05
Utilidad = 1.0
0,95
Utilidad = 0.0
Injerto no exitoso 0,05
Utilidad = 0.9
Eliminación de la mucosa anal 0,95
0,19 Enfermedad metástica
Utilidad = 0.1
Injerto exitoso 0,05
Utilidad = 1.0
Microscópicamente 0,95
cirugía dirigida Enfermedad metástica
Utilidad = 0.1
Resección incompleta 0,05
Utilidad = 0.8
No se quita la mucosa anal 0,95
Utilidad = 0.1
Resección completa 0,05
Utilidad = 1.0
0,95
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.
Tabla 8.2 Cálculos de la utilidad esperada.

Alternativa Utilidad esperada
Renunciar a cualquier tratamiento (0,95 × 0,8) + (0,05 × 0,1) = 0 . 77

Cirugía tradicional (0,57 × 1,0) + (0,38 × 0,9) + (0,03 × 0,1) + (0,02 × 0,0) = 0 . 92
Microscópicamente (0,84 × 1,0) + (0,07 × 0,9) + (0,04 × 0,8) + (0,05 × 0,1) + (0,00 × 0,0) = 0 . 94
cirugía dirigida
Página 221
La construcción del árbol de decisiones y la evaluación de la utilidad de Hank ha reducido la

complejidad de lo que debe considerar como tomador de decisiones. Hank inicialmente
enfrentó una elección complicada entre tres alternativas de tratamiento que implicaban
incertidumbres sobre la extensión de su enfermedad, el éxito de la reconstrucción
cirugía, y la posibilidad de que se sometiera a una colostomía durante el resto
de su vida. La combinación de su decisión y la incertidumbre posterior
conduciría a resultados que van desde la curación completa hasta la enfermedad metastásica.
La construcción del árbol de decisiones dividió ese complejo problema en un pequeño
recopilación de posibles resultados. La evaluación directa presenta al tomador de decisiones
con comparaciones relativamente simples entre esos resultados. La resolución de
un problema complicado se ha reducido a tres preguntas de evaluación directa
basado en la apuesta de referencia estándar. El análisis utiliza sencillo
matemáticas para reunir las respuestas a esas preguntas de evaluación en un
resultado final que resuelve el problema original.
La evaluación de la utilidad requiere la participación de quien toma las decisiones. Después de todo, el
El objetivo es un conjunto de medidas de resultado que capturan las preferencias de ese individuo.
La evaluación directa de la utilidad proporciona una forma sistemática de recopilar esa información.
Los diferentes tomadores de decisiones normalmente proporcionarán respuestas muy diferentes a
las mismas preguntas de evaluación. Como la evaluación de probabilidad subjetiva, que
discutimos en el Capítulo 3, las heurísticas cognitivas que usamos cuando pensamos
acerca de la incertidumbre puede distorsionar la evaluación de la utilidad. Por tanto, las técnicas
discutido en el Capítulo 3 para evitar el sesgo causado por estas heurísticas se aplican
al proceso de evaluación de servicios públicos.
Por ejemplo, considere la apuesta de referencia estándar utilizada para evaluar la
utilidad para el resultado '' Enfermedad local sin colostomía '':
π
Curado sin
colostomía
Enfermedad local
equivalente a
sin colostomía
1-π Enfermedad metástica
con colostomía
Con referencia a la tabla 8.3, suponga que el proceso de evaluación ya ha

determinó que la utilidad para '' Enfermedad metastásica sin colostomía '' es 0.1
y la utilidad de "Curado con colostomía" es 0,9. Desde las preferencias de Hank
clasificar "Enfermedad local sin colostomía" entre estos resultados, sabemos
que su utilidad está entre 0,1 y 0,9. Por lo tanto, el proceso de evaluación podría
comience con π igual a 0.1. Es de esperar que Hank prefiera '' Local
enfermedad sin colostomía '' a la apuesta en esta primera pregunta.
A continuación, plantearíamos la apuesta de referencia estándar con π igual a 0,9. Ahora
esperaríamos que Hank prefiriera la apuesta, verificando que la utilidad para el
el resultado está entre 0,1 y 0,9. El tercer paso le pediría a Hank que considerara la
apuesta de referencia estándar con π igual a 0,2. Asumiendo que Hank una vez más

preferimos '' Enfermedad local sin colostomía '' a la apuesta, habríamos

redujo el rango de la utilidad del resultado en cuestión a 0,2 y 0,9.
Página 222
Tabla 8.3 Utilidades de Hank para los posibles resultados que enfrentó.
Salir Utilidad
Curado sin colostomía 1.0

Curado con colostomía 0,9
Enfermedad local sin colostomía 0,8
Enfermedad metastásica sin colostomía 0,1
Enfermedad metastásica con colostomía 0.0
El proceso continúa alternando entre los dos extremos, de manera constante

estrechando el rango de valores posibles para la probabilidad de indiferencia hasta
Hank no puede decidir entre "Enfermedad local sin colostomía" y
jugar. En el caso de Hank, el punto de indiferencia se alcanzó cuando π
es igual a 0,8.
8.2 Análisis de sensibilidad: prueba de la solidez de la utilidad

análisis
El análisis de sensibilidad, descrito en la Sección 6.7 para el análisis de probabilidad, puede

ser aplicado también a la utilidad. Análisis de sensibilidad de las utilidades evaluadas
puede fortalecer la credibilidad del análisis de decisiones basado en determinar si
hay valores posibles para una utilidad que cambiaría el recomendado
alternativa de tratamiento.
Por ejemplo, considere las utilidades de Hank para los resultados que enfrenta. los
Los servicios públicos evaluados para estos cinco resultados se muestran en la Tabla 8.3. Usaremos
análisis de sensibilidad para determinar si existen valores posibles para el resultado
'' Enfermedad local sin colostomía '' que cambiaría las conclusiones de la
análisis.
Como se señaló anteriormente, las preferencias de Hank clasifican el resultado '' Enfermedad local
sin colostomía '' entre los resultados '' Curado con colostomía '' y
'' Enfermedad metastásica sin colostomía ''. Por lo tanto, con referencia a la Tabla 8.3, la
rango de valores posibles para la utilidad de '' Enfermedad local sin colostomía ''
está entre 0,1 y 0,9. La figura 8.2 muestra cómo la utilidad esperada para el
tres alternativas de tratamiento varían con la utilidad para el resultado '' Local
enfermedad sin colostomía '' en este rango. Tenga en cuenta que la utilidad esperada
para la cirugía dirigida microscópicamente excede la utilidad esperada para el otro
dos alternativas, excepto cuando la utilidad para enfermedad local sin colostomía
está cerca de 0,1.
La Figura 8.3 se enfoca en la región en la Figura 8.2 donde la utilidad esperada para
Las dos alternativas quirúrgicas de Hank están muy juntas. Podemos ver en la Figura 8.3 que
La cirugía dirigida microscópicamente tiene la mayor utilidad esperada, siempre que
que la utilidad de Hank para el resultado "Enfermedad local sin colostomía" es
mayor que 0,16. Por tanto, la conclusión de que microscópicamente
La cirugía es la alternativa preferida. Se puede confirmar pidiéndole a Hank que
considere la siguiente pregunta de evaluación:

Página 223
1.0
0,9
0.8 Enfoque de la Figura 8-3
0,7
0,6
0,5
0.4
Utilidad esperada
0,3
0,2 Renunciar a cualquier tratamiento

Cirugía tradicional
0,1
Cirugía dirigida microscópicamente
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)
Figura 8.2 Análisis de sensibilidad para U (enfermedad local sin colostomía).
0,925
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
0,16 Curado sin

colostomía
Enfermedad local
equivalente a
sin colostomía
con colostomía
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.
8.3 Atajo: usar una escala lineal para expresar fuerza

de preferencia
La evaluación de la utilidad basada en las preguntas de juego estándar pide la decisión

creador de pensar en las preferencias en términos de apuestas. Pero y si el paciente
ha pedido al médico que sea el responsable de la toma de decisiones porque el paciente está
fusionado por la noción de comparar apuestas con resultados intermedios? los
El médico querría tomar una decisión que incorpore las preferencias del paciente.
erences. Sin embargo, el uso de la evaluación directa a veces es imposible porque
el paciente carece de la capacidad cognitiva necesaria para participar. El escalado directo es un
alternativa que carece de los fundamentos teóricos de la evaluación directa de la utilidad
pero aún trae aspectos de las preferencias del paciente al análisis.
Al igual que la evaluación de la utilidad, la escala directa comienza pidiendo al paciente que clasifique
las alternativas en orden de preferencia. A continuación, el médico le pide al paciente que
colocar los diversos resultados en una escala lineal de modo que la distancia entre los
las marcas representan la fuerza de la preferencia (ver Figura 8.4). Por ejemplo, Hank
clasificado '' Curado sin colostomía '' como el mejor resultado y '' Metastásico
enfermedad con colostomía '' como el peor resultado. Estos dos resultados serían
representado por marcas en el extremo derecho e izquierdo de la escala, respectivamente.
Luego se le preguntaba a Hank sobre un resultado intermedio, como "Enfermedad local".
sin colostomía '': '' ¿Está más cerca de un extremo de la escala que del otro? Cuales
¿fin? ¿Está más cerca de la mitad de la escala o del extremo derecho de la escala? ''
Ofreciendo al paciente una serie de opciones, la posición en la escala se corresponde
Se puede determinar la respuesta a las preferencias del paciente. El proceso puede ser
repetido para cada resultado posible. Este método es relativamente fácil de realizar.
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
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.
8.4 Utilidad exponencial: un modelo paramétrico
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)
La Figura 8.5 grafica U ( x ) para varios valores posibles de γ cuando el máximo

la supervivencia posible es de 20 años. El modelo de supervivencia exponencial captura la
probabilidad de una duración de supervivencia basada en el parámetro único λ . Similitud,
El modelo de utilidad exponencial captura la utilidad de un individuo durante un período de
supervivencia basada en el parámetro γ . Veremos que γ mide la fuerza de
la aversión al riesgo de quien toma las decisiones. Por lo tanto, conociendo la curva de la figura 8.5
que coincida con las preferencias de un individuo nos dirá la utilidad de ese individuo
para períodos de supervivencia de 0 a 20 años para un nivel dado de aversión al riesgo. Nosotros
Página 226
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
Figura 8.5 Modelo de utilidad exponencial U ( x ) = 1 - e - γ x escalado de modo que U (20) = 1.
determinar la curva de coincidencia - en otras palabras, el parámetro γ - a través de un

proceso de evaluación simple.
8.4.1 Evaluación de la utilidad exponencial

El parámetro único γ simplifica enormemente el proceso de evaluación para la exposición
utilidad esencial. Con evaluación directa, determinando la utilidad para la supervivencia.
requiere preguntas de evaluación para varios valores de supervivencia representativos. Con
utilidad exponencial el proceso de evaluación se reduce a la determinación de que
parámetro único.
El siguiente ejemplo muestra cómo ajustar una función de utilidad exponencial a
resultados que oscilan entre 0 y 20 años de supervivencia. Por convención, la utilidad de
20 años es 1.0 y la utilidad para 0 años es 0.0. Se determina el parámetro γ
evaluando la utilidad del tomador de decisiones para un resultado intermedio, como
seis años de supervivencia. Por lo tanto, suponga que la indiferencia del tomador de decisiones
La probabilidad de la siguiente pregunta de evaluación es 0,7:
pag
Vivir 20 años
Vivir 6 años equivalente a

1-p
Muerte inmediata
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
de 4 para el parámetro γ . Por lo tanto, la función de utilidad de este tomador de decisiones es

−4 x
U(x)=1-e (8,5)
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.

8.4.2 Supuesto subyacente al modelo de utilidad exponencial

La aplicabilidad del modelo de utilidad exponencial a un problema de decisión.
depende de una suposición comprobable sobre las actitudes de riesgo de quien toma las decisiones.
Para comprender este supuesto, considere las apuestas monetarias que involucran
premios entre $ 0 y $ 100. Primero suponga que el tomador de decisiones
La probabilidad de indiferencia π en la siguiente pregunta de evaluación es 0,75:
pag
Gana $ 50
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
implica la siguiente equivalencia para la misma probabilidad de indiferencia π para

todos los valores de,
pag
A+Δ
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.
8.4.3 Actitudes de utilidad exponencial y riesgo

La figura 8.6 muestra tres curvas de utilidad exponenciales que ilustran diferentes tipos
de actitudes de riesgo. Primero, enfóquese en la curva para γ = 4. Para esta curva, el
Los mayores incrementos en la utilidad ocurren cuando la duración de la supervivencia es cercana a 0. Para
Por ejemplo, cambiar la supervivencia de 0 a 2 años aumenta la utilidad de 0 a
0.34, mientras que cambiar la supervivencia de 18 a 20 años casi no tiene cambios en
utilidad. En otras palabras, los individuos con preferencias descritas por esta curva
dará más importancia a los cambios en la supervivencia a corto plazo que a los cambios en
supervivencia a largo plazo. En diversos grados, esto es válido para todas las curvas de utilidad.
en la Figura 8.6 con valores positivos para γ .
Estas personas son reacias al riesgo porque prefieren tener X años
seguro que una apuesta que tiene un valor esperado de X años. Para ver esto,
considere cómo responden a la siguiente pregunta de evaluación:
pag
Vivir 20 años

1-p
Muerte inmediata
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
valor esperado = (0,7 × 20 años) + (0,3 × 0 años) = 14 años (8,6)
Este individuo evitaría una apuesta arriesgada incluso si la apuesta, en promedio,

podría resultar en un aumento sustancial de la supervivencia.
Página 229
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
Vive 14 años equivalente a

1-p
Muerte inmediata
De acuerdo con la curva de la Figura 8.6, la probabilidad de indiferencia del individuo

sería aproximadamente 0,3 para esta pregunta de evaluación. El valor esperado
para la apuesta en la pregunta de evaluación es entonces
Página 230
Estos individuos prefieren la apuesta porque la posibilidad de sobrevivir

20 años parece más importante que el riesgo de muerte inmediata, incluso
si el valor esperado era considerablemente menor que el valor de cierta
resultado - vivir 14 años.
Finalmente, considere la curva de la Figura 8.6 con γ = 0. Para esta curva de utilidad
los aumentos en la utilidad son exactamente proporcionales a los aumentos en la supervivencia. Para
Por ejemplo, cambiar la supervivencia de 18 a 20 años aumenta la utilidad de 0,8
a 1.0. De manera similar, la utilidad cambia de 0 a 0,2 cuando la supervivencia cambia de 0 a
2 años. Los individuos con preferencias descritas por esta curva colocan el mismo
importancia de los cambios en la supervivencia a largo plazo como cambios en la supervivencia a corto plazo.
Estos individuos se denominan indiferentes al riesgo porque son indiferentes.
entre una apuesta que tiene un valor esperado de X años y X años para
cierto. Para ver esto, considere cómo responderían estas personas a la
siguiente pregunta de evaluación:
pag
Vivir 20 años

1-p
Muerte inmediata
De acuerdo con la curva correspondiente en la Figura 8.6, la indiferencia de ese individuo

La probabilidad de diferencia sería 0.5 para esta pregunta de evaluación. Lo esperado
El valor de la apuesta en la pregunta de evaluación es entonces

Estos individuos prefieren la apuesta porque la posibilidad de sobrevivir

20 años parece más importante que el riesgo de muerte inmediata, incluso
si el valor esperado es considerablemente menor que el valor de cierta
resultado - vivir 14 años. Estos son los tomadores de decisiones de valor esperado
discutido en el Capítulo 6.
8.5 Utilidad exponencial con supervivencia exponencial
Ahora mostraremos cómo incorporar las actitudes de riesgo en la comparación de

apuesta basada en el modelo de supervivencia exponencial. El modelo exponencial
asume que las probabilidades de posibles longitudes de vida se pueden representar por
la siguiente función:
- λx
f(x)=λe (8,9)
La integración matemática de f ( x ) con el modelo de utilidad exponencial determina

extrae la utilidad esperada correspondiente. Esta operación requiere un trabajo
familiaridad con el cálculo, conocimiento que no asumimos que todos nuestros
los lectores tienen. Sin embargo, el resultado es muy sencillo. Si la utilidad del tomador de decisiones
Página 231
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
Figura 8.7 Elección entre dos tratamientos riesgosos.
es exponencial con el parámetro γ y la supervivencia es exponencial con el parámetro

λ , entonces la utilidad esperada para la apuesta es
γ
utilidad para la supervivencia exponencial = (8,10)
γ+λ
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

Tratamiento A o Tratamiento B por 1 / λ A o 1 / λ B , respectivamente.

La esperanza de vida para el tratamiento A es
[ ]
1 + [(1 - P A ) × 0] = PA
esperanza de vida para el tratamiento A = PA× (8,11)
λA λA
Similitud,
PB
esperanza de vida para el tratamiento B = (8.12)
λB
Por lo tanto, de acuerdo con el análisis de esperanza de vida, se prefiere el tratamiento A a

Tratamiento B solo si se cumple lo siguiente:
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
la utilidad esperada para el Tratamiento A de la siguiente manera:

[ ]
γ
utilidad esperada para el tratamiento A = PA× + [(1 - P A ) × 0]
γ+λA
= 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.

8.6 Resultados multidimensionales: evaluación directa
El ejemplo de Hank demuestra un desafío principal en la toma de decisiones médicas.

ing, que está equilibrando las preocupaciones sobre la calidad y la duración de su
vida. Acabamos de aprender que la función de utilidad exponencial captura la
Actitudes de los tomadores de decisiones hacia el riesgo de morir a corto plazo y más tarde.
en la vida. En esta sección, ampliamos esos métodos para incorporar la decisión
preocupaciones del fabricante sobre la calidad de vida.
El objetivo es capturar cómo cambia la utilidad de quien toma las decisiones para la duración de la vida
cuando se tiene en cuenta la calidad de vida. La figura 8.8 ilustra este objetivo.
Supongamos que un problema de decisión puede resultar en resultados con diferentes vidas.
Página 233
expectativas en dos estados posibles de calidad, denotan Q A y Q B . Por ejemplo,

P A puede ser una vida libre de síntomas y Q B es una vida con un efecto secundario de un tratamiento,
como una colostomía. Las curvas de la figura 8.8 representan la
utilidad para los posibles resultados. La curva etiquetada como U ( x , Q A ) es la decisión
la utilidad del fabricante para la duración de la vida en el estado de calidad Q A . La curva etiquetada U ( x , Q B )
es la misma para Q B .
Por lo tanto, el desafío es cómo determinar las dos curvas de la Figura 8.8.
ya que definen la utilidad de quien toma las decisiones. La evaluación directa es una
Acercarse. Primero, seleccionaríamos longitudes de vida representativas, como 10
años, 9 años, etc., hasta la muerte inmediata. El proceso de evaluación
Entonces consistiría en tres pasos.
Paso 1: El primer paso incluye preguntas de evaluación que determinan la decisión
las actitudes de riesgo del fabricante sión hacia duración de la vida en el estado de calidad Q A .
El siguiente sería un ejemplo típico:
p A (3)
Vivir 10 años en
estado de calidad Q A
Vivir 3 años en
equivalente a
1 - p A (3)
Muerte inmediata
Por ejemplo, observe que
Utilidad (3 años, Q A ) = [ π A (3) × Utilidad (10 años, Q A )]
+ [(1 - π A (3)) × U (Muerte)]
= [ π A (3) × 1] + [(1 - π A (3)) × 0]
= 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
Repitiendo esta pregunta de evaluación durante varios períodos de supervivencia

en el estado Q A (el lado izquierdo de la ecuación 8.18) establecemos varios
puntos en la curva. La conexión de estos puntos determina la forma de
la curva superior en la Figura 8.8. En general, sea π A ( x ) la indiferencia
probabilidad establecida por la evaluación directa de la toma de decisiones
utilidad para x años en el estado de calidad Q A . El paso 1 determina que
Utilidad ( x años, Q A ) = π A ( x ) (8,19)
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
Vivir 3 años en
estado de calidad Q B equivalente a
1 - p B (3)
Muerte inmediata
Sea π B ( x ) la probabilidad de indiferencia para una de estas evaluaciones

preguntas y observe que
Utilidad ( x años, Q B ) = [ π B ( x ) × Utilidad (10 años, Q B )]

+ [(1 - π B ( x )) × U (Muerte)]
= [ π B ( x ) × Utilidad (10 años, Q B )] + [(1 - π B ( x )) × 0]
= π B ( x ) × Utilidad (10 años, Q B ) (8,20)
Estas preguntas de evaluación determinan la utilidad del tomador de decisiones para

x años en estado de calidad Q B en relación con una apuesta durante 10 años en calidad
estado Q B o muerte inmediata. Para completar el proceso,
debe determinar la utilidad del tomador de decisiones durante 10 años de vida en
estado de calidad Q B . Esto se hace en el tercer paso.
Paso 3: El tercer paso requiere una sola pregunta de evaluación:

qB
Vivir 10 años en
Vivir 10 años en
equivalente a
estado de calidad Q B
1-qB
Muerte inmediata
La probabilidad de indiferencia θ B para esta última pregunta de evaluación

completa el proceso ya que ahora podemos escribir
Utilidad (10 años, Q B ) = [ θ B × Utilidad (10 años, Q A )]

+ [(1 - θ B ) × U (Muerte)]
= [ θ B × 1] + [(1 - θ B ) × 0]

=θB (8,21)
Página 235
Combinando las ecuaciones 8.20 y 8.21 encontramos que
Utilidad ( x años, Q B ) = π B ( x ) × Utilidad (10 años, Q B )

=πB(x)×θB (8.22)
O, en general,
Utilidad ( x años, Q i ) = π i ( x ) × θ i (8,23)
donde θ A es por definición igual a 1 ya que mide la calidad de la

estado preferido calidad Q A . La ecuación 8.23 captura completamente la decisión
la utilidad del fabricante para la supervivencia en los dos estados calidad Q A y Q B . los
las probabilidades de indiferencia π A ( x ) y π B ( x ) capturan las actitudes de riesgo
sobre la duración de la vida x en los dos estados de calidad. La probabilidad θ B
captura cómo se siente el tomador de decisiones sobre el estado de calidad Q B relativo
al estado de calidad Q A . Ahora tenemos una medida general de resultados.
que captura tanto la duración de la supervivencia como la calidad de vida.
El análisis de la utilidad esperada basado en esta medida tendrá en cuenta
el significado total de cada resultado posible.
8.7 Resultados multidimensionales: simplificaciones
Podemos generalizar el proceso de tres pasos descrito en la sección anterior para

resolver problemas de decisión más complicados con cualquier número de estados de salud.
Este proceso implica repetir el Paso 2 y el Paso 3 para cada uno de los
estados de calidad. Sin embargo, el número de preguntas requeridas por este enfoque
puede ser muy grande.
Sea M el número de puntos de tiempo necesarios para definir la curva que
representa la utilidad del paciente durante toda su vida y sea N la
número de estados de calidad. Luego podemos calcular el número requerido de
preguntas de evaluación mediante la siguiente expresión:
número de preguntas de evaluación = ( M × N ) + ( N - 1) (8,24)
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:
número de preguntas de evaluación = (5 × 3) + (3-1) = 17 (8,25)
Diecisiete preguntas pondrían a prueba la paciencia de casi cualquiera. Quizás esto

El proceso no es práctico en el mundo real. Para simplificarlo, ahora consideramos varios
suposiciones sobre las preferencias del tomador de decisiones.

Página 236
8.7.1 Simplificación: asumir la independencia entre preferencias

para la duración y la calidad de vida
Las suposiciones razonables sobre las preferencias del tomador de decisiones pueden eliminar
varias de las preguntas de evaluación. Por ejemplo, considere la evaluación
preguntas en el Paso 2 del proceso descrito anteriormente. Estas preguntas determinan
las actitudes de riesgo del tomador de decisiones sobre la duración de la vida mientras experimenta
estado de calidad Q B . La siguiente es una pregunta de evaluación típica utilizada durante
este paso en el proceso:
p B (3)
Vivir 10 años en
Vivir 3 años en
1 - p B (3)
Muerte inmediata
Un supuesto posible es asumir que la indiferencia del tomador de decisiones

La probabilidad en esta pregunta de evaluación no depende del estado de calidad.
Q B . En otras palabras, asuma que
π A (3) = π B (3) (8,26)
donde π A (3) es la probabilidad de indiferencia del tomador de decisiones en la evaluación

pregunta:
p A (3)
Vivir 10 años en
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:
Utilidad ( x años, Q i ) = θ i × π ( x ) (8,27)
La probabilidad de indiferencia π ( x ) captura las actitudes de riesgo sobre la longitud

de vida x en cualquiera de los dos estados de calidad. Como antes, la probabilidad θ B captura
cómo se siente el tomador de decisiones sobre el estado de calidad Q B en relación con el estado de calidad
Q A . El resultado es una expresión general de la utilidad del tomador de decisiones para
resultados en los dos estados de calidad.

Página 237
La eliminación de las preguntas de evaluación del Paso 2 reduce el número de

preguntas de evaluación requeridas para
número de preguntas de evaluación = M + N - 1 (8,28)
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:
número de preguntas de evaluación = 5 + 3 - 1 = 7 (8,29)
8.7.2 Simplificación: asuma la propiedad delta

La propiedad delta es la segunda suposición que haremos sobre la decisión.
actitudes de riesgo del fabricante. Recuerde la discusión en la Sección 8.5.2, que mostró
que la utilidad del tomador de decisiones para la duración de la vida puede ser representada por la
función de utilidad exponencial si asumimos la propiedad delta. por lo tanto, nosotros
puede reemplazar las preguntas de evaluación directa en el Paso 1 por una sola evaluación
pregunta. Esta única pregunta de evaluación determina el parámetro γ en el
función de utilidad exponencial. Esta versión simplificada del Paso 1 determina un
función de utilidad exponencial para la supervivencia en estado de calidad Q A :
-γx
Utilidad ( x años, Q A ) = 1 - e (8,30)
El supuesto de independencia discutido en la sección anterior significa que

evaluaríamos el mismo valor para γ si las preguntas se hicieran por calidad
Estado Q B . El paso restante es evaluar el valor de θ B , que compara la vida
en el estado de calidad Q B a la vida en el estado de calidad Q A . Esto se hace preguntando lo mismo
pregunta de evaluación como antes:
qB
Vivir 10 años en
Vivir 10 años en
1-qB
Muerte inmediata
La utilidad para x años en el estado Q B es entonces
Utilidad ( x años, Q B ) = θ B × (1 - e - γ x ) (8,31)
Cuando el modelo de supervivencia exponencial representa la incertidumbre de la longitud

de la vida, la utilidad para un resultado es entonces:
θ yo γ
utilidad para la supervivencia exponencial en estado de calidad i = (8,32)
γ+λ
donde 1 / λ es la esperanza de vida del paciente.
Página 238
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
De manera similar, la probabilidad de indiferencia de Hank para la siguiente pregunta de evaluación:

ción es 0.90:
qC
equivalente a
esperar gratis para la colostomía
1-qC
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.
Alternativa Salir Probabilidad 1/λ θ yo Utilidad
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
Cirugía tradicional Curado sin colostomía 0.5700 20 años 1,00 0,9877

Curado con colostomía 0.3800 20 años 0,90 0,8889
Enfermedad metastásica sin colostomía 0.0300 2 años 1,00 0,8889
Enfermedad metastásica con colostomía 0.0200 2 años 0,90 0,8000
Microscópicamente Curado sin colostomía 0.8409 20 años 1,00 0,9877

cirugía dirigida Curado con colostomía 0.0704 20 años 0,90 0,8889
Enfermedad local sin colostomía 0.0387 5 años 0,95 0,9048
Enfermedad metastásica sin colostomía 0.0463 2 años 1,00 0,8889
Enfermedad metastásica con colostomía 0,0037 2 años 0,90 0,8000
Página 239
Tabla 8.5 Cálculos de la utilidad esperada.
Alternativa Esperanza de vida
Renunciar a cualquier tratamiento 0,9500 × 0,9048 + 0,0500 × 0,8000 = 0 . 9017

Cirugía tradicional 0,5700 × 0,9877 + 0,3800 × 0,8889 + 0,0300 × 0,8889
+ 0,0200 × 0,8000 = 0 . 9434

Microscópicamente 0,8409 × 0,9877 + 0,0704 × 0,8889 + 0,0387 × 0,9048+

cirugía dirigida 0,0463 × 0,8889 + 0,0037 × 0,8000 = 0 . 9722
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
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
1.0
0,9
0,8
0,7
Renunciar a cualquier tratamiento
Utilidad esperada
0,6

0,5
0.0 0,1 0,2 0,3 0.4 0,5 0,6 0,7 0,8 0,9 1.0
Probabilidad de indiferencia para colostomía versus vida libre de síntomas θ c
Figura 8.10 Análisis de sensibilidad para la compensación entre colostomía y vida libre de síntomas.
qC
equivalente a
esperar gratis para la colostomía
1-qC
Muerte inmediata
La cirugía dirigida microscópicamente es la alternativa preferida a la

gama de valores posibles para θ C . Sin embargo, la fuerza de la preferencia de Hank
para esta alternativa varía con θ C . Las dos alternativas quirúrgicas son aproximadamente
equivalente cuando la vida con colostomía es casi tan buena como una vida libre de síntomas
( θ C = 1). En el otro extremo, renunciar al tratamiento es aproximadamente equivalente a
cirugía dirigida microscópicamente cuando Hank considera que la vida con colostomía
ser tan mala muerte ( θ C = 0).
Por tanto, las actitudes de riesgo sobre la calidad de vida pueden ser fundamentales para determinar la
alternativa preferida en un problema de decisión. La apuesta estándar proporciona
un método para cuantificar esta importante consideración. Actitudes de riesgo sobre
la duración de la vida se vuelve importante cuando las alternativas de tratamiento difieren en
el momento del riesgo de muerte. La sección final de este capítulo describe una
enfoque alternativo para cuantificar actitudes sobre la calidad de vida.
8.8 Resultados multidimensionales: ajustados por calidad

años de vida (AVAC)
Esta sección considera un enfoque alternativo para cuantificar la decisión

preocupaciones del fabricante sobre la calidad de vida. El método descrito en el
La sección anterior es un proceso de dos pasos que (1) determina la utilidad para
vida libre de síntomas y luego (2) ajusta esa utilidad para dar cuenta de la desutilidad
de vivir con síntomas. El enfoque descrito en esta sección se basa en
la noción de que la vida con un síntoma es equivalente a menos años de vida que
Página 241
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 :
Utilidad ( x años, Q i ) = θ i × π i ( x ) (8,33)
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
Vivir x años en
equivalente a
1 - p i (x)
Muerte inmediata
Hicimos la suposición simplificadora de que las actitudes de riesgo sobre la duración de

la vida son independientes de la calidad de vida. Por ejemplo, dada otra cualidad
estado Q j asumimos que
π j ( x ) = π i ( x ) = π ( x ) para todos los estados de calidad Q i y Q j (8,34)
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
Utilidad ( x años, Q i ) = θ i × π ( x ) (8,35)
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
Utilidad ( x años, sin síntomas) = π ( x ) (8,36)
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
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 .
La determinación de θ i requiere una evaluación basada en la referencia estándar

apostar - un proceso que puede ser difícil para algunos tomadores de decisiones. los
alternativa descrita en esta sección se basa en la relación descrita en
Figura 8.11. La curva en esta figura muestra cómo un tomador de decisiones negociaría

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
Utilidad ( x años en Q i ) = Utilidad ( w i ( x ) años sin síntomas) (8,37)
O, usando la notación de la ecuación 8.35, podemos escribir
Utilidad ( x años, Q i ) = π ( w i ( x )) (8,38)
En otras palabras, determinamos la probabilidad de indiferencia π () para w i ( x ) en lugar de

que x . La relación w i ( x ) se denomina años de vida ajustados por calidad o AVAC.
relación para Q i .
Evaluar la relación AVAC es el paso clave para utilizar este método.
Por lo general, esto se hace pidiendo al tomador de decisiones que considere lo siguiente
pregunta para varios valores de x :
¿Cuántos años sin síntomas equivalen a x años en estado de calidad?
Q yo ?
Trazar la respuesta a esta pregunta para los valores correspondientes de x
determina la curva que se muestra en la Figura 8.11 para Q i . Este proceso
repetirse para cada posible estado de calidad. Determinando la utilidad para
vida libre de sntomas determina entonces completamente una funcin de utilidad para el
resultados en el problema de decisión.
Hacer las preguntas necesarias para dibujar completamente la curva en la Figura 8.11 puede cronometrar
consumidor. Por lo tanto, una aproximación lineal para la relación AVAC a menudo
Página 243
se utiliza. Esa aproximación lineal se determina eligiendo un representante

valor de la duración de la vida xy luego preguntar cuántos años sin síntomas
son equivalentes a x años en estado de calidad Q i . Let Y i ser la de tomador de decisiones
respuesta a esta pregunta. Eso es,
Utilidad ( x años en Q i ) = Utilidad ( y i años sin síntomas) (8,39)
Si φ i denota la razón y i / x , entonces φ i es la pendiente de una aproximación lineal a

la relación AVAC, como se muestra en la Figura 8.12.
Suponiendo que la aproximación lineal coincide con la relación AVAC
curva que se muestra en la Figura 8.12, podemos escribir
Utilidad ( x años en Q i ) = Utilidad ( φ i x años sin síntomas) (8.40)
En otras palabras, dado que w i ( x ) = φ i x podemos usar la Ecuación 8.39 para escribir
Utilidad ( x años, Q i ) = π ( φ i x ) (8,41)
Si usamos el modelo de utilidad exponencial descrito en la Sección 8.5 para representar

la utilidad del tomador de decisiones para una vida libre de síntomas, entonces tenemos
- γφ i x
Utilidad ( x años, Q i ) = 1 - e (8,42)
Por supuesto, la relación en la ecuación 8.42 solo se mantiene en el rango de valores

para x para el que la aproximación en línea recta es un buen ajuste. Sin embargo, como

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
Figura 8.12 Aproximación lineal para la relación AVAC.
Página 244
8.9 Comparación de los dos modelos para los resultados con

diferente longitud y calidad
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)
Con el modelo de aversión al riesgo constante, el mismo valor de γ se aplica a ambos

estados de calidad. Por lo tanto, la utilidad de vida de este individuo en estado de calidad Q B
luego se puede expresar como
Utilidad ( x años, Q B ) = θ B × (1 - e - γ x ) (8.44)
donde θ B es la probabilidad de indiferencia del individuo en la referencia estándar

apuesta comparando 10 años en estado de calidad Q A con 10 años en estado de calidad Q B :

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
qB
Vive 10 años con perianal
equivalente a
erupción pero sin colostomía
1-qB
Muerte inmediata
La función de utilidad de la ecuación 8.44 es la curva sólida inferior de la figura 8.13.

Con el modelo de compensación de tiempo constante, la compensación de tiempo del tomador de decisiones
para diferentes estados de calidad es el mismo para todos los períodos de vida. Por lo tanto, la
La utilidad del individuo para la vida en el estado de calidad Q B puede entonces expresarse:
- γφ B x
Utilidad ( x años , Q B ) = 1 - e (8,45)
donde φ B es el multiplicador QALY tal que x años en Q B es equivalente a

φ B x años en Q A . La función de utilidad en la ecuación 8.45 es la curva de puntos en
Figura 8.13.
Por definición, con el modelo de aversión al riesgo constante, la aversión al riesgo para
vida en estado de calidad Q B es lo mismo que la aversión al riesgo para la vida en estado de calidad
Q B . Por ejemplo, si la siguiente equivalencia se mantiene durante x años en Q A y
probabilidad π
pag Vivir 10 años en

Vivir x años en
estado de calidad Q A equivalente a
1-p
Muerte inmediata
entonces la misma equivalencia debe mantenerse durante x años en Q B con el mismo valor
para probabilidad π :
pag Vivir 10 años en

Vivir x años en
1-p
Muerte inmediata

Eso es lo que significa tener una constante aversión al riesgo.

Mira de cerca a la figura 8.13 y comparar las dos curvas de utilidad para la vida en Q B .
En comparación con el modelo de aversión al riesgo constante (la curva sólida), tenga en cuenta que el
El modelo de compensación de tiempo constante (la curva discontinua) asigna una menor utilidad a casi
supervivencia a largo plazo y mayor utilidad para la supervivencia a largo plazo. Recordando la discusión
en la Sección 8.5.3, esto significa que el modelo de compensación de tiempo constante supone que
la aversión al riesgo es menor cuando la vida se vivía en estado de calidad Q B . Matemáticamente,
dado que el parámetro en el modelo de utilidad exponencial γ mide la aversión al riesgo
para la vida en estado de calidad Q A , la aversión al riesgo para la vida en Q B sería φ B γ . Mantener
en cuenta que φ B es menor que 1 ya que es la cantidad que el tomador de decisiones
estar dispuesto a acortar la vida con el fin de evitar los síntomas del estado de calidad Q B .
Página 246
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
Este capítulo ha ampliado los métodos analíticos introducidos en los capítulos 6.

y 7 mostrando cómo cuantificar las preferencias del tomador de decisiones por el
posibles resultados de una decisión. La teoría de la utilidad de John von Neumann
y Oskar Morgenstern proporciona la base para este enfoque. los
El resultado es un método generalizable para capturar las compensaciones de valor entre
las diferentes dimensiones de un resultado (duración de la vida; calidad de vida) como
así como las actitudes del tomador de decisiones hacia el riesgo.
El capítulo describe varios métodos para aplicar la teoría de
von Neumann y Morgenstern, partiendo de un enfoque basado en
la evaluación directa de la utilidad de una persona para cada resultado individual. los
La deficiencia de la evaluación directa es la dificultad de mantenerse enfocado en
la tarea al hacerlo a gran escala para problemas de decisión complejos con
gran número de resultados. Por lo tanto, describimos métodos alternativos,
comenzando con un modelo paramétrico basado en una suposición comprobable sobre el
las preferencias del tomador de decisiones, llamada propiedad delta. Cuando esta propiedad
describe con precisión las preferencias del tomador de decisiones, la función de utilidad
tiene una forma exponencial cuya forma está determinada por un solo parámetro.
Esta suposición reduce el proceso de evaluación a lo relativamente simple

tarea de determinar ese único parámetro. El modelo de utilidad exponencial

se puede combinar con un modelo de supervivencia exponencial para producir un compacto
expresión para calcular la utilidad esperada para un resultado con un conocido
esperanza de vida.
El resto del capítulo presenta métodos para determinar la
la utilidad del tomador de decisiones cuando los resultados pueden involucrar varias
Página 247
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

¿Cuál sería la probabilidad de indiferencia π de este individuo en el siguiente

pregunta de evaluación si él o ella tenía una constante aversión al riesgo?
Página 248
Mantener el diente
Tener tratamiento de conducto ahora
0,9 Mantener el diente
Tener tratamiento de conducto ahora
Perder diente Tener tratamiento de conducto ahora

0,1 Perder diente
Mantener el diente Sin endodoncia

Un mes de dolor
0,8 Mantener el diente
El dolor de muelas se detiene
0,40 Sin endodoncia

Perder diente
Un mes de dolor
0,2 Perder diente
Espera un mes
Mantener el diente Tener tratamiento de conducto

Un mes de dolor
0,7
El dolor de muelas continúa Mantener el diente
0,60 Tener tratamiento de conducto

Perder diente
Un mes de dolor
0,3
Perder diente
Figura 8.14 Árbol de decisión para el problema 1.
pag
Vivir 20 años

1-p
Muerte inmediata
¿Cuál es el valor del parámetro γ para el modelo de utilidad exponencial?

describiendo las preferencias de este individuo? ¿Es este individuo reacio al riesgo, riesgo
prefiriendo, o arriesgarse indiferente?
3. Evalúe la utilidad de un amigo para premios monetarios entre $ 0 y $ 1000. Es tuyo
¿Amigo tiene aversión al riesgo, prefiere el riesgo o es indiferente al riesgo?
4. Suponga que un paciente que enfrenta la decisión que se muestra en la figura 8.15 tiene una constante
aversión durante toda su vida. La decisión es entre Tratamiento
A y tratamiento B. El riesgo de muerte inmediata es de 0,10 para el tratamiento
A; Sin embargo, si el paciente sobrevive, la duración de su vida puede ser
representado por un modelo de supervivencia exponencial con parámetro λ A igual
hasta 0,25. El riesgo de muerte inmediata es de 0,09 para el tratamiento B; Sin embargo, si
el paciente sobrevive, la duración de su vida se puede representar por
un modelo de supervivencia exponencial con parámetro λ B igual a 0,20. Cuales
¿Qué tratamiento prefiere el paciente si es indiferente entre las
siguiendo dos opciones?
0,7
Vivir 20 años
Vivir 10 años o
0,3
Muerte inmediata

Página 249
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
Figura 8.15 Árbol de decisiones para el problema 4.
5. Utilizando el mismo problema de decisión descrito en el problema 4, suponga que

El tratamiento A implica un efecto secundario indeseable que el paciente
experiencia durante el resto de su vida, si el paciente sobrevive a la
riesgo inicial. Suponga que la actitud del paciente es capturada por la siguiente
equivalencia:
0,9 Vivir 10 sin
síntoma
Vive 10 años con
equivalente a
síntoma
0,1
Muerte inmediata
Asumir independencia entre preferencias por duración y calidad de vida

de la vida, ¿cambia esto su respuesta al problema 4?
Apéndice: Detalles matemáticos
Este apéndice cubre algunos de los detalles matemáticos que se omitieron

en las primeras partes de este capítulo. Estos detalles conectan los métodos descritos
en este capítulo a sus orígenes en los principios matemáticos. Incluimos esto
material para el lector que quiera comprender estos fundamentos.
Teorema de utilidad fundamental

El resultado fundamental en la teoría de la utilidad de von Neumann y Morgenstern
deriva de cinco supuestos sobre las preferencias de quien toma las decisiones. Estos
los supuestos, o axiomas, son los siguientes.
Axioma 1: Orden transitivo completo
Las preferencias del tomador de decisiones sobre el conjunto de resultados son tales que
para dos resultados cualesquiera X i y X j, se cumple una de las siguientes condiciones: 1
X yo X j o X yo X j o X yo ≈ X j (A8.1)
1Xi X j significa que se prefiere X i a X j ; X i ≈ X j significa que X i es equivalente a X j .

Página 250
Además, para tres resultados cualesquiera X A , X B y X C ,
XA XByXB X C implica X A XC (A8.2)
Axioma 2: Existencia de probabilidades de indiferencia

Para tres resultados cualesquiera X A , X B y X C , si se prefiere X A a X B y
Se prefiere X B a X C, entonces existe una probabilidad π tal que el
El tomador de decisiones es indiferente entre X B y una apuesta que otorga X A
con probabilidad π y X C con probabilidad 1 - π :
π
XA
XB ≈
1-π
XC
Axioma 3: Reemplazo con equivalencia

Sean los resultados X A , X B y X C y la probabilidad q tales que la decisión
El creador es indiferente entre X B y una apuesta que premia a X A con
probabilidad q y X C con probabilidad 1 - q . Entonces X B y la apuesta
entre X A y X C se puede intercambiar sin afectar la decisión
las preferencias del fabricante por una alternativa de decisión. Es decir, para los resultados X D
y probabilidad p se cumple la siguiente equivalencia:
q
XA
pag pag
XB
1-q
≈ XC
1-p 1-p
XD XD
Axioma 4: Se aplican las reglas de probabilidad

Para cualesquiera tres resultados X A , X B y X C y las probabilidades q y p , la
las siguientes dos apuestas son equivalentes:
q
XA
pq pag
XA
p (1 - q ) 1-q
XB ≈ XB
1-p 1-p
XC XC
Axioma 5: Preferencia por apuestas dominantes

Sean X A y X B resultados tales que el tomador de decisiones prefiere X A
sobre X B . Entonces, el tomador de decisiones prefiere una apuesta que rinda X A con
probabilidad p y X B con probabilidad 1 - p sobre un juego de azar que produce X A
Página 251
con probabilidad q y X B con probabilidad 1 - q si y solo si p es mayor

que q . Es decir, se cumple la siguiente equivalencia:
pag q
XA XA
> iff p > q

1-p 1-q
XB XB
El teorema fundamental de Von Neumann y Morgenstern garantiza la existencia

tencia de una función de utilidad que tiene la propiedad de que la utilidad esperada es
mayor para la alternativa más preferida. Este importante resultado se puede afirmar
como sigue:
Teorema de utilidad fundamental
Si las preferencias del tomador de decisiones satisfacen los axiomas 1-5 para los resultados
X = { X 1 , ... , X n } entonces existe una función U () sobre X tal que para cualquier
alternativas A j y A k
∑norte ∑norte
P[Xi|Aj]×U(Xi)> P[Xi|Ak]×U(Xi) (A8.3)
i=1 i=1
si y solo si el tomador de decisiones prefiere A j sobre A k . Eso es,
E ( U | A j ) > E ( U | A k ) si y solo si A j Ak (A8.4)
La demostración se sigue directamente de los axiomas. Axiom 1 garantiza que

los resultados se pueden clasificar de acuerdo con la preferencia del responsable de la toma de decisiones.
Por lo tanto, todos los resultados son preferidos o equivalentes a al menos uno de los
resultados. Denote este resultado dominado por X 1 y establezca U ( X 1 ) = 0. De manera similar,
existe al menos un resultado que es preferido o equivalente a todos los
otros resultados. Denote este resultado dominante con X n y establezca U ( X n ) = 1.
Para cualquier resultado X i , el axioma 2 garantiza que existe una probabilidad π i tal
que el tomador de decisiones es indiferente entre X i y una apuesta que premia
X n con probabilidad π i y resultado X 1 con probabilidad 1 - π i . Eso es,
π yo
Xn
X yo ≈
1-πi
X1
Página 252
Por lo tanto, dadas las alternativas A j y A k , con densidad de probabilidad condicional

funciones P [ X | A j ] y P [ X | A k ], respectivamente, tenga en cuenta que estas dos alternativas
puede ser representado por las estructuras de árbol:
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
Considere por un momento el árbol correspondiente a A j . Según Axiom 3 ,

este árbol simple es equivalente al árbol compuesto formado al reemplazar cada
de los resultados con la apuesta equivalente entre X 1 y X n . Eso es,
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
En otras palabras, A j es equivalente a una lotería que otorga X n con probabilidad

∑norte ∑norte
ity P [ X i | A j ] π i y X 1 con probabilidad 1 - P [ X i | A j ] π i . De manera similar, A k es
i=1 i=1
Página 253
∑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
Dado que se prefiere X n a X 1 , del axioma 5 se deduce que A j se prefiere a A k

∑norte ∑norte
si y solo si P [ X i | A j ] π i es mayor que P [ X i | A k ] π i . Configuración U ( X i ) = π i
i=1 i=1
completa la prueba.
Propiedad delta y utilidad exponencial

Demostrar la relación entre la propiedad delta y la utilidad exponencial
no se reproducirá completamente aquí. El lector interesado puede encontrar esta prueba en
Capítulo 4 del libro de Keeney y Raiffa (1976). Su prueba comienza con el
definición de R (), la función de aversión al riesgo local para la función de utilidad U ():
- d 2U ( x )
dx2
R(x)= dU(x)
(A8.5)
dx
Los lectores familiarizados con la geometría analítica reconocerán que R () mide la

curvatura de la función de utilidad correspondiente, por lo que se llama
función local de aversión al riesgo. Resulta que R () también especifica completamente una utilidad
función en el sentido de que dos funciones de utilidad son equivalentes siempre que
tienen las mismas funciones locales de aversión al riesgo. La prueba de que la propiedad delta
implica que la utilidad exponencial se deriva de dos resultados intermedios. Primero el
La propiedad delta implica que R ( x ) es constante para todos los valores de x . En segundo lugar, de un
manipulación sencilla del cálculo, se puede demostrar que R () sólo se puede
constante si U () es exponencial.
La elegancia de la función de aversión al riesgo local es que vincula las preferencias
a una amplia gama de modos de utilidad paramétricos que se pueden utilizar cuando el delta
la propiedad no aplica.
Calcular la utilidad esperada para la supervivencia y la utilidad exponenciales

Finalmente, la utilidad esperada para un resultado medido por una variable continua
x viene dado por la integral
x ∫max
Utilidad esperada = f(x)u(x)dx (A8.6)

x min
Página 254
donde f ( x ) es la densidad de probabilidad para x y u ( x ) es la utilidad correspondiente

función. Para el caso especial de supervivencia exponencial y utilidad exponencial
esta integral se convierte
∫∞
λ e - λx (1 - e
-γx
Utilidad esperada = )dx (A8.7)
0
Ampliando los rendimientos integrales

∫∞ ∫∞
- λx - λx -γx
Utilidad esperada = λe dx- λe mi dx (A8.8)
0 0
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
que es el resultado utilizado en la ecuación 8.10.
Bibliografía
Holloway, CA (1979) Toma de decisiones bajo incertidumbre: modelos y opciones , Prentice Hall,
Englewood Cliffs, Nueva Jersey.
Una descripción general del análisis de decisiones.
Keeney, RL y Raffia, H. (1976) Decisiones con múltiples objetivos: preferencias y valor

compensaciones , John Wiley & Sons, Inc., Nueva York.
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.
Una introducción general al uso de la teoría de la utilidad de von Neumann-Morgenstern en

análisis de decisión.
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)
Este precepto clínico es familiar para los estudiantes de medicina. Es un desafío

que el estudiante sea atento a la hora de solicitar pruebas y procedimientos de diagnóstico.
El propósito de este capítulo es proporcionar un enfoque lógico y centrado en el paciente.
a la selección e interpretación de pruebas diagnósticas. Por selección, nos referimos a la
decisión de ordenar una prueba. La interpretación es más difícil de definir. Algunos lo harían

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
243
Página 256
9.1 Actuar cuando las consecuencias son inciertas:

principios y definiciones
9.1.1 Tres principios de la toma de decisiones
Los siguientes principios conducen directamente a un método para decidir cuándo
La prueba de diagnóstico alterará el tratamiento del paciente:
1. A menudo no es necesario conocer el estado real del paciente : terminología de los médicos
a menudo parece implicar que no pueden comenzar el tratamiento sin estar seguros
del verdadero estado del paciente, particularmente cuando usan el término '' hacer
un diagnóstico '' para indicar que creen que una enfermedad es definitivamente
regalo. También utilizan el término "descartar un diagnóstico" para indicar que
creen que la enfermedad está definitivamente ausente, lo que correspondería
a una probabilidad de enfermedad igual a 0. Si la acción dependiera de '' hacer
un diagnóstico '' o '' descartar una enfermedad '', los médicos se verían obligados a
averigüe el estado real de cada paciente antes de iniciar el tratamiento. De hecho, ellos
a menudo no conocen el estado real del paciente cuando inicia el tratamiento.
Todo clínico en ejercicio comprende la distinción entre conocer
que una enfermedad está presente y actúa como si estuviera presente. Cuando el
La probabilidad de una enfermedad es 0,95, existe una pequeña posibilidad de que no esté presente.
Sin embargo, los médicos a menudo comienzan el tratamiento como si estuvieran seguros del verdadero estado
del paciente. En la práctica, los términos '' hacer un diagnóstico '' y '' dictaminar
fuera de enfermedad '' significa lo siguiente:
• hacer un diagnóstico: saber que más información no
cambiar una decisión para actuar como si el paciente tuviera la sospecha de enfermedad;

• descartar una enfermedad: saber que más información no

cambiar la decisión para actuar como si el paciente no tuviera la sospecha
enfermedad.
2. El error de tratamiento siempre es una posibilidad cuando el diagnóstico es incierto :

La figura 9.1 es un recordatorio de las implicaciones de la probabilidad en la medicina.
Cada punto de una escala de probabilidad corresponde a una población en la que
algunos pacientes están enfermos (círculos sólidos) y algunos no están enfermos (abrir
círculos).
Si un médico elige tratar a un paciente cuando la probabilidad de enfermedad es
mayor que 0 y menor que 1.0, algunos pacientes recibirán tratamiento para
0 1.0
Figura 9.1 La correspondencia de probabilidad y poblaciones hipotéticas de pacientes. los

los círculos sólidos representan personas enfermas.
Página 257
Selección e interpretación de pruebas diagnósticas 245
Tratamiento
umbral
probabilidad
No
Tratar
tratar
0 1.0
Figura 9.2 Población de tratamiento cuando el diagnóstico no es seguro.
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.
3. La necesidad de certeza diagnóstica depende del castigo por equivocarse : cómo

¿Debe estar seguro un médico antes de comenzar el tratamiento? La necesidad de diagnóstico
La certeza depende del castigo por equivocarse acerca de la verdadera
Expresar. Varios ejemplos ilustrarán este punto.
Ejemplo 1 : suponga que es un internista que atiende a un paciente con

Inicio repentino de dolor punzante en la parte anterior derecha del tórax una semana después

Reemplazo total de rodilla. El examen físico es normal, sin

hinchazón por encima o por debajo de la rodilla en el lado de la cirugía. A pesar de
el examen físico, sospecha fuertemente una embolia pulmonar
(PE), pero su probabilidad previa a la prueba es 0,75 (probabilidades previas a la prueba 3: 1), por lo que
no estoy seguro. Obtiene una tomografía computarizada con contraste del tórax. Para tu sorpresa
no muestra ninguna evidencia de EP. ¿Debería enviar al paciente a casa?
sin iniciar el tratamiento, iniciar la anticoagulación (el tratamiento correcto
para trombosis venosa y EP) u obtener un arteriograma pulmonar?
Esta pregunta reafirma el dilema clásico al que se enfrentan los médicos cuando
manejar una condición de alto riesgo como la educación física. No tratar cuando el
el paciente tiene un coágulo de sangre en la pierna (una ocurrencia común después de la cirugía
en la pierna) podría resultar en un segundo EP, quizás fatal. Tratar con
anticoagulantes cuando el paciente no tiene un coágulo de sangre ocasionalmente
resulta en hemorragias graves que pueden ser fatales.
Empiece por sacar su teléfono inteligente de su bolsillo. Tú
han descargado un programa desarrollado para un estudio de asistida por computadora
manejo de sospecha de EP. Ingresa las probabilidades de PE previas a la prueba (3: 1).
Página 258
El programa de computadora le recuerda la razón de probabilidad negativa

(LR−) de una tomografía computarizada con contraste (0.10). Calcula las probabilidades posteriores a la prueba de
PE (probabilidades posteriores a la prueba = probabilidades anteriores a la prueba × razón de verosimilitud) como 3: 1 × 0,10 = 0,3: 1,
lo que equivale a una probabilidad posprueba de 0,23 de EP. Tu piensas
usted mismo '', me sorprende que la probabilidad de EP posterior a la prueba sea tan alta después de una
Tomografía computarizada con contraste negativo. Sin embargo, esa probabilidad de EP es demasiado alta.
para que yo retenga la anticoagulación. ¿Debo tratar ahora o hacerme un pulmonar?
arteriograma? ''
Su programa informático basado en teléfonos inteligentes puede ayudarlo a responder
esta pregunta. Basado en información proporcionada por sus creadores, dice
'' Cualquiera de las dos estrategias es razonable. Un arteriograma pulmonar casi siempre
detecta un EP y los resultados falsos positivos son raros. Si es negativo, el post-
La probabilidad de prueba de EP es tan baja que no debe tratar. Si es positivo
está seguro del diagnóstico. La probabilidad de que el arteriograma
ser positivo es 0,23 ''. Decide obtener el arteriograma, y muestra un
embolia pulmonar.
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).
Ejemplo 2 : un pediatra examina a un adolescente con dolor de garganta.

El paciente tiene febrícula, un exudado amigdalino confluente y
ganglios linfáticos cervicales anteriores muy sensibles. El pediatra estima
la probabilidad de faringitis estreptocócica es de 0,50 y da la
paciente una inyección de penicilina benzatínica sin obtener una prueba para

infección por estreptococos beta-hemolíticos
Comentario : el pediatra está dispuesto a tratar aunque la probabilidad

de tratar a alguien que no tiene una infección por estreptococos es 0.50 porque
ella cree que las consecuencias de este error son menores y
No confíe en un cultivo de garganta negativo en este paciente. Las bases del pediatra
la decisión de tratar sin una cultura sobre la seguridad del tratamiento con
penicilina. Una pequeña penalización por error permite un mayor margen de error.
9.1.2 El significado de la probabilidad de umbral de tratamiento

Los ejemplos anteriores ilustraron un punto en común: la relación
entre la voluntad de tratar y la probabilidad de enfermedad. Estos ejemplos
Página 259
Tratamiento
umbral
probabilidad
D− A− D + A− D− A + D+A+
No tratar Tratar
0 Probabilidad de enfermedad 1.0
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.
ilustró implícitamente el concepto de umbral de probabilidad de enfermedad . Este concepto

es la clave para comprender cuándo una persona debe comenzar el tratamiento de una enfermedad
cuando aún no está seguro del diagnóstico. Aborda directamente la pregunta
`` ¿Cuándo estoy lo suficientemente seguro para actuar como si estuviera seguro? ''
Definición de probabilidad de umbral de tratamiento : La probabilidad de

enfermedad en la que uno debería ser indiferente entre dar tratamiento y
tratamiento de retención.
El umbral de tratamiento divide a los pacientes en aquellos que reciben tratamiento.

y los que no. Refiriéndose a la Figura 9.2, recuerde que ambos grupos
comprenden pacientes que tienen la condición de destino y pacientes que no
tenerlo. La figura 9.3 ilustra estos cuatro grupos de pacientes.
Como se muestra en la Figura 9.3, los pacientes cuyo estado real ( D + o D -) se desconoce
puede estar en uno de los cuatro estados después de una decisión de tomar acción ( A +) o de
retener acción ( A -). A estos estados los llamamos "estados de tratamiento de enfermedades".
Los términos se utilizarán con frecuencia en este capítulo:
• Enfermo y tratado : Potencialmente un buen estado, dependiendo de la
gravedad de la enfermedad y eficacia del tratamiento. Denotado por
D + A +.
• Enfermo y no tratado : por lo general, el peor estado para estar, a menos que la enfermedad
es algo menor como una infección de las vías respiratorias superiores, y el tratamiento
es desagradable. Denotado por D + A -.

• No enfermo y tratado : A menudo es un estado aceptable, menos si el

el tratamiento tiene efectos secundarios desagradables o graves. Denotado por D - A +.
• No enfermo y no tratado : El mejor estado para estar. Denotado por D - A -.
9.2 La probabilidad de umbral de tratamiento
En la primera parte de este capítulo, aprendimos que el umbral de tratamiento refleja

las compensaciones entre los daños y los beneficios de las opciones de tratamiento. los
Página 260
Enfermedad
U [D + A +]
Tratar (A +) p [D]
Sin enfermedad
U [D − A +]
1− p [D]
Enfermedad
U [D + A−]
p [D]
Sin tratamiento (A-) Sin enfermedad

U [D − A−]
1− p [D]
Figura 9.4 La decisión entre tratamiento y no tratamiento. U [ D + A +] denota el paciente

utilidad para el estado de estar enfermo y ser tratado.
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)
Estas dos ecuaciones pueden representarse gráficamente trazando la esperada

utilidad de las alternativas A + y A - contra p , la probabilidad de enfermedad
(Figura 9.5).
Para maximizar el bienestar del paciente, el médico debe elegir la alternativa
que tiene la mayor utilidad esperada. La figura 9.5 muestra que la opción preferida
depende de la probabilidad de enfermedad. Cuando la probabilidad de enfermedad es baja,
la opción '' sin tratamiento '' tiene la mayor utilidad esperada y debe ser
privilegiado. Cuando la probabilidad de enfermedad es alta, la opción "tratar" tiene
la utilidad más alta esperada y debería ser la preferida. A una probabilidad de
enfermedad, las utilidades esperadas de las dos opciones son iguales: el punto donde

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
U [D − A−] 1.0 1.0

Sin tratamiento Tratar
U [D + A +]
Previsto
utilidad C
U [D − A +]
0 U [D + A−]
0 p* 1.0
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 -]
Esta expresión se puede resolver para p , la probabilidad de umbral de tratamiento, por

reordenando términos y sustituyendo las siguientes definiciones:
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 -]
B es el beneficio neto de tratar a pacientes enfermos y, por lo tanto, es la diferencia

en utilidad entre tratar y no tratar a una persona enferma.

Página 262
Resolviendo la ecuación 9. 3 para p * sustituyendo H y B , obtenemos
= 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.
2. La probabilidad del umbral de tratamiento suele ser inferior a 0,50 porque la

los beneficios de la mayoría de los tratamientos superan a sus daños. Como ejemplo extremo,
considere el ejemplo de decidir cuándo administrar penicilina en caso de sospecha
neumonía neumocócica. La penicilina es un fármaco seguro para quienes la padecen.
no tiene alergia a la penicilina, y es muy beneficioso para pacientes con
neumonía neumocócica. Con daños mínimos y un gran beneficio, usted
esperaría una probabilidad de umbral de tratamiento baja. Conclusión: si tu
tiene alguna razón para sospechar neumonía neumocócica, debe comenzar
penicilina.
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.
Para ver un ejemplo de cálculo de p *, imagine tratar a un paciente con

penicilina por sospecha de neumonía neumocócica-. Primero, calcule el
daña, recordando que H = U [ D - A -] - U [ D - A +]:
U [ D - A -] es cómo se sentiría una persona al no tener neumonía y
no recibir tratamiento por ello. En una escala de 0 a 1.0, donde 0 es el peor
resultado posible (muerte inmediata) y 1.0 es el resultado actual de una persona
salud, la persona probablemente diría que U [ D - A -] es 1.0.
U [ D - A +] es cómo se sentiría una persona al no tener neumonía

pero ser tratado por ello de todos modos. Este estado de tratamiento de la enfermedad ocurre
cuando el médico comienza el tratamiento antes de conocer la verdadera
estado, como se muestra en la Figura 9.6. En este ejemplo, un paciente tratado con
La penicilina tiene tres estados de resultado: sin reacción alérgica, no fatal
reacción (sarpullido, sibilancias, shock anafiláctico no fatal) y fatal
choque anafiláctico. Imagina que las probabilidades de estos tres estados
son 0,99, 0,0099 y 0,0001, respectivamente, y las utilidades del paciente
para estos estados son 1.0, 0.90 y 0. Debido a que estos resultados de una

Página 263
Sin reacción alérgica

U = 1.0
p = .99
Reacción no fatal
U [D − A +] U = .9
p = 0,0099
Reacción fatal
U=0
p = .0001
Figura 9.6 Un árbol que representa el estado D - A +.
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 -].
U [ D + A +]: Para calcular esta utilidad, suponga que el único

los estados de resultado de la neumonía son la recuperación o la muerte. Los pacientes
las utilidades para estos estados de resultados son 1.0 y 0. La tasa de recuperación
con el tratamiento de la neumonía neumocócica es 0,99. U [ D + A +] es 0,99
veces U (recuperación), que es igual a 1.0, más 0.01 veces U (muerte), que
es igual a 0. U [ D + A +] es por tanto 0,99.
U [ D + A -]: en este estado de tratamiento de la enfermedad, el paciente tiene neumonía

y se recupera espontáneamente. Una tasa de recuperación hipotética sin
el tratamiento es 0,50, por lo que U [ D + A -] es 0,50 veces la utilidad para la recuperación
( U = 1.0) = 1.0.
Por tanto, B = 0,99−0,50 = 0,49.
Por tanto, el umbral de tratamiento es
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
este proceso intuitivo e improvisado en un método preciso y consistente para ayudar

Toma de decisiones. Como se muestra en la Figura 9.5, cuando el tratamiento umbral

La probabilidad y la probabilidad de enfermedad son conocidas, el médico puede identificar
la acción que maximizará la utilidad esperada del paciente.
Sin embargo, comprender este modelo de toma de decisiones es la parte fácil.
Implementarlo es un trabajo duro. La tarea de determinar el umbral de tratamiento.
probabilidad requiere un modelo de decisión y las utilidades del paciente para el resultado
viene que el paciente puede experimentar.
El significado de '' tratamiento ''

Nos hemos referido a "tratamiento" como si fuera una terapia que se administrará cuando
la probabilidad de enfermedad excedió el umbral de probabilidad. Otro,
La visión más amplia es que el clínico se compromete a seguir un curso de acción. El curso
de acción podría ser iniciar un tratamiento o podría estar haciendo un definitivo
prueba para decidir si comenzar el tratamiento. Por lo tanto, "tratamiento" en la más amplia
sense es un algoritmo que prescribe cada acción. Reflejando esta definición de
'' tratamiento '', hemos utilizado los símbolos A + (para '' tomar acción definitiva '') y
A - ('' retener acción definitiva ''). Por tanto, el estado de tratamiento de la enfermedad D + A +
significa '' el paciente tiene la condición deseada y se tomó una acción definitiva ''.
9.3 La decisión de obtener una prueba de diagnóstico
9.3.1 Los criterios para las pruebas de diagnóstico

Estos son los siguientes:
1. Cuando la probabilidad previa a la prueba excede el umbral de tratamiento: ¿el tratamiento
siempre indicado cuando la probabilidad de enfermedad está por encima del tratamiento
¿umbral? No necesariamente. Tratar cuando la probabilidad de enfermedad es
por encima de la probabilidad del umbral de tratamiento expone a los pacientes no enfermos
al daño potencial sin perspectivas de beneficio (Figura 9.1). Podemos evitar
este resultado si un resultado negativo de la prueba redujo la probabilidad de enfermedad a
un punto por debajo de la probabilidad de umbral de tratamiento, de modo que la acción con
la utilidad más alta esperada sería "no tratar" (ver Figura 9.7).
• Criterio 1: Realice una prueba solo si el resultado de una prueba podría reducir la probabilidad
de enfermedad lo suficiente como para cruzar un umbral de tratamiento.
Post-prueba Negativo Prueba previa

probabilidad prueba probabilidad
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
Prueba previa Positivo Post-prueba

probabilidad prueba probabilidad
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.
2. Cuando la probabilidad de enfermedad previa a la prueba es menor que el umbral de tratamiento:

¿Se debe suspender siempre el tratamiento cuando la probabilidad de enfermedad
es menor que la probabilidad de tratamiento umbral? No necesariamente.
Si observa la Figura 9.1, verá que algunos pacientes con una probabilidad baja
realmente tienen la condición objetivo. Es probable que sufran daños.
a menos que reciban tratamiento. Evitar estos daños por completo no es
realista, ya que requeriría una probabilidad cero de la condición objetivo
para justificar la suspensión del tratamiento. Sin embargo, si una prueba pudiera generar
la probabilidad de que la enfermedad supere el umbral de tratamiento, el tratamiento
maximizar la utilidad esperada del paciente tratado (Figura 9.8). Por supuesto,
Puede que no sea razonable realizar la prueba si la probabilidad de un resultado positivo
El resultado fue muy bajo, como ocurre cuando las probabilidades previas a la prueba son muy bajas o
El resultado de la prueba tiene una sensibilidad baja ( p + | D ).
• Criterio 2: Realice una prueba solo si el resultado de una prueba podría aumentar la probabilidad
de enfermedad lo suficiente como para cruzar un umbral de tratamiento (Figura 9.8).
Los dos criterios son equivalentes. Reafirman en lenguaje técnico el
precepto de enseñanza de que debe probar solo si el resultado puede cambiar su
manejo del paciente.
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.
9.3.2 Un método para decidir realizar una prueba de diagnóstico

Aprendimos cómo el médico puede tomar una decisión sobre el tratamiento en la especial
circunstancia de haber obtenido ya tanta información como sea posible
Página 266
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
está enfermo y la prueba es positiva, la probabilidad de que la prueba sea positiva

es la probabilidad condicional, P [+ | D +] ('' probabilidad de una prueba positiva dada
esa enfermedad está presente ''). Usando esta notación, podemos calcular el esperado
utilidad de la opción de prueba promediando los nodos de probabilidad en el árbol para
la opción TEST en la Figura 9.9:
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 -]
Recuerde las siguientes definiciones del Capítulo 4:

P [+ | D ] = tasa de prueba positiva verdadera (TPR o sensibilidad)
P [- | D ] = tasa de prueba de falsos negativos (FNR)
P [+ | no D ] = tasa de prueba de falsos positivos (FPR)

P [- | no D ] = tasa de prueba negativa verdadera (TNR o especificidad)

Sustituyendo estas igualdades en la ecuación de EU [Test], obtenemos
Ecuación 9.5, que es la utilidad esperada de la opción de prueba. Ecuación 9.5
incluye un término para la utilidad de la prueba, U ( T ), para tener en cuenta cualquier efecto
de experimentar la prueba (por ejemplo, algunos pacientes experimentan claustrofobia cuando
colocado en los estrechos confines del escáner de imágenes por resonancia magnética):
UE [Prueba] = P [ D ] × TPR × U [ D + A +] + P [ D ] × (1 - TPR) × U [ D + A -]

+ (1 - P [ D ]) × FPR × U [ D - A +] + (1 - P [ D ]) × (1 - FPR)
× U [ D - A -] + U ( T ) (9,5)
Las ecuaciones para la utilidad esperada de la golosina ( A +) y la no golosina ( A -)

Las opciones se obtienen promediando los nodos de azar en los árboles para
estas opciones (Figura 9.10). Las mismas ecuaciones se utilizaron en la Sección 9.2 para
derivar la expresión para la probabilidad de umbral de tratamiento:
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
El nombre "utilidad neta de la prueba" podría llevar a la confusión de U [ T ] con

EU [Test], la utilidad esperada de las pruebas. La ecuación 9.5 muestra que U [ T ], la red
utilidad de experimentar la prueba, es un componente de EU [Prueba], junto con la
Consecuencias de los resultados de pruebas verdaderos positivos y falsos positivos.
Representamos gráficamente las ecuaciones 9.5–9.7 trazando la utilidad esperada
de las alternativas de decisión (probar, tratar o no tratar) contra p [ D ], la probabilidad
de enfermedad. Las intersecciones de la pendiente y el eje vertical de cada una de las líneas son
determinado por la utilidad de los estados de tratamiento de la enfermedad, y, en el caso de
la opción de prueba, por la tasa de verdaderos positivos y la tasa de falsos positivos de la prueba.
La utilidad de la prueba, U ( T ), no cambia la pendiente de la línea correspondiente
a la opcin de prueba, pero altera el punto en el que la lnea intercepta la
ejes verticales.
Para maximizar el bienestar del paciente, el médico debe elegir la alternativa
que tiene la mayor utilidad esperada. La figura 9.11 muestra que el preferido
La opción depende de la probabilidad de enfermedad:
Baja probabilidad de enfermedad: por debajo de una cierta probabilidad, no siempre se
preferido porque un resultado anormal de la prueba no podría aumentar la probabilidad
bilidad de la enfermedad lo suficiente como para cruzar el umbral de tratamiento ( p *) y cambiar
administración.

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.
9.3.3 Las probabilidades de umbral para las pruebas

El paciente debe preferir la alternativa con la mayor utilidad esperada en
la probabilidad de enfermedad del paciente antes de la prueba. Las tres líneas continuas en la Figura 9.11
representan las utilidades esperadas de las opciones de no tratar, probar y tratar en cada
probabilidad de enfermedad. Como se muestra en la Figura 9.11, la escala de probabilidad se divide
en tres zonas por dos probabilidades. Estas dos probabilidades están definidas por
los puntos donde las líneas se cruzan; en el extremo izquierdo de estas intersecciones, el
el paciente debe ser indiferente entre ningún tratamiento ( A -) y pruebas.
Definición de umbral de prueba sin tratamiento : La probabilidad a la que se

debe ser indiferente entre ningún tratamiento y pruebas. Denotamos el no
probabilidad de umbral de prueba de tratamiento por p 1 (Figura 9.12).
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).
Definición de umbral de prueba-tratamiento : La probabilidad a la que se

debe ser indiferente entre la prueba y el tratamiento. Denotamos el
probabilidad umbral de prueba-tratamiento por p 2 (Figura 9.13).
Página 269
U [D − A−] 1.0 1.0
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
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.
Sin prueba de tratamiento Tratamiento

umbral umbral
Positivo
prueba

Sin prueba
Prueba Tratar
o trato
0 .50 1.0
p1 p2
Figura 9.12 Probabilidad de umbral sin tratamiento-prueba.
Tratamiento Prueba-tratamiento
umbral umbral
Negativo
prueba
Sin prueba
Prueba Tratar
o trato
0 .50 1.0
p1 p2
Figura 9.13 Probabilidad del umbral de prueba-tratamiento.
Página 270
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:
p 1 × {TPR × U [ D + A +] + (1 - TPR) × U [ D + A -] - U [ D + A -]} + U ( T )

= [1 - p 1] × { U [ D - A -] - FPR × U [ D - A +] - (1 - FPR) × U [ D - A -]}
Esta expresión se puede simplificar reordenando los términos y sustituyendo el

siguientes relaciones:
H = U [ D - A -] - U [ D - A +] el costo de tratar a los pacientes sanos
B = U [ D + A +] - U [ D + A -] el beneficio de tratar a pacientes enfermos
p 1 × (TPR × B ) + U ( T ) = (1− p 1) × (FPR × H)

Resolviendo esta expresión 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
Las ecuaciones 9.8 y 9.9 dividen la escala de probabilidad en tres secciones

responder a las opciones de no tratar, probar y tratar (Figura 9.11). El clínico puede
Utilice la Figura 9.11 y la probabilidad de enfermedad previa a la prueba del paciente para decidir qué
La acción maximizará la utilidad esperada del paciente. Lograr este objetivo es
lograr mucho.
Las ecuaciones 9.8 y 9.9 y la probabilidad de enfermedad previa a la prueba son suficientes
elegir la alternativa de decisión con mayor utilidad esperada. Estos
las ecuaciones no incluyen un término para p *, la probabilidad de umbral de tratamiento.
Por lo tanto, no estamos obligados a determinar p * para resolver el problema de decisión.
No obstante, nos centraremos en este capítulo en cómo determinar el tratamiento
probabilidad umbral. El médico puede usarlo ( p *) para juzgar si la solución al
problema de decisión tiene sentido clínico. Esta verificación externa del realismo clínico
puede evitar la aceptación acrítica de los resultados del análisis.
Página 271
p *, la probabilidad de umbral de tratamiento, está relacionada con H y B , los costos y

beneficios del tratamiento (ver Ecuación 9.4). De esta relación, p 1 y p 2 pueden
ser obtenido en términos de p *:
H
pag= (9,4)
H+B
La ecuación 9.4 puede resolverse para B en términos de H y p *. Sustituyendo esto

expresión para B en las ecuaciones 9.8 y 9.9, obtenemos las siguientes relaciones
entre p * y p 1 y p 2:
[ ]
- 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)
En muchas situaciones clínicas, la utilidad de someterse a la prueba, U ( T ), es pequeña

en comparación con la utilidad de experimentar los estados de tratamiento de la enfermedad. En estos
En los casos, el término para U ( T ) puede establecerse en cero. Cuando U (T) es cero, 9,10 y 9,11
se puede derivar usando el teorema de Bayes donde p * es la probabilidad posterior a la prueba
y p 1 <p * y p 2 > p * son las probabilidades previas respectivamente. Resolviendo estos
las ecuaciones para p 1 y p 2 obtendrán 9.10 y 9.11. Estas relaciones subrayan
el punto en que p * es la probabilidad posterior a la prueba cuando p 1 y p 2 son los valores previos
probabilidades.
9.4 Elección entre pruebas de diagnóstico
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

ampliarse a la elección entre pruebas. Considere el caso de elegir

entre dos pruebas, T 1 y T 2 (discutiremos la posibilidad de realizar varias
combinaciones de las dos pruebas posteriormente). El tomador de decisiones ahora tiene
cuatro opciones:
Estrategia Decisión de prueba Decisión de tratamiento
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
La estrategia con la utilidad esperada más alta debe ser la preferida

alternativa. Para calcular las utilidades esperadas de estas estrategias, aplique el
razonamiento utilizado en el caso de una prueba. (Los subíndices se utilizan para indicar qué
de las dos pruebas, y p representa la probabilidad de enfermedad).
El enfoque da como resultado el mismo árbol de decisión que se muestra en la Figura 9.9 excepto por
un subárbol más correspondiente a la prueba adicional. Este árbol cedería
cuatro ecuaciones (la adicional correspondiente a la UE de T 2 ), donde FPR 2
y TPR 2 denota la tasa de falsos positivos y la tasa de verdaderos positivos para T 2 :
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)
Usando estas ecuaciones, la utilidad esperada de cada alternativa de decisión puede

graficar contra la probabilidad de enfermedad (Figura 9.14). La pendiente de cada
de las líneas y sus intersecciones en el eje vertical están determinadas por la utilidad
de los estados de tratamiento de la enfermedad y, en el caso de las opciones de prueba, por
las tasas de verdaderos positivos y falsos positivos de las dos pruebas y sus
respectivas U ( T ) s.
Tratar
U [D − A−] 1.0 Ninguno Tratar 1.0

Prueba 1
todos
Prueba 2
U [D + A +]
Previsto
UE [T 2 ]
utilidad
UE [T 1 ]

U [D − A +]
0 U [D + A - ]
0 p1 p2 p3 1.0
Figura 9.14 Utilidad esperada de dos opciones de prueba y las opciones de tratamiento.
Página 273
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:
Prueba previa P [D] Decisión de prueba Decisión de tratamiento
P [ D ] <p 1 No probar No tratar

p 1 <P [ D ] <p 2 Hacer T 1 Trate solo si T 1 es positivo
p 2 <P [ D ] <p 3 Hacer T 2 Trate solo si T 2 es positivo
P[D]>p3 No probar Tratar
En la Figura 9.14, observe que si la línea correspondiente a EU ( T 2 ) es un poco más baja,

EU ( T 1 ) siempre superará a EU ( T 2 ). En ese caso, no se debe elegir T 2 en
cualquier probabilidad de enfermedad. T 1 dominará.
9.5 Elección de la mejor combinación de pruebas de diagnóstico
Este tema avanzado se puede omitir en una primera lectura sin pérdida de continuidad .
9.5.1 Principios para elegir una combinación de pruebas de diagnóstico

Cuando hay dos o más pruebas disponibles, es posible que el médico desee decidir
entre hacer ambas pruebas, una prueba o ninguna prueba. Este tema se discute
extensamente en un artículo de Doubilet (1983). En principio, la elección entre
combinaciones de pruebas es una extensión del enfoque ya utilizado.
Considere la situación en la que hay dos pruebas disponibles y la
El médico puede optar por realizar una prueba, ambas pruebas, ninguna prueba o una segunda prueba.
condicionado a los resultados de la primera prueba. En principio, el clínico puede
tratar o suspender el tratamiento con cada combinación de resultados de la prueba. Sin embargo,
Para algunas combinaciones de resultados de pruebas, algunas de las decisiones de tratamiento son
ilógicos son irrazonables como estrategias de gestión y pueden eliminarse.

En la tabla se enumeran diez estrategias mutuamente excluyentes. La tarea del clínico es

elegir la estrategia que tenga la mayor utilidad esperada para un paciente cuyo
la probabilidad previa de la condición objetivo es p .
Página 274
Estrategia Primera etapa Segunda etapa Acción
1 T1 Sin pruebas Trate solo si T 1 +

2 T1 T 2 si T 1 + Trate solo si T 1 + y T 2 +
3 T1 T 2 si T 1 - Trate si T 2 +
4 T2 Sin pruebas Trate solo si T 2 +
5 T2 T 1 si T 2 + Trate solo si T 2 + y T 1 +
6 T2 T 1 si T 2 - Trate si T 1 +
7 T1yT2 Sin pruebas Trate si T 1 + y T 2 +
8 T1yT2 Sin pruebas Trate si T 1 + o T 2 +
9 Sin pruebas Sin pruebas No trates a nadie
10 Sin pruebas Sin pruebas Tratar a todos
Cada acción que se muestra en la tabla es una apuesta, ya que el médico no

conocer el verdadero estado del paciente a la hora de decidir tratar o no. Resolver
este problema, comience con un árbol de decisiones que represente la elección entre todos
10 estrategias. Este árbol tiene 10 subárboles, cada uno representando las consecuencias de
una de las estrategias. Usando el subárbol para cada estrategia, forme una ecuación para
calcular la utilidad esperada del subárbol correspondiente; las ecuaciones
serán similares a los que se muestran para la elección entre dos pruebas, pero más
complejo. Calcular la utilidad esperada de cada estrategia en función
de la probabilidad de enfermedad, sustituya todos los valores posibles de p [ D ] en el
ecuación correspondiente. En una gráfica de estos hallazgos, la pendiente de la línea
correspondiente a cada ecuación es una función de la utilidad de la enfermedad-
estados de tratamiento para cada estrategia y las características de desempeño y
desutilidad de la combinación de prueba. Las intersecciones de las líneas representan la
probabilidades de umbral en las que una estrategia se convierte en preferida a otra.
Esta relación se representa de forma simplificada en la figura 9.15.
La estrategia que está en el mejor interés del paciente es la estrategia con el
mayor utilidad esperada a la probabilidad de enfermedad del paciente antes de la prueba.
Un problema con las estrategias de modelado para el uso de varias pruebas de diagnóstico en
combinación es asegurarse de que las pruebas sean condicionalmente independientes, lo que
rara vez se conoce por una combinación de pruebas. El capítulo 5 contiene una discusión
de este problema.
9.5.2 Uso de una computadora para elegir la mejor opción de decisión

El lector puede preguntarse si este elegante modelo conceptual es una decisión práctica.
haciendo ayuda. Desarrollar modelos de decisión de problemas complejos, encontrar el
datos requeridos por los parámetros de los modelos, y resolviendo el resultado
ecuaciones para obtener las probabilidades umbral puede ser el trabajo de muchos
meses. Si todo este trabajo se dedicó a resolver el problema de decisión de un paciente,
el esfuerzo no sería sostenible. Sin embargo, los programas de computadora para representar
y resolver los modelos de decisión hacen que estos modelos estén disponibles para cualquier persona.

Página 275
Tratar Haz T1 y T2;
U [D − A−] 1.0 Ninguno Tratar si ambos + Tratar 1.0

todos
Haz T1 y T2;
U [D + A +]
Tratar si +
Previsto
utilidad
U [D − A +]
0 U [D + A−]
0 p1 p2 p3 1.0
Figura 9.15 Utilidad esperada de varias combinaciones de pruebas y resultados de pruebas.
Los datos requeridos por el modelo de umbral se obtienen de varias fuentes.

Los métodos para estimar la probabilidad previa a la prueba se analizan en el Capítulo 3.
Obtener información confiable de la literatura médica sobre los verdaderos positivos
La tasa y la tasa de falsos positivos de una prueba de diagnóstico se analizan en el Capítulo 5.
El obstáculo restante es medir los daños netos y los beneficios del tratamiento y
establecimiento de la probabilidad de tratamiento umbral. Este problema es el corazón de la
importar. Lo discutimos en la siguiente sección.
9.6 Configuración de la probabilidad de umbral de tratamiento
Para elegir entre el tratamiento y las estrategias de prueba, el médico debe

estimar p *, la probabilidad de umbral de tratamiento, directamente o calcularlo a partir de
los beneficios netos ( B ) y los daños ( H ) del tratamiento. A continuación discutimos cuatro
enfoques para establecer la probabilidad de umbral de tratamiento.
1. Estimación subjetiva de p *
2. Estimación subjetiva de la relación entre los daños y los beneficios del tratamiento ( H / B )
3. Utilice la esperanza de vida para estimar la relación entre daños y beneficios ( H / B )
4. Utilice las utilidades del paciente para los estados de tratamiento de la enfermedad para estimar
daños y beneficios del tratamiento.
9.6.1 Estimar p * subjetivamente

El clínico primero debe pensar en el peligro de tomar el rumbo equivocado.
de acción: proporcionando tratamiento cuando la enfermedad está ausente o reteniendo
tratamiento cuando la enfermedad está presente. Luego, el médico debe preguntar:
¿Con qué probabilidad de la enfermedad sería indiferente entre tratar

y reteniendo el tratamiento?

Página 276
Habiendo establecido un umbral de probabilidad, el médico debe probar el

fuerza de sus convicciones: '' ¿Estaría realmente dispuesta a retener el tratamiento
si la probabilidad de enfermedad estuviera justo por debajo de mi probabilidad umbral? haría
Estaré dispuesto a tratar si la probabilidad de enfermedad estuviera justo por encima del umbral.
¿probabilidad?''
El enfoque subjetivo puede llevar a los médicos a sobreestimar el tratamiento.
probabilidad umbral porque tienen dificultades para abandonar el tradicional
enseñar que uno comienza el tratamiento sólo cuando está seguro del diagnóstico. Médicos
Piense en comenzar el tratamiento cuando no esté seguro del diagnóstico cuando
circunstancias urgentes requieren una acción inmediata o cuando la sanción por error
es pequeño. Dos barreras se interponen en la forma de pensar de esta manera para los menos urgentes.
problemas. Primero, la mayoría de los médicos no se dan cuenta de que el umbral de tratamiento es
dada por la siguiente relación entre los daños y los beneficios del tratamiento:
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.
9.6.2 Estimar subjetivamente la relación entre daños y beneficios ( H / B )

El clínico debe comparar de manera subjetiva y global los daños netos de
tratar a los sanos ( H ) a los beneficios netos de tratar a los enfermos ( B ). De esto
En comparación, el médico obtendrá la proporción de los daños del tratamiento para el pozo.
( H ) a la prestación de tratamiento para los enfermos ( B ). La siguiente relación, que
se deriva de la Ecuación 9.4, se utiliza para calcular el tratamiento umbral
probabilidad:
H
B
pag= (9,12)
H
1+
B
Ejemplo 1 : un neurólogo considera el efecto del tratamiento de un tumor cerebral

para un paciente con dolor de cabeza y hemiplejía progresiva.
• Beneficios : El pronóstico es muy malo sin tratamiento, pero incluso con
tratamiento, es posible que el paciente no se cure o que tenga un deterioro permanente
debido a daño cerebral durante la cirugía.
• Daños : realizar una craneotomía solo para descubrir que el paciente no
tiene un tumor cerebral puede causar una discapacidad permanente, así como dolor y
gastos.
El neurólogo puede concluir que la relación entre daño y beneficio es de aproximadamente 1: 2,
que corresponde a una probabilidad de umbral de tratamiento de 0,33.
Página 277
Ejemplo 2 : El pediatra cuyo paciente tiene dolor de garganta considera la

umbral de tratamiento para la faringitis estreptocócica.

• Beneficios : el beneficio del tratamiento con penicilina es modesto: la penicilina
prevenir la fiebre reumática, que se ha convertido en una enfermedad rara, y acelerará
resolución de los síntomas en uno o dos días.
• Daños : el riesgo de tratar el pozo es una reacción alérgica grave a
penicilina, que puede ocurrir incluso después de preguntar sobre antecedentes de penicilina
alergia.
A diferencia de la sospecha de un tumor cerebral, los daños y beneficios del tratamiento
el paciente con dolor de garganta es pequeño. Sin embargo, la ecuación 9.12 muestra que el
El umbral de tratamiento está determinado por la relación entre el daño y el beneficio, no el
magnitud de los daños y beneficios. El pediatra decide que los beneficios
de tratamiento superan ligeramente los daños ( H / B es 1/3). El correspondiente
el umbral de tratamiento es 0,25. El pediatra debe probar esta conclusión
preguntando si retendría el tratamiento si la probabilidad de estreptococos
faringitis fueron 0,20.
La relación entre p * y H / B es instructiva (figura 9.16). Como el

La proporción de H a B aumenta, p * cambia rápidamente cuando la proporción de daños y beneficios es
menos de 1.0, que normalmente debería ser el caso, y más lentamente con mayor
ratios.
9.6.3 Utilice la esperanza de vida para calcular p *

La relación entre p * y los daños netos ( H ) y los beneficios netos ( B ) de
El tratamiento viene dado por la Ecuación 9.4:
H
pag= (9,4)
H+B
1.0
.8
.6
.4
Probabilidad de umbral
.2
0 1.0 2.0 3,0 4.0 5,0
Relación entre daños y beneficios
Figura 9.16 Relación entre la probabilidad de umbral de tratamiento y la relación entre los costos netos y
beneficios netos.
Página 278
En esta relación, B y H son diferencias de utilidad:
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

de tratamiento significa que la alternativa de decisión con el mayor nivel esperado

se debe preferir la utilidad . Perdemos esta ventaja cuando usamos la esperanza de vida
Para el cálculo de H y B . La esperanza de vida no es una medida de preferencia a menos que
se supone que la vida en todos los estados finales es igualmente preferida. Sin embargo,
Dado que algunos pacientes no pueden participar en la evaluación de la utilidad, el médico puede
tienen que utilizar la duración de la vida en un estado de resultado para medir los beneficios y
costos de tratamiento.
Ejemplo : en nuestro ejemplo de ejecución de un paciente con sospecha de tumor cerebral,

el neurólogo puede usar la esperanza de vida para estimar p * porque el paciente
La enfermedad ha mermado su capacidad intelectual y no tiene familia inmediata.
Ella estima que la craneotomía por tumor tiene una tasa del 3% de perioperatorios
mortalidad, el 10% de todos los pacientes no tratados con un tumor cerebral sobreviven cinco años,
y el 63% de los pacientes tratados sobreviven cinco años. La vida normal del paciente
la expectativa es de 21 años. Usando la aproximación exponencial decreciente de la vida
expectativa (DEALE) (Sección 7.3 del Capítulo 7), ella estima lo siguiente
esperanza de vida:
Estado de tratamiento de la enfermedad Esperanza de vida
A+D+ 11,0 años

A-D+ 2,2 años
A-D- 21,0 años
A+D- 20,0 años
H = 21,0−20,0 = 1,0 años

B = 11,0−2,20 = 8,8 años
= 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
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
Dado que H y B son diferencias de utilidad, hacer suposiciones sobre la

las preferencias por la calidad de vida o la duración de la vida son innecesarias. Es más,

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
COSA SEGURA JUGAR
Mejor enfermedad
estado de tratamiento
(U = 1.0)
pag
Intermedio
tratamiento de enfermedades
estado (U =?)
1− p Peor enfermedad
estado de tratamiento
(U = 0)
Figura 9.17 Evaluación directa de la utilidad para un estado de tratamiento de enfermedad.
refleja los hechos médicos. Se obtienen las probabilidades en los nodos de azar

de la experiencia del médico o de la literatura médica. Una representación de

el resultado del estado de tratamiento de la enfermedad D + A + se muestra en la Figura 9.18. los
el paciente experimentará uno de los tres resultados posibles:
• muerte perioperatoria por cirugía;
• muerte por tumor cerebral incurable (esperanza de vida de dos años);
• esperanza de vida normal, aunque con debilidad residual del lado izquierdo que
la cirugía no curó.
Este enfoque simplifica enormemente el problema de evaluar el paciente
utilidad. Los resultados, sus interrelaciones y sus probabilidades son
explícito. La utilidad de cada uno de estos resultados se evalúa con bastante facilidad con el
evaluación directa que se muestra en la Figura 9.19.
Después de evaluar las utilidades para cada resultado, el médico las coloca en
los árboles que representan los estados de tratamiento de la enfermedad y calcula el esperado
utilidad del estado de tratamiento de la enfermedad.
Al desagregar un estado de tratamiento de enfermedad complejo en su componente
resultados, los escenarios de evaluación de la utilidad pueden describir un solo estado de salud
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
COSA SEGURA JUGAR
LE normal con estable

hemiparesia
(U = 1.0)
pag
Muerte por tumor cerebral

en 2 años (U =?)
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.

Para evaluar la probabilidad de umbral de tratamiento, siga una secuencia de cinco

pasos:
Paso 1: identificar los resultados para cada estado de tratamiento de la enfermedad. Si una enfermedad
El estado de tratamiento tiene más de un resultado, haga lo siguiente:
1. Cree un árbol para representar los eventos fortuitos que conducen a la salida
llega.
2. Asigne una probabilidad a cada evento fortuito.
Paso 2: Evalúe la utilidad de cada estado de resultado identificado en el Paso 1:
1. Enumere cada estado de resultado.
2. Clasifique los estados de resultado en orden de preferencia.
3. Asigne una utilidad de 1.0 al resultado más preferido y una utilidad
de 0 al resultado menos preferido.
4. Cree una apuesta de referencia estándar para cada resultado intermedio.
5. Cree un escenario para el estado del resultado.
6. Para cada apuesta de referencia estándar, evalúe directamente las condiciones
por la indiferencia entre la apuesta y lo seguro. Por lo general,
este paso significa determinar la probabilidad de indiferencia del paciente.
7. Resuelva la utilidad desconocida en cada juego de referencia estándar.
Paso 3: Utilizando los árboles del Paso 1 y las utilidades del Paso 2, calcule el
utilidad esperada de cada estado de tratamiento de la enfermedad
U [ D + A +] U [ D + A -]
U [ D - A -] U [ D - A +]
(a) Si el estado de tratamiento de la enfermedad tiene solo un resultado, use la utilidad

de ese estado de resultado, según lo medido en el Paso 2.
Página 282
(b) Si el estado de tratamiento de la enfermedad tiene varios resultados, sustitúyalo

sus utilidades (medidas en el Paso 2) en el árbol (del Paso 1)
que representa el estado de tratamiento de la enfermedad. Calcule lo esperado
utilidad del estado de tratamiento de la enfermedad mediante el cálculo de la esperada
utilidad en cada nodo de oportunidad, trabajando de derecha a izquierda en el árbol.
Paso 4: Calcule los daños netos ( H ) y los beneficios netos ( B ) del tratamiento:
B = U [ D + A +] - U [ D + A -]
H = U [ D - A -] - U [ D - A +]
Paso 5: Calcule la probabilidad del umbral de tratamiento
H
pag=
H+B
Ejemplo: aplicación al paciente con sospecha de tumor cerebral

Para ilustrar el Método 2 para estimar el umbral de tratamiento, volvemos a nuestra
ejemplo corriente del paciente del neurólogo con hemiparesia progresiva
(debilidad de un lado del cuerpo) y dolor de cabeza.
Paso 1 Identificar los resultados para cada estado de tratamiento de la enfermedad

D - A -: No tiene un tumor y no será necesaria una cirugía. los
la hemiparesia se estabilizará y vivirá su vida útil restante de 21

años. El único resultado de este estado de tratamiento de la enfermedad es:

• hemiparesia estable y duración normal de la vida.
D + A -: No se realiza ninguna operación. A medida que pasa el tiempo, tu debilidad y

el dolor de cabeza empeora y se hace evidente que tienes un cerebro incurable
tumor. Después de unos dos años de empeoramiento de los dolores de cabeza y la debilidad, resbala
en coma y morir. El único resultado de este estado de tratamiento de la enfermedad es:
• Hemiparesia progresiva y muerte en dos años.
D - A +: se realiza una cirugía cerebral y hay un 9% de probabilidad de dejar el

hospital vivo. La operación demostrará que no tiene un tumor cerebral.
Por lo tanto, si sobrevive a la operación, tendrá una vida útil normal de
21 años. Su hemiparesia se estabilizará después de la cirugía. Esta enfermedad-tratamiento
el estado tiene dos resultados:
• muerte perioperatoria;
• hemiparesia estable y duración normal de la vida.
Este estado de tratamiento de la enfermedad tiene más de un resultado y debe ser
representado por el árbol que se muestra en la Figura 9.20.
D + A +: Se requiere cirugía cerebral, pero hay un 97% de probabilidad de dejar el

hospital vivo. Si la cirugía no cura el tumor, la esperanza de vida es de 2 años,
y la hemiparesia empeorará gradualmente. Si la cirugía cura el tumor,
la esperanza de vida es de 21 años y la hemiparesia se estabilizará o mejorará.
Página 283
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
Este estado de tratamiento de la enfermedad tiene tres resultados:

• muerte perioperatoria;
• no se cura el tumor cerebral: hemiparesia progresiva y muerte en dos años;
• curación de un tumor cerebral con hemiparesia estable y duración normal de la vida.
Usamos este estado de tratamiento de la enfermedad anteriormente como ejemplo del Método 2.
La figura 9.21 muestra el árbol.
Paso 2 Evaluar la utilidad de cada estado de resultado identificado en el Paso 1

• Enumere y clasifique los resultados y asigne una utilidad de 1.0 al más preferido
resultado y 0 al resultado menos preferido.
Esperanza de vida Estado clínico Operación Utilidad
21 años Hemiparesia estable No 1.0

21 años Hemiparesia estable sí ?
2 años Hemiparesia progresiva No ?
2 años Hemiparesia progresiva sí ?
0 años Muerte perioperatoria - 0

• Cree una apuesta de referencia estándar para cada estado intermedio.
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
COSA SEGURA JUGAR
Sin operación, estable

Hemiparesia
LE = 21 años
pag (U = 1.0)
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.
Ilustraremos el proceso de evaluación de la utilidad para uno de los intermedios

estados de resultado: sin operación y hemiparesia progresiva con muerte en
dos años desde el tumor cerebral. La apuesta de referencia estándar se muestra en
Figura 9.22.
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
El resto de utilidades de los estados intermedios se muestran en la siguiente tabla:
Esperanza de vida Estado clínico Operación Utilidad
21 años Hemiparesia estable * No 1.0

21 años Hemiparesia estable sí 0,98
2 años Hemiparesia progresiva No 0,25
2 años Hemiparesia progresiva sí 0,23
0 años Muerte perioperatoria - 0
* 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.
Paso 3: Calcule la utilidad esperada de cada estado de tratamiento de la enfermedad:
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).
Estado de tratamiento de la enfermedadUtilidad

(D - ) Estado de tratamiento de la enfermedadUtilidad
(D + )
U [ D - A -] 1.0 U [ D + A +] 0,57
U [ D - A +] 0,95 U [ D + A -] 0,25
Paso 4 : Calcule los daños netos ( H ) y el beneficio neto ( B ) del tratamiento:
H = U [ D - A -] - U [ D - A +] = 1.0 - 0.95 = 0.05

B = U [ D + A +] - U [ D + A -] = 0,57 - 0,25 = 0,32
Paso 5 : Calcule la probabilidad del umbral de tratamiento:
H 0,05
pag= = = 0,135
H+B 0,32 + 0,05
Página 286
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
UE = (.97 .98) + .03 0 = .95
Sobrevivir
cirugía
LE U normal = 0,98
p = .97
U [D − A +]
Perioperatorio
muerte
U=0
p = .03
Figura 9.23ayb Cálculo de la utilidad esperada de los estados de tratamiento de la enfermedad.
Comentario : Así, según este análisis de un dilema muy difícil, el

neurólogo debe recomendar el tratamiento si la probabilidad clínica de cerebro
tumor es 0,135 o más. Por debajo de esa probabilidad, la espera vigilante es para
vea si la condición es estable o progresa en el próximo mes. Este último
aumentar la probabilidad de un tumor cerebral.
El lector podría preguntarse si el neurólogo debería preguntarle al neurocirujano
realizar una craneotomía en su paciente. La probabilidad de umbral de tratamiento
es de 0,135, y la probabilidad de tumor es de aproximadamente 0,25, según la
historia y examen físico. La cirugía parece ser la mejor para el paciente
intereses. Aunque a los neurocirujanos no les gusta realizar una craneotomía cuando
la probabilidad de encontrar un tumor es solo del 25%, la craneotomía estaría indicada
si no se pudo obtener otra información, dadas las preferencias del paciente
por los resultados que enfrenta. De hecho, se podrían realizar pruebas de diagnóstico.
Si estas pruebas fueran negativas, la probabilidad de tumor podría estar por debajo del
umbral de tratamiento, y realizar una craneotomía no estaría en el
los mejores intereses del paciente.
La evaluación directa de las utilidades del paciente requiere el mayor esfuerzo de cualquier
de los métodos para estimar la probabilidad de umbral de tratamiento. Cuando

la decisión implica un riesgo y un costo sustanciales, una comprensión de la

Las preferencias del paciente son muy importantes. El médico puede entonces acercarse a un
decisión difícil con la confianza de que elegir la alternativa de decisión con
Página 287
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.
9.7 Tener en cuenta la utilidad de experimentar una prueba
Este capítulo se basa en el principio fundamental de que las pruebas deben

obtenido solo cuando los resultados podrían alterar el manejo del paciente. Otros factores
puede influir en la decisión de realizar una prueba de diagnóstico:
• El costo de la prueba : el seguro médico está ampliamente disponible y los pacientes
por lo general, no tiene que pagar el costo total de una prueba de diagnóstico. Más
Los planes de seguro tienen un acuerdo de copago mediante el cual el paciente
paga una fracción del gasto de los servicios. El costo será un factor si el

Página 288
el paciente debe pagar la totalidad o parte de la prueba. Independientemente de quién pague, el

La ética del profesionalismo en la medicina reconoce ahora que el médico
tiene la obligación de tener en cuenta los costos, no solo para uno de sus pacientes,
pero, en el marco de recursos sociales limitados para el cuidado de la salud, también para
sociedad en su conjunto.
• La necesidad de tranquilidad del paciente : una prueba puede estar justificada solo porque
parece especialmente probable que el paciente se beneficie de la tranquilidad de que el
El resultado de la prueba puede proporcionar. Si el paciente parece especialmente preocupado o pregunta
Para que se realice una prueba, el primer paso es dar garantías verbales adicionales.
Si la tranquilidad y la explicación del valor limitado de la prueba fallan ambas
para aliviar la preocupación del paciente, se puede solicitar la prueba. Sin embargo,
el clínico no tiene la obligación ética de ordenar una prueba contra ella mejor
juicio sobre lo que es mejor para el paciente. Algunos irían más lejos y
argumentan que ordenar una prueba inútil desperdicia recursos sociales.
• '' Medicina defensiva '': este libro aborda la toma de decisiones desde
perspectiva del paciente. Sin embargo, los médicos a veces tienen en cuenta
sus propios intereses al solicitar una prueba. Preocupación por el indiscriminado
Las reclamaciones por negligencia a veces llevan a los médicos a solicitar pruebas de diagnóstico.
cuando creen que la posibilidad de una anomalía clínicamente significativa
está por debajo de lo que puede justificarse clínicamente. La mejor defensa
contra una demanda por negligencia exitosa es una evaluación clínica cuidadosa,
incluyendo pruebas de diagnóstico cuando estén médicamente indicadas, discusión con el
paciente, la familia y los colegas, y documentación clara de los hallazgos,
evaluación y consulta.
• Efectos desagradables de la prueba : muchas pruebas provocan efectos adversos no mortales,
incluyendo sangrado, malestar durante el procedimiento o psicológico
estrés.
Usamos la Ecuación 9.5, repetida aquí, para calcular la utilidad esperada de hacer
una prueba:
UE [Prueba] = P [ D ] × TPR × U [ D + A +] + P [ D ] × (1 - TPR) × U [ D + A -]

+ (1 - P [ D ]) × FPR × U [ D - A +] + (1 - P [ D ]) × (1 - FPR)
× 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
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
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.
Reducir el rango de probabilidades dentro del cual la prueba es la preferida.

opción:
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.
Evaluar la utilidad de someterse a una prueba

El escenario para evaluar la utilidad de una prueba para el paciente ( U ( T )) debe describir la
aspectos agradables y desagradables de la prueba. El paciente debe entonces considerar
la apuesta estándar genérica que se muestra en la Figura 9.27.
Por la experiencia de someterse a una resonancia magnética de la cabeza antes de la cirugía.
para sospecha de tumor cerebral, la apuesta de referencia estándar tendría la
apariencia que se muestra en la Figura 9.28.
La descripción de la resonancia magnética incluiría el riesgo de muerte (nulo) y
complicaciones (muy bajas) y sentimientos desagradables (principalmente claustrofobia
de tener que acostarse en un cilindro largo, estrecho y ajustado dentro de un gran ruido
máquina durante 15 a 20 minutos).
Página 290

Sin tratamiento Prueba Tratar
DESAGRADABLE
PRUEBA
Sin tratamiento Prueba Tratar
p1 p2
Figura 9.26 Efecto de una prueba desagradable en el rango de probabilidades dentro del cual la prueba es la
opción preferida.
COSA SEGURA JUGAR
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.
COSA SEGURA JUGAR
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
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

espacio. Dada esta experiencia y la situación clínica, el paciente puede decidir

que tomaría hasta un 0,2% de probabilidad de muerte para evitar este procedimiento y
todavía tengo la información que proporcionaría. Desde la indiferencia del paciente
probabilidad es 0.002, su utilidad para someterse a la prueba sería 0.998. los
diferencia entre su utilidad para someterse a la prueba y conocer los resultados
(0,998) y su utilidad para conocer los resultados sin someterse a la prueba
(1.0) es −0.002, la utilidad de la prueba. Dado que la experiencia de hacerse la prueba es
indeseable, U ( T ) tiene un signo negativo.
La mayoría de las pruebas son prácticamente libres de riesgos y no producen muchas molestias.
Los pacientes no se arriesgarían a morir para evitar estas pruebas. Por tanto, su desutilidad es
insignificante y puede ser ignorado. Tal sería sin duda el caso de una TC
escaneo de la cabeza.
9.8 Un caso clínico: selección de pruebas para sospecha

Tumor cerebral
Para ilustrar la selección e interpretación de las pruebas de diagnóstico, vamos a
utilizar probabilidades de umbral para seleccionar pruebas para el paciente del neurólogo con
dolor de cabeza y hemiparesia progresiva (debilidad de un lado del cuerpo). Esta
La probabilidad de tumor cerebral antes de la prueba del paciente es 0,25. Como se describe en la Sección
9.6 de este capítulo, la probabilidad de umbral de tratamiento, determinada por el
las utilidades del paciente para los estados de tratamiento de la enfermedad es de 0,135. Aunque el pre
la probabilidad de la prueba excede el umbral de tratamiento, el diagnóstico está en duda y
el tratamiento para el diagnóstico principal es un procedimiento quirúrgico mayor. Otro
los posibles diagnósticos incluyen absceso cerebral, aneurisma cerebral, metástasis cerebral,
enfermedad desmielinizante (esclerosis múltiple) y quiste cerebral. Intuitivamente, una prueba
parece indicado.
La primera opción lógica para una prueba de diagnóstico en esta situación es una resonancia magnética de
la cabeza. Esta prueba ha reemplazado a la tomografía computarizada de la cabeza por sospecha de tumor cerebral.
El rendimiento de la resonancia magnética en un tumor cerebral es difícil de determinar
con certeza. Para este ejemplo ilustrativo, el autor obtuvo esta información
de un neurocirujano que se especializa en el tratamiento de tumores cerebrales:
• Sensibilidad de exploración de resonancia magnética (TPR) = 0,98
• Tasa de falsos positivos de resonancia magnética (FPR) (1-especificidad) = 0,03
Otros datos para este análisis son del ejemplo de las Secciones 9.6 y 9.7:
• H = U ( D - A -) - U ( D - A +) = 1.0−0.95 = 0.05
• B = U ( D + A +) - U ( D + A -) = 0.57−0.25 = 0.32
• El umbral de tratamiento (obtenido en la Sección 9.6) = 0,135
• La probabilidad previa a la prueba ( p ) = 0,25
• U ( T ) para la resonancia magnética es −0,002 (consulte la Sección 9.7).
Página 292
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
Probabilidad de tumor cerebral
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
Probabilidad de tumor cerebral antes de la prueba = 0,25

TPR de resonancia magnética = 0,98
FPR de la resonancia magnética = 0,03
Usando el teorema de Bayes,
P [tumor] × TPR
P [tumor si RM +] =
( P [tumor] × TPR) + (1 - P [tumor]) × FPR
P [tumor si RM +] = 0,92
El neurocirujano dice: "Preferiría no operar con este grado de

incertidumbre si es posible evitarlo. La resonancia magnética es la mejor prueba que tenemos.
Quizás deberíamos seguir al paciente de cerca durante las próximas semanas y ver
si su déficit neurológico progresa un poco. Eso me convencería de que

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.
9.9 Análisis de sensibilidad
Probar la estabilidad de un análisis de decisiones es esencial. En sensibilidad unidireccional

análisis, el médico sustituye el valor más bajo plausible por una variable y
recalcula la utilidad esperada de las opciones de decisión. El proceso se repite
para obtener el valor más alto plausible. Si la opción de decisión preferida sigue siendo la
Igualmente, la variable no es crítica para la decisión. Si cambia, la variable
es un impulsor de la decisión. Este proceso puede repetirse para todas las variables.
en el modelo. El análisis de sensibilidad es particularmente importante para probar la confianza
la valía del modelo cuando el análisis conduce a conclusiones inesperadas.
El análisis de sensibilidad para el modelo de umbral involucra las siguientes variables:
• la tasa de verdaderos positivos y la tasa de falsos positivos de la prueba;
• la probabilidad de enfermedad previa a la prueba;
• la probabilidad de tratamiento umbral;
• U ( T ), la utilidad de la prueba.
Análisis de sensibilidad bidireccional para la probabilidad previa a la prueba

y probabilidad de umbral de tratamiento
Un análisis de sensibilidad de dos vías se muestra en la Figura 9.30, que muestra la resonancia magnética
escanear para detectar sospecha de tumor cerebral. En un análisis de sensibilidad bidireccional para una decisión
análisis, el modelo calcula el valor esperado para las opciones de decisión para
cada combinación de dos variables. En la figura 9.30, las dos variables son
la probabilidad previa a la prueba y la probabilidad umbral del tratamiento. Figura 9.30
muestra el rango de valores para las dos variables en las que no se prueba-no se trata,
las opciones de prueba TEST y sin tratamiento tienen cada una el valor esperado más alto.
Página 294
1,00
sin tratamiento
sin prueba
0,90
0,80
0,70
0,60
0,50 PRUEBA
0,40
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
Probabilidad de umbral (%)
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.
Cada punto de la curva superior es un valor de p 2, que se calculó utilizando

Ecuación 9.11 con la probabilidad de umbral de tratamiento en el eje horizontal.
Cada punto de la curva inferior es un valor para p 1, que se calculó utilizando
Ecuación 9.10 con la probabilidad de umbral de tratamiento en el eje horizontal.
El espacio encerrado dentro de los ejes se divide en tres zonas. Cada punto
dentro del espacio corresponde a una combinación de probabilidad previa a la prueba y
probabilidad de umbral de tratamiento:
• Cuando la probabilidad previa a la prueba (eje vertical) excede p 2 para cualquier valor
de p *, el paciente debe recibir tratamiento sin pruebas previas. Por lo tanto,
El tratamiento está indicado para combinaciones de la probabilidad previa a la prueba y
la probabilidad de umbral de tratamiento que se encuentra en la zona superior izquierda.
• Cuando la probabilidad previa a la prueba es menor que p 1 para cualquier valor de p *, la
el paciente no debe recibir tratamiento. Por tanto, el tratamiento no está indicado
para combinaciones de la probabilidad previa a la prueba y el umbral de tratamiento
probabilidad que se encuentra en la zona inferior derecha.
• Para valores intermedios de la probabilidad previa a la prueba, la prueba debe ser
realizado. Por lo tanto, la prueba está indicada para combinaciones de la prueba previa.
probabilidad y la probabilidad de umbral de tratamiento que se encuentran en el medio
Página 295
zona. El área grande de la zona de prueba es consistente con la alta sensibilidad

y especificidad de la resonancia magnética para el tumor cerebral.
Para el caso del paciente cuya probabilidad previa a la prueba de tumor cerebral es
0,25 y cuya probabilidad de tratamiento umbral es 0,135 (indicado por un sólido
círculo), el médico puede confiar en recomendar una resonancia magnética, ya que
El círculo sólido que representa al paciente está lejos de los límites de la zona de prueba.
La figura 9.30 muestra que una resonancia magnética estaría indicada en una amplia gama de
probabilidades previas a la prueba y probabilidades de umbral de tratamiento.
Análisis de sensibilidad para la tasa de verdaderos positivos y la tasa de falsos positivos

del examen
Usando las ecuaciones 9.10 y 9.11, podemos extender el análisis de sensibilidad para tomar
tener en cuenta la incertidumbre en la tasa de verdaderos positivos y la tasa de falsos positivos de la
Imagen de resonancia magnética (Figura 9.31). La curva superior (cóncava hacia abajo) que está más cerca
a la línea de 45 grados representa p 2 con una tasa de verdaderos positivos de 0,87 y una tasa de 0,13
tasa de falsos positivos. La curva inferior (cóncava hacia arriba) que está más cerca de la
La línea de 45 grados representa p 1 con la misma combinación de rendimiento de prueba
medidas. Incluso si estos valores extremos se suponen para el verdadero positivo
tasa y tasa de falsos positivos de la resonancia magnética, la prueba todavía está indicada para un
amplio rango alrededor de los valores del paciente para la probabilidad previa a la prueba y la
probabilidad de tratamiento umbral.
Análisis de sensibilidad para la utilidad de la prueba.

La inutilidad de la prueba, U ( T ), puede afectar la decisión de realizar la prueba. Como se vio en

Figura 9.22, la actitud de un paciente hacia una prueba desagradable reduce el rango
de probabilidad de enfermedad para la que está indicada la prueba.
La relación entre U ( T ) y el rango de probabilidad de tumor cerebral
en el que se prefiere una resonancia magnética se muestra en la siguiente tabla, que fue
calculado usando las ecuaciones 9.10 y 9.11, sustituyendo varios valores para U ( T ):
UTAH] p1 p2 Rango de P [D] en el que

se prefiere la prueba
0 0,003 0,74 0,003 hasta 0,74

−0,005 0,018 0,61 0,018 hasta 0,61
−0,01 0.033 0,49 0,033 hasta 0,49
−0,02 0,063 0,23 0,063 hasta 0,23
−0,03 0,094 −0,02 Nunca
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
1,00
sin tratamiento
sin prueba
0,90
TPR = 0,98
FPR = 0,03
0,80
0,70
0,60 PRUEBA
TPR = 0,87 TPR = 0,87

0,50
FPR = 0,13 FPR = 0,13
0,40

0,30
TPR = 0,98
FPR = 0,03
0,20
0,10 Tratar
sin prueba
0,00
1 11 21 31 41 51 61 71 81 91 101
Probabilidad de umbral (%)
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.
la opción de prueba en un punto a la izquierda del punto cero en el eje horizontal,

lo que significa que siempre se prefiere la opción de tratamiento a la opción de prueba.

Resumen
1. Si el resultado de una prueba de diagnóstico no puede cambiar el tratamiento del paciente,

no hagas la prueba.
2. Para determinar si una prueba puede cambiar el tratamiento del paciente,
se requiere lo siguiente:
• la probabilidad de enfermedad previa a la prueba;
• la tasa de verdaderos positivos de la prueba ( P [+ | D ], TPR, sensibilidad);
• la tasa de falsos positivos de la prueba ( P [+ | no D ], FPR, 1-especificidad);
• la probabilidad del umbral de tratamiento ( p *).
3. El umbral de tratamiento ( p *) es una medida del equilibrio entre el
Beneficios del tratamiento para pacientes con la afección objetivo y los daños.
de tratamiento a otros pacientes. Discutimos varias formas de obtener el
probabilidad de tratamiento umbral:
Página 297
• una estimación subjetiva de p * usando la relación
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)
U ( T ) es la utilidad de someterse a la prueba. Tiene signo negativo si el

El efecto neto de la prueba es desagradable. Para muchas pruebas, es tan pequeño que
puede ignorarse, pero para pruebas desagradables puede ser lo suficientemente grande como para tener
un efecto significativo en el rango de probabilidades en el que la prueba es el
opción preferida.
6. Aplicación del modelo de umbral a la atención al paciente:
Paso 1: Estime la probabilidad de enfermedad previa a la prueba ( p ), utilizando el método
ods descritos en el Capítulo 3 (Figura 9.32).
Página 298
Prueba previa
P [D]
0 .50 1.0
Figura 9.32
Paso 2: Estime el umbral de tratamiento ( p *), usando uno de los cuatro

métodos descritos en una sección anterior de este capítulo. Estimar el
inutilidad de la prueba si es apropiado (Figura 9.33).
Tratamiento
umbral
Prueba previa
P [D]
0 .50 1.0
Figura 9.33
Paso 3: Calcule el umbral sin tratamiento-prueba ( p 1) y la prueba-

umbral de tratamiento ( p 2), utilizando p * y la tasa de verdaderos positivos (TPR) y
tasa de falsos positivos (FPR) de la prueba (Figura 9.34).
Tratamiento
umbral
Prueba previa
p1 P [D] p2

0 .50 1.0
Figura 9.34
Paso 4: Interpretación (Figura 9.35):

• No pruebe si la probabilidad previa a la prueba es menor que p 1 o mayor que p 2.
Página 299
El resultado de la prueba, positivo o negativo, no cambiará la estimación.

de probabilidad de enfermedad suficiente para cruzar el umbral de tratamiento y
por tanto, gestión de cambios.
• Prueba Si la probabilidad previa a la prueba se encuentra entre p 1 y p 2.
Tratamiento
umbral
Prueba previa
p1 P [D] p2
Sin prueba
Prueba Tratar
o trato
0 .50 1.0
Figura 9.35
Paso 5: Realice un análisis de sensibilidad para comprobar la estabilidad de su

conclusiones.
Bibliografía
Doubilet, P. (1983) Un enfoque matemático para la interpretación y selección de diagnósticos

pruebas. Toma de decisiones médicas , 3 , 177–96.
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.
Pauker, SG y Kassirer, JP (1975) Toma de decisiones terapéuticas: un análisis de costo-beneficio.

Revista de Medicina de Nueva Inglaterra , 293 , 229–34.
Un enfoque de umbral para la toma de decisiones terapéuticas.

Pauker, SG y Kassirer, JP (1980) El enfoque de umbral para la toma de decisiones clínicas.

Revista de Medicina de Nueva Inglaterra , 302 , 1109-17.
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
El propósito de este capítulo es ayudar al lector a comprender cómo los médicos

y los formuladores de políticas pueden incluir los costos de la atención médica en la toma de decisiones
para los pacientes. El capítulo tiene cuatro partes:
10.1 Los roles conflictivos del médico: defensor del paciente,
miembro de la sociedad y emprendedor 288
10.2 Análisis de costo-efectividad: un método para comparar
estrategias de manejo 291
10.3 Análisis de costo-beneficio: un método para medir el beneficio neto
de servicios médicos 298
10.4 Medir los costos de la atención médica 301
10.1 Los roles conflictivos del médico: defensor del paciente,

miembro de la sociedad y emprendedor
10.1.1 El médico como defensor del paciente

Uno de los roles del médico en la sociedad es ser un defensor del paciente.
Los pacientes individuales esperan que los médicos hagan lo mejor para ellos, incluso cuando
las necesidades de la sociedad entran en conflicto con las necesidades del paciente. Así, una mujer con
leucemia espera que su médico escriba una carta protestando por la negativa de la
programa de seguro médico del gobierno para pagar los costos de una prueba
tratamiento. A veces, las necesidades de la sociedad entran en conflicto con las necesidades del paciente.
Por lo tanto, el gobierno podría rechazar la apelación diciendo que gastar el dinero
sobre los programas para reducir el nacimiento prematuro es más importante para el público que
gastarlo en un tratamiento costoso y no probado para la mujer. Por lo tanto, tanto el
paciente y aquellos que pagan por la atención médica tienen interés en cómo un médico
practica la medicina.
El problema es mucho más complejo que la interacción entre tres partes:
el clínico, el paciente y la sociedad. La sociedad es una agregación de individuos,
y los valores de las personas pueden depender de si se benefician de un paciente
decisión de cuidado o si les cuesta dinero. El contribuyente que vota por
un senador que promete reducir el costo de los programas de salud del gobierno

288
Página 301
Análisis de costo-efectividad y análisis de costo-beneficio 289
puede convertirse en beneficiario de esos programas. El hombre que cambia de salud

que las compañías de seguros ahorren unos pocos dólares en costos de primas eventualmente
enferma e insiste en una prueba costosa que tiene pocas posibilidades de alterar
el curso de su cuidado.
Hasta ahora, el enfoque de este libro ha sido el paciente individual. El lector
ha aprendido a identificar la alternativa de decisión que maximiza la
utilidad esperada del paciente. Una visión del papel del clínico en la sociedad se sostiene
que el médico siempre debe elegir la acción que maximice la capacidad del paciente
utilidad esperada, aunque consume recursos que ya no están disponibles
para el cuidado de los demás. Por lo tanto, si el paciente está preocupado por una enfermedad rara pero grave
enfermedad, el médico debe solicitar una prueba costosa que reducirá la
incertidumbre de 1 en 1000 (0,001) a 1 en 10000 (0,0001). Según este punto de vista,
No es ético hacer un poco menos de lo que maximizaría la capacidad de su paciente.
utilidad para beneficiar a otra persona.
El clínico experimentado reconocerá que esta posición ética es irrealizable.
tic en la práctica, por muy vehemente que lo respalde en una conversación casual.
Imagínese en la siguiente situación común:
La unidad de cuidados coronarios está llena y la enfermera jefe acaba de llamarlo
un paciente en la sala de emergencias con un infarto agudo de miocardio. Ella
le recuerda que uno de sus pacientes ha estado en la unidad de cuidados coronarios
durante dos días con un pequeño infarto de miocardio. El esta bien y
tiene una perspectiva mucho mejor que los otros pacientes en el cuidado coronario
unidad. La persona en la sala de emergencias se beneficiará mucho más de
esa cama de la unidad coronaria que su paciente, por lo que la enfermera jefe le pregunta
para mover a su paciente.
Aunque es poco probable, su paciente podría tener una complicación de su miocardio.
infarto después de haber sido transferido a una parte con menos personal
del hospital, donde una complicación que podría manejarse con éxito
en la unidad de cuidados coronarios podría resultar fatal. Si tu única motivación es
Para maximizar la utilidad esperada de su paciente, debe mantenerlo en el
unidad de cuidados coronarios unos días más. Sin embargo, reconociendo que otros
tiene derecho de acceso a un recurso limitado, acepta transferir su
paciente. Ha tomado una decisión que maximiza la utilidad esperada de
los pacientes con infarto agudo de miocardio en el hospital.
Este ejemplo demuestra que los médicos suelen tomar decisiones que exponen
sus pacientes a un riesgo de daño ligeramente mayor con el fin de asegurar el mejor
uso de un recurso compartido.
La relación cambiante entre el pagador, el médico,

y el paciente
En la primera mitad del siglo XX, la mayoría de los pacientes asumieron el costo de la enfermedad.
de sus ahorros. El médico tuvo que renunciar a costosas pruebas de diagnóstico o
encontrar alternativas a los medicamentos costosos. El paciente y el médico eran socios en

Página 302
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.
10.1.2 Principios para la asignación de recursos escasos

Hay varios principios que pueden usarse para asignar un recurso escaso:
• Maximice los resultados de salud a cualquier costo : el médico tiene un profesional
deber nacional de maximizar el bienestar de su paciente. Gasto adicional
Los recursos pueden aumentar las posibilidades de supervivencia o recuperación funcional.
aunque levemente.
• Minimizar el costo : si se lleva al extremo, este enfoque a menudo daría como resultado
en resultados de salud deficientes.
• Maximice los resultados sin exceder los recursos disponibles : Gaste
recursos en atención médica siempre que el costo adicional por cada
unidad de beneficio es menor que la que se obtendría al usar el dinero en
de otra manera (como recreación).
El objetivo principal de este capítulo es describir dos formas de caracterizar
terize alternativas de decisión teniendo en cuenta sus costos. Los dos
métodos, análisis de costo-efectividad y análisis de costo-beneficio , a menudo son
se utiliza para ayudar a tomar decisiones para la asignación de recursos. Estos recursos pueden
ser propiedad conjunta (por los clientes de una compañía de seguros) o individualmente
(por una persona que debe hacer un copago por un servicio cubierto parcialmente por
seguro de salud).
Página 303

10.2 Análisis de costo-efectividad: un método para comparar

estrategias de manejo
El análisis de costo-efectividad es un método para comparar alternativas de decisión por

sus costos y efectividad relativos.
Definición de análisis de costo-efectividad : '' Un método diseñado para evaluar

los impactos comparativos de los gastos en diferentes intervenciones de salud ''
(Gold et al ., 1996).
De manera equivalente, el análisis de rentabilidad compara las estrategias de gestión

por una medida como el costo por unidad de producción, donde la producción es un resultado
tales como años adicionales de vida, utilidad o casos adicionales de recién detectados
enfermedad.
Tenga en cuenta que ambas definiciones contienen la palabra '' comparativa. '' Costo
El análisis de efectividad siempre compara estrategias . El método puede comparar dos
servicios por su costo-efectividad incremental , la diferencia en el costo dividido
por la diferencia en los resultados. El estándar de comparación puede ser otro
tratamiento o puede ser la atención habitual.
Al comparar dos tratamientos, el Tratamiento A y el Tratamiento B, el incremento
La rentabilidad mental del tratamiento A en relación con B es
costos con A - costos con B

CE incremental =
esperanza de vida con A - esperanza de vida con B
donde CE es rentabilidad
10.2.1 Uso del análisis de rentabilidad para establecer la política institucional

El análisis de costo-efectividad puede usarse para establecer una política que otros seguirán.
Considere el problema del administrador de una práctica grupal que debe
decidir entre tres estrategias para hacer frente a una enfermedad. Un consultor tiene
acaba de presentar al administrador la siguiente tabla:
Estrategia Costo Esperanza de vida
A $ 9400 19.60
B $ 10 000 19,64
C $ 10 000 19.28
El administrador señala de inmediato que elegir entre estas estrategias

requerirá un compromiso: la estrategia A es la menos costosa y la estrategia
B conduce a la supervivencia promedio más larga. Al decidir si el adicional
La efectividad de la Estrategia B vale el costo adicional, el administrador calcula
costo-efectividad incremental de la Estrategia B. La Estrategia B cuesta $ 600 más por
paciente que la Estrategia A y prolonga la vida dos semanas (0,04 años) más que
Estrategia A. El administrador niega con la cabeza con frustración. Se da cuenta de que
entiende el problema mucho mejor que antes de contratar al consultor,
pero todavía no sabe qué estrategia recomendar.
Página 304
El análisis de costo-efectividad ha proporcionado a este administrador

insight: ahora sabe que no tiene una opción clara. Para entender su
dilema, volvamos al principio y averigüemos cómo fue el análisis
realizado.
El administrador de una práctica grupal hospitalaria debe decidir si

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
El consultor utiliza la siguiente secuencia para realizar el análisis.
I. Definir el problema a resolver y los objetivos precisos.
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?
Los objetivos : Predecir las consecuencias de las tres estrategias analizando

los costos esperados y la supervivencia esperada para pacientes de 55 años. Si es posible,

identificar una solución dominante que maximice la supervivencia y minimice
costos. Si no existe una solución dominante, utilice la rentabilidad incremental
análisis para caracterizar las alternativas de decisión.
II. Definir las consecuencias de cada alternativa de decisión.

El consultor representa el problema mediante un árbol de decisiones en el que la probabilidad
bilidades y resultados son los identificados en la primera fase de su investigación.
Por conveniencia, los árboles para cada alternativa de decisión se muestran por separado.
radamente (Figuras 10.1, 10.2 y 10.3).
El analista identifica dos tipos de resultados: supervivencia y costos.
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.
Costos de tratamiento por paciente :

• Opción 1 : comprar equipo de ultrasonido
- tratamiento de ultrasonido exitoso: $ 2000
- la ecografía falla, se requiere cirugía: $ 2000 + $ 10 000.
• Opción 2 : Cirugía para todos los pacientes: $ 10 000.
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
Riesgo bajo → cirugía Morir

LE = 0, $ 10,000
P = 0,02
MANTENER STATUS QUO; OPERAR EN TODOS
Figura 10.1 Resultados de la operación dentro de la práctica en todos los pacientes con cálculos renales.
Página 306
Baja quirúrgica EE. UU. Exitoso p = .8

Riesgo → ¿NOSOTROS? LE = 20, $ 2,000
LE = 20, $ 12 000
OK p = .98
Estados Unidos falla → p = .02

Muere
LE = 0, $ 12 000
cirugía
EE. UU. Exitoso p = .8

LE = 20, $ 2,000
LE = 20, $ 12 000
OK p = .90
Alto quirúrgico
Riesgo → ¿NOSOTROS?
Muere
cirugía LE = 0, $ 12 000

ULTRASONIDO PARA TODOS
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
EE. UU. Exitoso

LE = 20, $ 4 000
p = .8
p = 0,2
LE = 20, $ 19 000
p = 0,2 OK p = .9
Alto riesgo →
referirnos para nosotros
Muere
cirugía LE = 0, $ 19 000
ENVÍENOS PACIENTES DE ALTO RIESGO PARA NOSOTROS EN LOS VECINOS

HOSPITAL; SI NOSOTROS FALLAMOS, HACER CIRUGÍA ALLÍ
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
III. Promedio y plegado del árbol de decisiones

Los resultados se muestran en la siguiente tabla:
Estrategias Costo esperado Esperanza de vida

de pacientes
Opción 1 : Compre ultrasonido para practicar $ 4000 19,86 años

Opción 2 : Envíe a los pacientes de alto riesgo a $ 9400 19.60 años
hospital vecino para ultrasonido
Opción 3 : operar en todos $ 10 000 19,28 años
¿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.

Operar en Comprar ultrasonido Pacientes de alto riesgo

todos para tu practica se envían a cerca
hospital
Costo esperado $ 10 000 $ 4000 $ 9400
Interpretación : La compra de la máquina de ultrasonido es la alternativa menos costosa.

tivo, presumiblemente porque la mayoría de los pacientes pueden ser tratados con ultrasonido y hacer
No requiere una operación quirúrgica de $ 10 000. Derivación de todos los pacientes al cercano
El hospital es caro debido a sus altos costos de ultrasonido y cirugía si
necesario.
Esperanza de vida : La esperanza de vida de los pacientes se obtiene promediando

y plegando los árboles de decisión, utilizando la esperanza de vida como medida
de resultado.
Operar en Comprar ultrasonido Pacientes de alto riesgo

todos para tu practica son enviados a
hospital cercano
Esperanza de vida 19,28 años 19,86 años 19.60 años
Interpretación : La compra de la máquina de ultrasonido lleva a la más larga

esperanza de vida, presumiblemente porque menos del 10% de los pacientes son
sometido al riesgo de muerte por cirugía. Por el contrario, muchos más pacientes
someterse a cirugía si se elige las otras dos alternativas de decisión.
Página 308
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:
Estrategias Costo promedio Esperanza de vida de

pacientes (años)
Opción 2 : comprar ultrasonido $ 10 000 19,64

para practicar

Opción 1 : enviar de alto riesgo $ 9400 19.60

pacientes a vecinos
hospital para ultrasonido
Opción 3 : operar en $ 10 000 19.28
todos
La situación ahora es bastante diferente. La alternativa menos costosa es

diferente a la alternativa que produce la mayor esperanza de vida para
pacientes. Ninguna de las opciones domina. El administrador puede elegir
la base del costo o la supervivencia, pero elige usar el costo incremental por
año de supervivencia , que es una medida de la rentabilidad. Primero, debe decidir
cuáles dos de las alternativas elegir.
La opción 3 es tan costosa como la opción 2 y más costosa que la opción 1. Opción 3
también conduce a una esperanza de vida más baja que la Opción 1 o 2, por lo que es inferior
a ambos, y la elección es entre la Opción 1 y la Opción 2. La Opción 2 es más
costoso que la Opción 1 pero menos efectivo, por lo que elegir entre ellos es difícil.
El administrador señala que la esperanza de vida de los pacientes será ligeramente mejor
si el consultorio compra su propia máquina de ultrasonido. Cuanto tendra
pagar para evitar la posible pérdida de vidas por realizar una cirugía en todos los
pacientes y enviar pacientes de alto riesgo al hospital vecino? Como sera
ese costo por años de vida ganados en comparación con otras decisiones que la práctica
Página 309
ha hecho recientemente? El costo promedio por procedimiento de compra del ultrasonido.

máquina cuesta solo $ 600 más que si los pacientes de alto riesgo fueran enviados a la otra
hospital. La rentabilidad incremental de la compra de la máquina de ultrasonido
se calcula de la siguiente manera:
costo (Opción 1) - costo (Opción 2)
CE incremental =
esperanza de vida con 1 - esperanza de vida con 2
$ 10000 - $ 9400 $ 600
CE incremental = = = $ 15 000 / YLS
19,64 años - 19,69 años 0,04
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

un análisis de costo-efectividad de una intervención se aplica a una población que

usa la intervención, el análisis usaría la utilidad promedio en el objetivo
población. La línea divisoria entre lo que es rentable y lo que no es rentable es
expresado realmente como costo por AVAC. En este ejemplo, los dos estados de resultados
son salud normal (U = 1.0) o muerte (U = 0), por lo que los años de vida salvados y los AVAC
ganado son los mismos.
10.2.2 Medicina plana de la curva

A menudo, se debe elegir entre varias formas de utilizar un servicio. Para
Por ejemplo, en la detección del cáncer de cuello uterino, se puede obtener un Papanicolau
frotis con cualquier frecuencia, desde cada tres meses hasta cada diez años o más.
Para ayudar a analizar este problema, algunos investigadores trazan el costo de adoptar
cada política en contra de su efectividad (Figura 10.4). Este tema es discutido por
Garber y Phelps (1997).
Este análisis muestra el pequeño incremento de la eficacia en relación con la
alto costo de un cribado más intensivo para este hipotético cáncer. Practicando
medicina con políticas que proporcionan un beneficio incremental relativamente pequeño para
el costo adicional a veces se denomina "medicamento de curva plana".
Página 310
1.0
0,8
Fraccionario
reducción
0,6
en riesgo de un
cáncer
0.4
0,2
0 3 6 10 15 30
Número de pruebas entre los 20 y los 50 años
Figura 10.4 Costos incrementales y efectividad incremental de varios métodos de detección

para un hipotético cáncer.
¿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.
10.3 Análisis de costo-beneficio: un método para medir

el beneficio neto de los servicios médicos

Definición de análisis de costo-beneficio : una comparación en la que los costos y

los beneficios de un servicio o servicios se expresan en las mismas unidades.
Para utilizar el análisis de costo-beneficio para comparar diferentes programas o políticas, el

El analista puede calcular los beneficios netos restando los costos de los beneficios ( B - C ).
Los analistas también utilizan la relación entre beneficios y costos para comparar políticas, aunque
El beneficio neto proporciona una justificación más fácil de explicar para tomar una decisión.
10.3.1 La distinción entre análisis de costo-beneficio

y análisis de rentabilidad
Muchas personas tienen dificultades para distinguir entre análisis de costo-beneficio
sis y análisis de rentabilidad. La distinción es bastante sutil pero es
muy importante.
Página 311
El análisis de costo-efectividad es útil para comparar alternativas, pero es

de lo contrario, una medida limitada para la toma de decisiones. Puede guiar la elección
entre alternativas (elija la que tenga la rentabilidad más favorable
proporción). Sin embargo, para decidir si vale la pena hacer alguna alternativa, uno debe elegir
un umbral arbitrario de rentabilidad. Por ejemplo, deberías tener
sin dificultad para elegir entre servicios cuyas relaciones de costo-efectividad son
$ 200 000 por año de vida salvado y $ 300 000 por año de vida. Para decidir si
de los servicios vale su costo, primero debe establecer un costo-efectividad
umbral (por ejemplo, $ 50 000 por año de vida ganado). Un umbral de rentabilidad es
arbitrario porque la unidad de medida de los costos (moneda) es diferente a la
unidad para medir la efectividad. Por tanto, las unidades de rentabilidad
no tener un significado natural y de sentido común que pueda servir como marco para
establecer un umbral.
Esta limitación se vuelve más clara cuando contrastamos la rentabilidad con
análisis de costo-beneficio , en el que la medida del beneficio y el costo es monetaria.
Debido a que las dos medidas tienen las mismas unidades (moneda), la diferencia
entre ellos tiene el sentido común, el significado del mundo real de ganancia o pérdida,
que es un criterio natural para decidir si vale la pena prestar un servicio.
El análisis de costo-beneficio es un método para decidir entre alternativas pero también
un método para decidir si vale la pena prestar un servicio. Otra ventaja:
elegir entre políticas con diferentes resultados es posible si los resultados
se puede transformar en la misma medida monetaria, como dólares.
10.3.2 Dar un valor monetario a la vida humana

Aunque el análisis de costo-beneficio es potencialmente muy poderoso, tiene una
retirarse. El costo generalmente se expresa en unidades monetarias (dólares, libras,
o yenes). Los resultados de un servicio también deben expresarse en unidades monetarias. los
El analista se enfrenta a un problema muy difícil: ¿cómo se asigna un valor monetario?
sobre los resultados de salud? El resultado de muchas pólizas son años adicionales de
vida saludable. Por lo tanto, para aplicar el análisis de costo-beneficio a los problemas médicos,
uno debe preguntarse, '' ¿Cómo se asigna un valor monetario a un año adicional de
vida? '' Los métodos para convertir los beneficios en términos monetarios no son
satisfactorio:
¿Cómo se valoraron las decisiones pasadas? El tamaño de una inversión de la sociedad en
un programa diseñado para salvar vidas y el número de vidas realmente salvadas es
una medida del valor que la sociedad le da a una vida. Sin embargo, estos

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
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.
Se le podría decir al sujeto:

Suponga que la probabilidad de que muera de un derrame cerebral es 0.01 durante
su vida restante. ¿Qué es lo máximo que estarías dispuesto a hacer?
pagar durante su vida por un programa que reduciría este riesgo en un 50%?
El sujeto podría responder: "$ 2000".
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

Análisis de costo-beneficio: porque los costos y beneficios de un programa son tanto

medidos en unidades de moneda, pueden expresar la compensación entre ellos
con una medida tangible que el público pueda comprender (ganancia o pérdida en unidades
de moneda).
Página 313
10.3.3 ¿Deberían los médicos tener interés en la relación costo-beneficio?

¿análisis?
Los problemas con la aplicación del análisis de costo-beneficio parecen remotos del día a día.
práctica. El clínico individual no se preocupa por asignar esfuerzos
entre programas para mejorar la salud de la comunidad. El clínico
La responsabilidad principal es velar por los intereses del paciente. sin embargo, el
Las opciones abiertas al médico pueden verse afectadas por las decisiones de asignación de recursos.
que se basan en análisis de costo-beneficio. Los formuladores de políticas deben lidiar con tales
métodos cuando intentan decidir si asignar los escasos recursos federales
a programas de cribado para detectar enfermedades en jóvenes o programas para tratar
Enfermedad crónica en personas mayores. Si los médicos quieren que los formuladores de políticas escuchen
ellos, deben comprender los métodos de los que dependen los formuladores de políticas y
ayúdelos a aplicar estos métodos al mundo de la práctica médica.
10.4 Medir los costos de la atención médica
El análisis de rentabilidad depende de insumos precisos. El más importante

concepto es que el costo de una intervención incluye tanto el costo de la
intervención en sí misma y los costos (o ahorros) posteriores que se producen porque
de la intervención. Por ejemplo, un análisis de rentabilidad del uso
de desfibriladores automáticos implantables incluye no solo el costo del
desfibrilador en sí, sino también el costo de toda la atención que se produce porque el
Se implantó un desfibrilador, incluidas las visitas de seguimiento y el tratamiento de los
plicaciones. Asimismo, un análisis de coste-efectividad de la terapia anticoagulante
prevenir un accidente cerebrovascular incluiría el ahorro de costes por cada accidente cerebrovascular prevenido.
Los costos debido a una intervención incluyen cambios en el uso de los siguientes
(Gold et al ., 1996, Capítulo 6):
• recursos de cuidado a la salud;
• recursos no relacionados con la salud (por ejemplo, transporte);
• tiempo informal del cuidador;
• el tiempo del paciente (por ejemplo, el tiempo necesario para someterse a un tratamiento).
De estos, el uso de recursos de atención médica suele ser el más importante.
componente de los costos. Sin embargo, para algunas intervenciones, otras categorías de costos
también puede ser importante. El analista debe evaluar la importancia relativa de
los diferentes tipos de costos según el caso. Drummond y col . (2005),
y Gold et al . (1996), proporcionan una cobertura completa de la estimación de costos.
Los capítulos 6 y 7 de Gold et al . libro son la fuente de este capítulo
marco para considerar costos y descuentos.
10.4.1 Los costos directos de la atención

Los costos directos de la atención incluyen el valor de los recursos utilizados para brindar un
intervención. El analista debe definir los recursos de manera amplia e incluir bienes
(p. ej., medicamentos, dispositivos), servicios (p. ej., costos laborales) y otros recursos (consulte Gold
et al ., 1996, pág. 179). Los costos directos incluyen el costo de la intervención y el
costos de sus efectos adversos y consecuencias posteriores (buenas o malas). Por lo tanto,

Página 314
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
10.4.2 Costos de productividad

Los costos de productividad, a veces denominados costos indirectos, incluyen los costos
por trabajo perdido debido a enfermedad o muerte. Estos costos para la productividad ocurren
porque los pacientes no pueden utilizar su tiempo de forma rentable cuando reciben
servicios médicos. Los costos de productividad incluyen los salarios que los pacientes tendrían
recibieron pero no porque la enfermedad les impidió trabajar.
Directrices para la realización de análisis de rentabilidad en los Estados Unidos
(ver Gold et al ., 1996, págs. 181–3) sugieren que la evaluación de la calidad de
la vida debe tener en cuenta los sentimientos del paciente sobre la pérdida de productividad.
Por lo tanto, el analista no debe incluir los costos de productividad por separado en el
numerador de un análisis de costo-efectividad porque incluirlos, en
efecto, cuéntelos dos veces. Sin embargo, si las evaluaciones de la calidad de vida no
incluir las implicaciones de la disminución de la productividad, el analista puede optar por
Incluya los costos de productividad en el análisis.
El cálculo de los costos de productividad generalmente asume que el paciente está
un asalariado promedio. Por lo tanto, los analistas utilizan promedios específicos por edad y género.
valores de los salarios. Si bien este enfoque para valorar el tiempo es manejable, es
objetable porque los salarios, pero no necesariamente el valor del tiempo, varían según
edad y género, lo que lleva a infravalorar sistemáticamente el tiempo del
jóvenes y mujeres. Más detalles sobre este enfoque están disponibles en Gold
et al . (1996) y Drummond et al . (2005).
10.4.3 Descuentos de costes futuros

Algunos de los costos de una intervención pueden ocurrir en el futuro. La mayor parte de nosotros
preferiría pagar $ 100 dentro de 10 años que pagarlos hoy. Siempre y cuando el
tasa de interés de las inversiones supera la tasa de inflación, deberíamos invertir el
$ 100 y gana intereses durante 10 años en lugar de pagar los $ 100 hoy. Por lo tanto,
el valor de un costo futuro depende de cuándo se incurre en él. La mejor manera de
evitar confusiones es estimar todos los costos futuros como si se hubieran incurrido en
el presente. El descuento es el proceso para calcular el valor actual de
dinero que se gastará en el futuro. La tasa de descuento es la tasa anual a
qué dinero se descuenta. Argumentos teóricos sobre cómo elegir el
a pesar de la tasa de descuento, la mayoría de los analistas siguen las pautas actuales
en los Estados Unidos, que sugieren una tasa del 3% y tasas del 0% al 7% en
análisis de sensibilidad (ver Gold et al ., 1996, Capítulo 7). La tasa de descuento puede
necesitan revisión a medida que cambian las condiciones económicas.
El valor presente de un gasto futuro viene dado por la fórmula
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
1000 1000 = $ 508

P=
(1 + 0,07) 10 = 1,96
Página 316

Resumen
1. El médico tiene la obligación ética de ser el defensor del paciente.

Sin embargo, cuando los recursos son limitados, el médico a menudo tendrá que
tener en cuenta las necesidades de otros pacientes o de la sociedad en su conjunto.
La Carta del Profesionalismo (2001) es un documento de consenso que
enfatiza esta doble obligación.
2. Cuando los recursos son limitados, los médicos y los formuladores de políticas deben identificar
estrategias de gestión ineficientes y mejorarlas. Los métodos para
caracterizar la eficiencia se denominan `` análisis de rentabilidad '' y
''análisis coste-beneficio.''
3. El análisis de coste-efectividad es un método para comparar estrategias clínicas.
La base de comparación es la relación entre los costos de
las estrategias de manejo comparadas y su efectividad clínica.
Al carecer de un criterio de rentabilidad, no es posible decir si un
el servicio o la póliza es rentable.
4. El análisis de costo-beneficio mide los beneficios y costos netos en el mismo
unidades (generalmente moneda) y, por lo tanto, se puede utilizar para decidir si un
La estrategia de gestión o la política de salud pública serán de beneficio neto para
sociedad.
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:
DIU Anticonceptivo oral
Costo inicial $ 50 $ 30
Costo al año 1 $ 20 $ 30
Página 317
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
Drummond, MF, Sculpher, MJ, Torrance, GW, O'Brien, BJ y Stoddart, GL (2005)

Métodos para la evaluación económica de los programas de atención de la salud , 3a ed., Universidad de Oxford
Prensa, Oxford.
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.
Garber, AM y Phelps, CE (1997) Fundamentos económicos del análisis de rentabilidad.

Revista de economía de la salud , 16 ( 1), 1–31.
La base teórica, incluidas las ideas sobre la elección de un umbral de rentabilidad.
Gold, M., Siegel, JE, Russell, LB y Weinstein, MC (1996) Costo-efectividad en salud y

medicina , Oxford University Press, Nueva York.
Este libro sigue siendo la Biblia para el análisis de la rentabilidad.
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.
Este artículo analiza el papel potencial de la rentabilidad en la medicina.
Weinstein, MC y Stason, WB (1977) Fundamentos del análisis de costo-efectividad para la salud

y prácticas médicas. Revista de Medicina de Nueva Inglaterra , 296 , 716-21.
Una excelente introducción al análisis de costo-beneficio y costo-beneficio. La referencia

La lista contiene muchos artículos clásicos sobre la medición del valor monetario de una vida humana.
Página 318
Weinstein, MC, Fineberg, HV y colegas (1980) Clinical Decision Analysis . WB

Saunders, Filadelfia, págs. 228–65.
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
Análisis de decisiones médicas en la práctica:

métodos avanzados
El propósito de este capítulo es mostrar al lector cómo los conceptos cubrieron

en el libro se utilizan en análisis del mundo real. Estos análisis del mundo real son
mucho más complejo que los ejemplos utilizados en los capítulos anteriores, pero el

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
11.1 Una descripción general de las técnicas de modelado avanzadas
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.
307
Página 320
11.1.1 ¿Cuándo se necesitan enfoques de modelado avanzados?

La decisión sobre cuándo utilizar métodos más avanzados depende de la
problema de decisión. Los enfoques de modelado distintos de los árboles de decisión suelen
necesario cuando el problema clínico:
• requiere representar la historia natural de una enfermedad crónica (por ejemplo, cáncer);
• tiene eventos que ocurren en horizontes prolongados (p. Ej., Enfermedad cardíaca);
• tiene eventos que pueden ocurrir varias veces (por ejemplo, infecciones oportunistas en
personas que viven con el VIH);
• Requiere representar la transmisión de una enfermedad infecciosa (p. Ej., VIH,
tuberculosis, influenza);
• implica interacciones entre grupos (p. Ej., Pacientes y médicos en un
modelo que abordó cómo tratar a los pacientes de manera más eficiente);
• Implica limitaciones de recursos (por ejemplo, un número limitado de camas de hospital en un
modelo que abordó cómo clasificar a los pacientes en una pandemia de influenza).
Cada una de estas situaciones sería difícil de representar en un árbol de decisiones.
Para problemas complejos con horizontes a largo plazo, el árbol de decisiones
volverse demasiado grande. Para problemas que requieren interacciones de modelado a lo largo del tiempo
entre grupos, el árbol de decisiones no es adecuado porque no puede representar

tales interacciones.
11.1.2 Tipos de enfoques de modelado

Una variedad de marcos de modelado son adecuados para representar complejos
problemas de decisión médica. Todos los enfoques descritos aquí utilizan
Simulaciones matemáticas basadas en computadora. Los analistas pueden implementar estos
modelos en software desarrollados específicamente para el enfoque de modelado, en
software de programación más general, y para algunos de los enfoques, en
hoja de cálculo.
El tipo de modelo más común que se utiliza actualmente en medicina es el estado-
modelo de transición (ver Siebert et al ., 2012). Este término general describe varios
enfoques de modelado que definiremos y explicaremos brevemente. Interesado
Los lectores deben leer las publicaciones al final del capítulo para obtener más detalles.
y orientación sobre cómo desarrollar estos modelos.
Los modelos de transición de estado caracterizan los estados de salud de una enfermedad (p. Ej., VIH)
o de una epidemia (por ejemplo, la población en riesgo) como una secuencia de transiciones de
un estado de la naturaleza (o estado de salud) a otro. Por ejemplo, un estado de salud
modelo de transición de la historia natural de la infección por VIH en un individuo determinado
podría definir los estados de salud en términos de recuentos de linfocitos CD4 o ARN del VIH
niveles. Los analistas pueden utilizar modelos de transición de estado para estimar los cambios en
duración y calidad de vida y costos para una cohorte de personas que se someten
una intervención particular, ya sea preventiva o terapéutica. Permiten un
Realizando el recuento de todos los eventos clínicos, la cantidad de tiempo pasado en cada estado de salud.
estado, y los costos y la calidad de vida asociados con cada estado de salud.
Estos, a su vez, hacen posible calcular las medidas de rendimiento generales
como la esperanza de vida promedio, la esperanza de vida ajustada por calidad, el costo y
rentabilidad.
Página 321
Análisis de decisiones médicas en la práctica: métodos avanzados 309
Hay varios tipos de modelos de transición de estados. Modelos de Markov ,

introducidos en el Capítulo 7, son una clase especial de modelos de transición de estado. Ellos
son relativamente fáciles de especificar y se utilizan ampliamente. Como se explica en el Capítulo 7,
el supuesto de Markov especifica que la probabilidad de transición a otro
El estado depende solo del estado de salud actual. Porque la historia pasada es a menudo
importante en problemas clínicos, los estados de salud de Markov deben especificarse
con cuidado para evitar violaciones de la suposición de Markov. Por ejemplo, el
La probabilidad de recurrencia del cáncer de mama puede depender de cuántos años
han transcurrido desde el tratamiento. Para representar esta historia clínica en un Markov
Por lo tanto, el modelo a menudo requiere expandir el número de estados de salud. Un pecho
Es posible que el modelo de cáncer deba incluir un estado para cada año después del tratamiento inicial.
(por ejemplo, año 1, año 2, ... , año 20). Los modelos de Markov son muy útiles, pero si el
La historia clínica relevante es muy compleja, los modelos pueden requerir tantos
estados de salud que se vuelven difíciles de desarrollar, depurar y comprender.
En tales situaciones, otro enfoque es utilizar un estado de salud generalizado:
modelo de transición, a menudo llamado un `` modelo de transición de estado a nivel individual '', o
modelo de microsimulación . Estos modelos proporcionan un medio de modelado flexible
eventos a lo largo del tiempo cuando la historia clínica es compleja. En este marco,
el modelo comprende individuos específicos que tienen atributos particulares (tales
como edad y sexo) y puede tener una historia compleja (como una historia de
una enfermedad, tratamiento asociado y complicaciones). A medida que avanza el tiempo
el modelo, la historia de cada persona puede desarrollarse a medida que ocurren los eventos (por ejemplo, un
accidente cerebrovascular) de acuerdo con las probabilidades especificadas. Este enfoque permite complejos

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.
Otros tipos de modelos

También observamos dos enfoques de modelado adicionales que no caen en el
categoría de modelos de transición de estado. Los modelos de simulación de eventos discretos pueden
utilizado para una variedad de aplicaciones (ver por Karnon y colegas, 2012).
En estos modelos, las entidades (p. Ej., Un paciente) tienen atributos (p. Ej., Demográficos
Página 322
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.
11.1.3 Elección entre enfoques de modelado

La elección de un enfoque de modelado depende de los propósitos del análisis,
el problema en consideración y la experiencia del analista. Para algunos
problemas, pueden aplicarse varios enfoques diferentes. En el ejemplo nosotros
Pasaremos a lo siguiente, utilizamos un modelo de Markov para evaluar la rentabilidad
de la detección del VIH. Este problema también se puede analizar con microsimulación.
modelos, modelos de transmisión dinámica o modelos de simulación de eventos discretos.
La elección entre un modelo de Markov y un modelo de microsimulación depende
en gran parte por la complejidad de la historia y el número de estados de salud
requerido para representar el problema. Si la historia natural de la enfermedad o la
historia clínica, es muy compleja, puede ser preferible un modelo de microsimulación,
aunque los modelos de Markov y otros enfoques también pueden ser útiles. En el
ejemplo de detección del VIH en la siguiente sección, la detección y el tratamiento
El modelo de Markov tenía varios cientos de estados de salud. Aunque el modelo fue
aún manejable, un enfoque de microsimulación también habría sido una buena
opción. Los analistas a menudo encuentran que la complejidad del modelo y la salud

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
modelos sofisticados. En este nivel, la revisión por pares, un elemento esencial de

ciencia - se vuelve muy difícil.
En la siguiente sección, pasamos a un ejemplo extendido de un modelo de Markov
análisis basado en la salud y los resultados económicos de la detección del VIH.
11.2 Uso de conceptos de toma de decisiones médicas para analizar un

problema de política: la rentabilidad del cribado
para el VIH
En la segunda y tercera parte de este capítulo, ilustramos análisis de real-

problemas del mundo usando los conceptos cubiertos en el libro. El primer ejemplo es
un análisis de una pregunta de política: ¿Es rentable la detección sistemática del VIH?
Discutiremos varios aspectos del análisis, y los lectores interesados pueden
desea leer el artículo de revista de Sanders et al . (2005).
11.2.1 La cuestión de la política

El problema que evaluaremos es si la detección del VIH de rutina y voluntaria es
económico. Esta pregunta es importante porque, en el momento del análisis,
pautas nacionales para el cribado recomienda el cribado basado en el riesgo en muchos
ajustes. Las pautas recomendaban que los médicos evaluaran a las personas que habían
comportamientos que los ponen en mayor riesgo de infección por VIH (como tener
múltiples parejas sexuales o uso de drogas inyectables). Aunque este enfoque
Parecía que debería ser eficiente porque solo las personas con mayor riesgo
ser examinado, no había tenido éxito. Muchos pacientes de alto riesgo no fueron
examinados y, por lo tanto, fueron diagnosticados con el VIH muy tarde en el curso de
enfermedad cuando no pudieron recibir el máximo beneficio de los antirretrovirales
terapia. Una estrategia alternativa sería examinar a todos los pacientes, independientemente de
riesgo. Pero tal estrategia podría tener altos costos totales, y no se sabía
si el cribado de rutina de todos los pacientes sería rentable en relación con
practicar en ese momento.
11.2.2 Pasos del análisis

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
Tabla 11.1 Pasos para realizar un análisis.
1. Definir el problema, los objetivos y la perspectiva.

2. Identificar alternativas
3. Elija el marco de modelado
4. Estructurar el problema, definir eventos fortuitos, representar la secuencia de tiempo
5. Determinar la probabilidad de eventos fortuitos.
6. Valorar los resultados
7. Estimar costos
8. Reducir los costos y los resultados de salud de manera adecuada
9. Calcule el valor esperado (utilidad) y los costos de cada alternativa.
10. Calcular la rentabilidad, eliminar las alternativas dominadas.
11. Analizar incertidumbres
12. Abordar las cuestiones éticas
13. Discutir los resultados
Basado en datos de: Office of Technology Assessment, The Implications of

Análisis de rentabilidad de la tecnología médica , Congreso de EE. UU., 1980.
valor (utilidad) y costos de las alternativas, calcular la rentabilidad, analizar

incertidumbres, abordar cuestiones éticas y discutir los resultados.
Ilustraremos algunos de estos pasos en las siguientes secciones.
11.2.3 Definir el problema, los objetivos y la perspectiva

El problema es si la detección sistemática del VIH es rentable. El objetivo
del análisis es estimar los beneficios para la salud, los costos y la rentabilidad
de la detección del VIH. Evaluaremos este problema desde la perspectiva social,
que considera todos los beneficios y todos los costos, independientemente de quién se beneficie o
Quien paga.
11.2.4 Identificar alternativas y elegir el marco de modelado

Las alternativas que compararemos son el cribado voluntario de rutina de todos
pacientes que se presentan para recibir atención médica, y una estrategia en la que solo los pacientes
que presentaban síntomas o signos que sugerían que se realizaría la prueba del VIH.
Para elegir el marco de modelado, primero consideramos la historia natural
del VIH. Sin tratamiento, la infección por VIH causa la destrucción progresiva de
el sistema inmunológico y la susceptibilidad a las infecciones que hacen las personas sanas
No obtener. Estas infecciones, llamadas infecciones oportunistas, ocurren con el tiempo.
a medida que el sistema inmunológico se debilita. A partir de 2013, el VIH requiere de por vida

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
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.
11.2.5 Estructurar el problema, definir eventos fortuitos, representar el

secuencia de tiempo
Un análisis del cribado debe representar tanto los eventos relacionados con el cribado
y los eventos relacionados con el tratamiento que sigue a la detección. Debemos modelar
tratamiento porque el beneficio de la detección proviene del tratamiento, presumiblemente
tratamiento antes de lo que se prescribiría en ausencia de detección. Un
Por tanto, el análisis de la rentabilidad del cribado incluye los costes de
detección y los costos, beneficios y daños del tratamiento durante la vida de
el paciente.
Modelar el curso temporal de la enfermedad

Para comprender cómo el tratamiento afecta la duración y la calidad de vida con el VIH,
debemos modelar los eventos que ocurren durante la enfermedad del VIH. Como enfermedad del VIH
progresa, un cierto tipo de glóbulo blanco, llamado linfocito CD4,
disminuye en número, lo que refleja la destrucción progresiva del sistema inmunológico.
El VIH se replica rápidamente y los médicos pueden medir el ácido ribonucleico (ARN)
del virus en la sangre, que se llama carga viral. Si el antirretroviral del VIH
la terapia es exitosa, la replicación viral se detiene y la carga viral cae y
se vuelve indetectable en la sangre. Con una terapia antirretroviral exitosa,
Los recuentos de CD4 generalmente aumentan o permanecen estables, pero si comienza la replicación viral
de nuevo y no se controla, los recuentos de CD4 disminuyen. Infecciones oportunistas y
la muerte ocurre cuando el recuento de CD4 es bajo. Aunque no exploraremos
estos detalles además, el modelo real que usamos para analizar el cribado y
El tratamiento contenía estados de salud que representaban el estado de detección, recuento de CD4,
carga viral y regímenes de tratamiento antirretrovírico. Como se señaló, esta complejidad
resultó en un modelo de Markov con varios cientos de estados de salud. El técnico
apéndice del artículo publicado por Sanders et al . (2005) contiene más

detalles sobre el modelo.

Para ilustrar el concepto de modelar el curso de la enfermedad del VIH, Figura 11.1
muestra un esquema simplificado de un modelo de Markov de enfermedad y tratamiento
Página 326
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
Enfermedad
Expresar
VIH + Modelo de Markov
Tratamiento temprano
Poner en pantalla Prueba +

Hallazgo
VIH− Modelo de Markov
Tratamiento temprano
VIH de rutina
Política Poner en pantalla
Decisión VIH + Modelo de Markov
Sin tratamiento contra el VIH
Prueba−
VIH− Modelo de Markov

Sin tratamiento contra el VIH
Sin VIH Modelo de Markov

Poner en pantalla Tratamiento tardío
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
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
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
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

nodo en el árbol de decisiones. Aunque si alguien se somete a pruebas de detección es en realidad

una decisión, el modelo estándar de Markov solo tiene nodos de azar, no de decisión
nodos. Para evitar esta restricción, usamos el nodo de probabilidad para representar
poner en pantalla. Podemos modelar el cribado periódico estableciendo la probabilidad de
detección a 1 en los años en que ocurre la detección y 0 en los otros años, o
puede modelar la detección continua teniendo una probabilidad de detección cada año.
Personas identificadas como portadoras del VIH, ya sea mediante exámenes de detección o detección de casos
pueden comenzar el tratamiento antirretroviral si son elegibles. La figura 11.1 muestra
estados de salud asociados al tratamiento. Modelamos el beneficio del tratamiento como un
Reducción de la probabilidad de transición a estados más avanzados del VIH.
enfermedad o la muerte.
Nuestro siguiente paso es determinar la probabilidad de eventos fortuitos en el modelo.
11.2.6 Determinar la probabilidad de eventos fortuitos

Cuando el analista cree que la estructura del modelo representa adecuadamente
el problema clínico, el siguiente paso es especificar la probabilidad de eventos fortuitos
(ver el artículo de Briggs y colegas, 2012). Para hacerlo, el analista
revisar la literatura médica relevante. Este proceso requiere mucha mano de obra. los
modelo que utilizamos para evaluar la rentabilidad de la detección del VIH había
más de 80 parámetros, muchos de los cuales fueron hechos fortuitos.
Aunque es posible que el analista no pueda realizar una revisión completa
de la literatura para todos los parámetros del modelo, debe hacerlo para todos los
parámetros. Por ejemplo, la probabilidad de hacer la transición a una
La enfermedad por VIH para los pacientes que están en tratamiento depende de la eficacia
de la terapia antirretroviral. Para estimar las probabilidades relevantes, revisamos
la bibliografía disponible sobre la eficacia de la terapia antirretroviral. Esta
la tarea por sí sola requirió un esfuerzo sustancial. Otros parámetros importantes incluidos
la sensibilidad y especificidad de las pruebas utilizadas para el cribado, la probabilidad de
muerte por etapa de la infección por el VIH, la probabilidad de transmisión del VIH a
socios y la probabilidad de fracaso del tratamiento.
Dado que un modelo complejo puede tener muchos parámetros y una amplia
Una revisión exhaustiva de la literatura requiere mucho tiempo, ¿cómo puede un analista abordar este
tarea de manera eficiente? Para parámetros importantes, recomendamos que el analista
buscar revisiones sistemáticas de alta calidad y luego actualizar esas revisiones
selectivamente según sea necesario. El analista también puede buscar predicciones clínicas.
reglas que ayudan a estimar las probabilidades de entornos clínicos o factores de riesgo específicos
(ver Capítulo 3). También recomendamos utilizar el modelo al principio del proceso para
ayudar a determinar qué parámetros son cruciales para el análisis. Para hacer esto, el
El analista puede realizar una revisión preliminar de la literatura y consultar a expertos.
para obtener estimaciones aproximadas de los parámetros del modelo. El analista puede entonces usar
análisis de sensibilidad para determinar qué parámetros son los más importantes. los
Los análisis de sensibilidad pueden orientar el esfuerzo de la revisión bibliográfica posterior.
El analista puede usar este proceso de manera iterativa para usar los recursos de manera eficiente en el
revisión de literatura. El analista también debe apuntar a estimar una distribución de probabilidad
contribución para los parámetros importantes, en lugar de una estimación puntual única de la
Página 330
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.

11.2.7 Valorar los resultados

El analista ahora puede dedicarse a valorar los resultados. Podría usar cualquiera de los
métricas que hemos discutido en capítulos anteriores, incluida la esperanza de vida o
años de vida ajustados por calidad (AVAC). Elegimos utilizar los AVAC como nuestro principal
métrica porque el VIH y la terapia antirretroviral afectan tanto la duración como la calidad
de vida. Si usáramos solo la esperanza de vida, no capturaríamos el efecto de
detección y tratamiento, para bien o para mal, sobre la calidad de vida. Estimación de
Sin embargo, cómo la detección cambia la calidad de vida es un desafío, por lo que también utilizamos
esperanza de vida como resultado.
La calidad de vida es importante en el análisis de detección del VIH porque no se trata
El VIH reduce la calidad de vida, las pruebas de detección pueden reducir o aumentar la calidad de vida.
y el tratamiento, al menos para pacientes con enfermedad avanzada, aumenta la calidad
de vida. El efecto del cribado en sí mismo sobre la calidad de vida es complejo. Tú podrías
Imagine que una persona con infección por VIH asintomática podría sentir que su
La calidad de vida había disminuido al descubrir a través del cribado que
tenían VIH. Alternativamente, una persona con síntomas de VIH puede encontrar
mejorar la calidad de vida mediante una terapia eficaz. Estudios en la literatura
sugieren que ambos escenarios ocurren.
Para estimar los AVAC, tuvimos que especificar la calidad de vida asociada con
cada estado de salud en el modelo de Markov. Usando los estados de salud en la Figura 11.1 como
Por ejemplo, observamos que debemos estimar la calidad de vida de las personas que
no están infectados, y para las personas tanto dentro como fuera del tratamiento con asintomáticos
VIH, VIH sintomático y SIDA. Para ello, revisamos la literatura
para encontrar estimaciones de calidad de vida para estos estados de salud. Muchos estudios han
midió la calidad de vida con VIH basado en apuestas estándar, tiempo
compensaciones, y con otros instrumentos de evaluación de la calidad de vida, como el
índice de servicios públicos de salud y el EQ-5D. Véase el estudio de Joyce et al . (2009)
para un ejemplo de un estudio que utilizó todas estas evaluaciones de calidad de vida
instrumentos.
11.2.8 Estimar costos y resultados de descuento

Para estimar los costos asociados con una intervención, el analista debe
determinar el costo de la intervención en sí y los costos de cualquier posterior
atención que se produjo porque una persona decidió someterse a la intervención (ver
Capítulo 10). Incluimos estos costos posteriores porque son el resultado del uso
de la intervención; Estos costos posteriores no se habrían producido si el
no se ha realizado la intervención.
Para nuestro ejemplo de detección del VIH, este principio significa que debemos estimar
el costo de la detección y de toda la atención que sigue a la detección. Los costos de proyección
Página 331
incluir el costo de las pruebas iniciales y confirmatorias y el costo de los asociados

asesoramiento. El analista también debe incluir los costos de las pruebas de seguimiento o
tratamiento que resulte de un resultado de prueba falso positivo y, si hay alguno, el
costos de un resultado de prueba falso negativo. Los costos del tratamiento incluyen los costos de
exámenes, visitas al consultorio, procedimientos, medicamentos y hospitalizaciones.
Para un análisis que utiliza un modelo de Markov u otro modelo de transición de estado,
el analista debe asignar costos para cada estado de salud. Usamos la literatura para
Estime el costo de los estados de salud que se muestran en la Figura 11.1. El costo de la atención
aumenta a medida que avanza la enfermedad del VIH, por lo tanto, el costo anual para un paciente

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.
11.2.9 Calcular la utilidad, los costos y la rentabilidad esperados

Una vez que el analista ha especificado la probabilidad de eventos fortuitos, estima
costos, y valoró los resultados, puede analizar el modelo para calcular el esperado
utilidad, costos y rentabilidad. En un modelo de Markov, este análisis ocurre
diferente que en los árboles de decisión que evaluamos en capítulos anteriores.
Mientras que un árbol de decisión se evalúa promediando y retrocediendo el árbol desde
de derecha a izquierda (ver Capítulo 6), un modelo de Markov se evalúa como un
simulación que comienza en un momento específico y avanza en el tiempo hasta
se cumplen los criterios de parada predeterminados.
Para nuestro ejemplo de detección del VIH, podemos pensar en el modelo como un desempeño
dos simulaciones matemáticas: una para la estrategia de cribado y otra para
la estrategia No Screening. Consideremos primero la estrategia de cribado. los
El software para el modelo comienza el análisis en el tiempo 0 y, a medida que avanza el tiempo
hacia adelante, el modelo realiza un seguimiento de cuánto tiempo pasa una persona en cada
estado de salud. Por ejemplo, una persona puede pasar un año en el estado no infectado
antes de infectarse y luego progresar a través de cada uno de los estados de salud
asociado con la enfermedad del VIH. La persona sería diagnosticada con VIH.
(dependiendo de cuándo se realice la detección) y luego recibir tratamiento. En cada nuevo ciclo
del modelo de Markov, las personas permanecen en el mismo estado de salud o en transición
a otros estados de salud de acuerdo con las probabilidades de transición especificadas. Basado
sobre estas probabilidades de transición, el modelo determina la duración del tiempo
persona se encuentra en cada estado de salud. El modelo también da cuenta de la calidad de vida
y costos en los estados de salud. Para calcular la esperanza de vida, los AVAC y el total
costos, el modelo suma estos montos (con el descuento apropiado) sobre todos
los estados de salud. El modelo también realiza la misma simulación para el No
Estrategia de cribado.
Página 332
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.
11.2.10 Evaluar la incertidumbre

En el Capítulo 6, discutimos cómo hacer análisis de sensibilidad y por qué
son importantes. Ahora discutimos el análisis de sensibilidad en el contexto del VIH.
ejemplo de proyección.
El análisis de sensibilidad más importante del análisis de detección del VIH
evaluó cómo la rentabilidad del cribado cambiaba con la prevalencia
de infección por VIH no diagnosticada. La razón por la que este análisis fue importante es que
respondió una pregunta clínica clave. Los Centros para el Control de Enfermedades y
Prevención (CDC) guía de detección del VIH detección de rutina recomendada
Página 333
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
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.
11.2.11 Abordar cuestiones éticas, discutir resultados

El analista siempre debe considerar si las cuestiones éticas importantes son
pertinente al análisis. Las preguntas éticas pueden incluir si una política es justa
a todas las personas, si una póliza podría beneficiar a un grupo a expensas
del otro, si el análisis captura de manera justa los beneficios y los daños, y
si la política puede tener consecuencias no deseadas. Consideraciones éticas
dio forma a varios aspectos de la política de detección del VIH, incluidas las recomendaciones

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
11.3 Uso de conceptos de toma de decisiones médicas para analizar un

problema de diagnóstico clínico: estrategias para diagnosticar
tumores en el pulmón
Pasamos ahora a un ejemplo que evalúa un diagnóstico desafiante y

problema de tratamiento (este ejemplo se basa en el artículo de Gould et al ., 2003;
el lector puede consultar este artículo y su apéndice para obtener detalles del análisis,
supuestos, insumos y resultados). La pregunta es cuál es la mejor manera de evaluar y
Manejar una anomalía en una radiografía de tórax conocida como pulmón solitario.
nódulo. Un nódulo pulmonar solitario es una lesión circunscrita en un tórax.
rayos X y puede ser causado por cáncer de pulmón o por otros procesos patológicos,
como enfermedades infecciosas o inflamatorias. El clínico tiene muchas posibilidades
pruebas de diagnóstico para elegir. Este problema tiene mucho en juego para el paciente, ya que
El diagnóstico oportuno del cáncer es importante porque el tratamiento puede salvar vidas.
Alternativamente, un diagnóstico erróneo de cáncer podría resultar en innecesarios
cirugía u otros tratamientos.
11.3.1 Definir el problema, los objetivos y la perspectiva

El problema que abordaremos es la rentabilidad de la gestión alternativa.
estrategias de tratamiento para pacientes con un nódulo pulmonar solitario en la radiografía de tórax.
Las estrategias de manejo incluyen tanto la evaluación diagnóstica como la
tratamiento.
11.3.2 Identificar alternativas y elegir el marco de modelado

Las pruebas diagnósticas que consideraremos son la tomografía computarizada (TC), que
localiza el nódulo dentro del pulmón y tomografía por emisión de positrones
(MASCOTA). Las tomografías por emisión de positrones miden la tasa metabólica de los tejidos; porque maligno
los tumores tienen una tasa metabólica aumentada, las exploraciones PET también pueden distinguir el cáncer

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.
11.3.3 Estructurar el problema, definir eventos fortuitos, representar el

secuencia de tiempo
Comenzamos por definir la decisión inicial que debe tomar un médico, como se muestra en
Figura 11.4. Como se muestra en el nodo de decisión etiquetado con una A, las opciones
Página 336
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
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
el médico puede elegir entre imágenes con TC o PET, observación (vigilante

espera), cirugía inmediata o biopsia transtorácica. El árbol de decisiones en
La figura 11.4 muestra los eventos que podrían ocurrir después de cada una de estas opciones. Si
el médico elige realizar una tomografía computarizada, la exploración podría ser negativa (es decir,
indican que el nódulo es benigno) o positivo, lo que indica que el nódulo
es posiblemente maligno. Una tomografía computarizada no puede probar que un nódulo es maligno,
por lo que usaremos la frase "posiblemente maligno" para denotar una TC positiva.
Luego, el médico debe decidir qué hacer con los resultados de la tomografía computarizada;
el nodo de decisión etiquetado B muestra las opciones. El clínico puede elegir
observación, cirugía, biopsia o imágenes adicionales con PET. Si el clínico
elige más imágenes con PET, luego debe decidir qué hacer,
como se muestra en el nodo de decisión D, sobre los resultados de la PET. Figura 11.5
muestra los subárboles para biopsia y cirugía, que indican los eventos que pueden
ocurrir si el médico elige esas opciones.
Tenga en cuenta que la secuencia de tiempo de las decisiones está representada por su lugar
dentro del árbol de decisiones. Yendo de izquierda a derecha en la Figura 11.4, decisión
A ocurre primero, y las decisiones B, C y D ocurren posteriormente o no ocurren en absoluto,
dependiendo de la elección del médico para la decisión A. Podemos ver desde el árbol
esa decisión D se produce solo si el médico opta por obtener tanto la TC como la PET.
El árbol de decisiones captura la complejidad de las opciones a las que se enfrenta el médico.
Podemos evaluar 40 estrategias clínicamente plausibles, basadas en diferentes opciones.
en las decisiones A, B, C y D.
11.3.4 Determinar la probabilidad de eventos fortuitos

Como en nuestro ejemplo anterior, para determinar la probabilidad de eventos fortuitos, la
El analista debe buscar la literatura cuidadosamente, buscando la mejor información disponible.
evidencia, que generalmente se encuentra en revisiones sistemáticas, y predicción clínica
reglas para estimar las probabilidades en el modelo. Para este análisis, tuvimos que
determinar la probabilidad previa de que un nódulo pulmonar solitario sea maligno
dado el historial del paciente y las características del nódulo en la radiografía de tórax.
Otra información importante es la sensibilidad y especificidad del diagnóstico.
pruebas, y la probabilidad de los resultados de la cirugía y la biopsia, incluyendo
complicaciones. Combinamos los resultados de los estudios de sensibilidad y
especificidad de CT y PET para que podamos obtener las estimaciones más válidas de
prueba de rendimiento. También desarrollamos un modelo de la historia natural del pulmón.
cáncer, que incluía estimaciones de la tasa de crecimiento de tumores malignos,
la probabilidad de muerte por cáncer en diferentes etapas, y la probabilidad de

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).
11.3.5 Valorar los resultados

Debido a que el cáncer de pulmón afecta tanto la duración como la calidad de vida, decidimos
medir los resultados para el tratamiento de los nódulos pulmonares en los AVAC. Para hacerlo
estimamos la mortalidad por cáncer de pulmón, la efectividad del tratamiento,
Página 338
Complicaciones fatales
Muerto
Positivo (proceder a la cirugía)

No fatal Negativo (pasar a la observación)

Subárbol de biopsia Modelo de Markov
complicaciones
Cirugía
Biopsia Subárbol de cirugía
No diagnóstico
Complicaciones
hallazgos de la biopsia
Biopsia Observación
Modelo de Markov
Hallazgo
Positivo (proceder a la cirugía)

No Negativo (pasar a la observación)

Modelo de Markov
complicaciones
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.

11.3.6 Estimar costos y resultados de descuento

Evaluar la relación costo-efectividad de las estrategias de manejo de enfermedades pulmonares.
nódulos, estimamos los costos de las pruebas y alternativas de tratamiento. Estos
Página 339
incluir el costo de CT, PET, biopsia, cirugía, costos de complicaciones, el costo

del tratamiento del cáncer, incluido el costo de la atención de seguimiento y los costos a largo plazo
asociado con el cáncer y otras condiciones que causan nódulos pulmonares. Nosotros
También estimó los costos de la atención médica no relacionados con el cáncer que los pacientes
recibir durante su vida. Incluimos estos costos porque un tratamiento que
cambia la duración de la vida cambiará el costo de la atención no relacionada con el cáncer a lo largo de la vida.
11.3.7 Calcular la utilidad, los costos y la rentabilidad esperados

El análisis dio como resultado estimaciones de costos, esperanza de vida, AVAC,
y costo-efectividad de cada una de las 40 estrategias clínicas, en diferentes
Probabilidades de prueba. Aquí, nos centraremos en los principales conocimientos clínicos de
el analisis. Primero, la tomografía computarizada fue la mejor opción inicial a menos que la prueba previa
la probabilidad de cáncer fue superior a 0,9. Cuando la probabilidad previa a la prueba de
cáncer fue superior a 0,9, la cirugía fue la opción preferida. Segundo, el
La elección de la estrategia de manejo posterior después de la tomografía computarizada depende en gran medida
sobre la probabilidad de cáncer antes de la prueba. Es decir, las estrategias que fueron más
efectivo y rentable variado dependiendo de la probabilidad de preprueba de
enfermedad. Este hallazgo refuerza las lecciones de los capítulos anteriores sobre la
importancia de la probabilidad previa a la prueba en la interpretación de las pruebas de diagnóstico (ver
el artículo de Swensen y colegas (1977) sobre una regla de predicción clínica para
estimar la probabilidad de que un nódulo pulmonar sea maligno). En tercer lugar, PET, un
prueba muy cara, aún podría ser rentable, si los médicos la utilizaran de forma selectiva.
La figura 11.6 muestra la siguiente prueba preferida después de CT basada en la prueba previa.
probabilidad de enfermedad. El panel superior de la tabla muestra la siguiente prueba después de una
resultado de TC positivo (posiblemente maligno), y el panel inferior muestra el siguiente
prueba después de un resultado de TC negativo (benigno). Con bajas probabilidades previas a la prueba (0,05 a
0.1), después de un CT positivo, la probabilidad posterior a la prueba es suficientemente alta (0.10 a
0,20) que se prefiere la biopsia (panel superior). En probabilidades previas a la prueba entre
0,10 y 0,55, se prefiere la PET como prueba siguiente después de una TC positiva. En mayor
probabilidades previas a la prueba, se prefiere la cirugía sin más pruebas. A diferencia de,
si con bajas probabilidades previas a la prueba (0,05 a 0,10), CT es negativo, entonces la posprueba
probabilidad de cáncer es menor de 0.01, y se prefiere la espera vigilante, ya que
que se muestra en el panel inferior de la Figura 11.6.
Los resultados del análisis se resumen en un algoritmo clínico en
Figura 11.7. El algoritmo estratifica a los pacientes según la probabilidad previa a la prueba como baja
(0,1 a 0,5), intermedio (0,51 a 0,76) y alto (0,77 a 0,9), y muestra la
secuencia preferida de pruebas y tratamiento. Por ejemplo, para un paciente con
baja probabilidad previa a la prueba, un resultado posiblemente maligno en la TC es seguido por PET.
Si la PET es positiva, la cirugía es la mejor opción. Si la PET es negativa, aguja
La biopsia es la mejor opción para garantizar que el resultado de la PET no sea un falso negativo. Un
El algoritmo es una buena forma de mostrar los resultados de un análisis complejo.
11.3.8 Evaluar la incertidumbre

Los análisis de sensibilidad mostraron que la probabilidad de cáncer previa a la prueba, la
sensibilidad de la TC, el rendimiento diagnóstico de la biopsia y la utilidad de la vigilancia

Página 340
Secuencia de prueba recomendada: posibles resultados de TC maligna
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 (%)
Secuencia de prueba recomendada: resultados de CT benignos
Vigilante FDG- Cirugía

Próxima prueba después de la TC: Biopsia
Espera MASCOTA
(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
<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).
esperar podría afectar la opción preferida en diferentes etapas de la gestión

del paciente con nódulo pulmonar solitario.
El análisis de sensibilidad en una y dos variables puede proporcionar información clave sobre
los efectos de la incertidumbre en la toma de decisiones. Sin embargo, para la mayoría de los análisis,
El valor real de muchos parámetros del modelo es incierto. Para abordar este problema,
el analista puede realizar análisis de sensibilidad probabilísticos. Probabilistic sensi-
El análisis de actividad evalúa el impacto de la incertidumbre sobre muchos o todos los modelos.
parámetros simultáneamente. Para hacer tal análisis, el analista debe estimar
distribuciones de probabilidad para cada parámetro importante del modelo. En el análisis,
el software selecciona aleatoriamente un valor para cada parámetro de su distribución,
y evalúa el modelo en función del conjunto de parámetros elegido para estimar
costos, beneficios y rentabilidad. Este proceso luego se repite 1000 para
10000 veces, cada vez con un nuevo conjunto de valores para los parámetros del modelo,
con cada valor elegido al azar de la distribución de probabilidad de la
parámetro. El resultado del análisis de sensibilidad probabilístico es una estimación
de costos, beneficios y rentabilidad (en relación con el siguiente mejor

Página 341
Nuevo nódulo no calcificado

visto en la radiografía de tórax
Evaluar la prueba previa

probabilidad
Prueba preliminar
Bajo Alto
Probabilidad
Intermedio
Connecticut Connecticut Connecticut
Connecticut Connecticut Connecticut

Recomendaciones Recomendaciones Recomendaciones
Benigno No benigno Benigno No benigno Benigno No benigno
Biopsia con aguja o Biopsia con aguja o Cirugía o

FDG-PET FDG-PET Cirugía
espera vigilante espera vigilante biopsia con aguja
FDG-PET FDG-PET
Recomendaciones Recomendaciones
Negativo Positivo Negativo Positivo
Biopsia con aguja o Cirugía o

Biopsia con aguja Cirugía
espera vigilante biopsia con aguja
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

11.3.9 Abordar cuestiones éticas, discutir resultados

La lección importante de este ejemplo es que los modelos de decisión pueden ayudarnos
comprender los problemas complejos de diagnóstico y tratamiento. Cómo evaluar
y tratar un nódulo pulmonar es complicado porque el médico puede elegir
a partir de varias pruebas de diagnóstico, que se pueden realizar en diferentes secuencias, y
de varias opciones de tratamiento. El análisis nos ayudó a elegir el más eficaz
estrategias rentables y rentables de entre 40 opciones clínicamente plausibles.
El ejemplo también muestra cómo los conceptos de sensibilidad, especificidad y
La probabilidad previa y posterior a la prueba son esenciales para comprender
problemas de decisiones médicas del mundo real.
11.4 Uso de modelos complejos para pacientes individuales

Toma de decisiones
Nuestro ejemplo de la evaluación de un nódulo pulmonar solitario ilustra cómo

complejas algunas decisiones médicas pueden ser. Los ejemplos que hemos discutido
mostrar análisis que ayudan a informar las decisiones clínicas, como si se deben realizar pruebas de detección
para el VIH o cómo evaluar un posible cáncer de pulmón. Aunque nuestro cáncer de pulmón
ejemplo mostró la importancia de la probabilidad de cáncer antes de la prueba en
elección de una estrategia de gestión, no discutimos otras características de
el paciente que puede ser muy importante para las decisiones individuales del paciente. Para
Por ejemplo, ¿qué pasaría si el paciente tuviera otras enfermedades que harían que la cirugía fuera más
¿arriesgado? ¿Y deberían los pacientes mayores, que tienen un mayor riesgo de muerte por otros
causa: ¿recibir el mismo trato que los pacientes más jóvenes? ¿Cómo deberían las utilidades de los pacientes
incorporarse en una decisión? Los modelos sofisticados que hemos discutido
en este capítulo tomó varios años y su desarrollo costó más de $ 100 000. Dado
el esfuerzo y los gastos necesarios para desarrollar tales modelos, bien podría preguntar
cómo los médicos y los pacientes podrían utilizar estos modelos para tomar decisiones individuales.
Ahora abordamos este tema.
Cómo utilizar modelos de decisión para la toma de decisiones específicas del paciente es una
área activa de investigación. Programas informáticos que tienen como objetivo ayudar a los médicos
o los pacientes toman decisiones clínicas se denominan sistemas de apoyo a las decisiones .
Entre los muchos tipos de sistemas de apoyo a la toma de decisiones, nos centraremos en un
ejemplo específico: un sistema prototipo que utiliza el modelo de decisión que acabamos de
discutido para ayudar a los médicos a evaluar los nódulos pulmonares solitarios. Sistemas
como el que discutiremos parece prometedor, pero si demostrarán
útil en la práctica clínica diaria es una cuestión de investigación que todavía no ha
ha sido abordado.
11.4.1 El sistema de apoyo a las decisiones del alquimista

El sistema de soporte de decisiones de Alchemist utiliza una modificación del modelo
que discutimos en la Sección 11.3 para brindar apoyo a las decisiones específicas del paciente
sobre la evaluación y el tratamiento de los nódulos pulmonares. La decisión
sistema de apoyo, un prototipo que no está en uso clínico, fue desarrollado por
Gillian Sanders en la Universidad de Duke, Michael Gould en el sur de California
Página 343
Kaiser-Permanente y colegas (véase el artículo de Sanders et al . (2000) para

una descripción de un prototipo anterior de este sistema). El sistema tiene un Web-
interfaz basada en que permite a los médicos ingresar información sobre un
paciente. Esta información se transmite a una computadora que ejecuta la decisión
modelo que utiliza como entradas de modelo la información específica del paciente introducida por el

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.
11.4.2 Desafíos para la toma de decisiones de pacientes individuales

Un sistema como Alchemist proporciona un mecanismo para sintetizar lo mejor
evidencia disponible y para incorporar información específica del paciente en un
marco formal de toma de decisiones. Este enfoque tiene el potencial de
basarse en un conjunto completo de pruebas y en las herramientas de decisión
haciendo que hayas estudiado en capítulos anteriores.
Sin embargo, los desarrolladores y los usuarios se enfrentan a importantes desafíos al utilizar mod-
els para el apoyo de decisiones individuales. La información disponible para adaptar el
probabilidades de eventos fortuitos, como la mortalidad por cirugía o un diagnóstico
procedimiento nóstico, puede ser limitado. Afortunadamente, el analista o el médico pueden
Página 344
utilice el análisis de sensibilidad para decidir si tales incertidumbres son importantes. En

Además, la representación de las utilidades de un paciente es compleja. Por problemas
en el que la calidad de vida es un determinante importante del tratamiento preferido
alternativa, se mejoraría un modelo específico para el paciente mediante el uso de la
utilidades del paciente para los estados de salud relevantes. Los modelos pueden alertar a los médicos sobre
la importancia de los servicios públicos para un problema específico e identificar qué resultados
son particularmente importantes en términos de utilidades para los pacientes. Además, pocos modelos
capturan completamente la preferencia por el riesgo (como se discutió en el Capítulo 7). Finalmente, por un
sistema de apoyo a la decisión que se utiliza en la práctica, los desarrolladores necesitarían un

método para mantener el sistema actualizado y para modificar tanto la estructura

y aportes al modelo cuando se disponga de nueva información o alternativas
capaz. Tal proceso probablemente requeriría financiamiento continuo, otro potencial
desafío, especialmente si el sistema de soporte de decisiones no es propietario.
Los desafíos metodológicos son áreas activas de investigación. Notamos eso
incluso si podemos enfrentar estos desafíos, generalmente un modelo no puede capturar todos
de los factores de una decisión que son relevantes para un paciente específico. Sin embargo,
tales sistemas están destinados a ser una ayuda para el juicio, no un sustituto de él. Por lo tanto,
La pregunta apropiada no es si un modelo puede capturar todas las
consideración, pero si el paciente y el médico pueden hacer más informados
decisiones con la ayuda de un análisis basado en modelos que sin uno. Creemos
que los modelos de decisión tienen un potencial sustancial para ayudar a mejorar la información
decisiones.
Resumen
En este capítulo, discutimos cómo elegir entre modelos avanzados

técnicas, cómo utilizar un modelo para desarrollar una política de detección, cómo
analizar un problema de diagnóstico complicado y cómo un modelo podría ser
utilizado como ayuda para la toma de decisiones individuales. El principal objetivo de la
El capítulo fue para ilustrar cómo los analistas aplican los conceptos que aprendió en
capítulos anteriores a problemas del mundo real. Los modelos de decisión ahora se utilizan en
el desarrollo de guías clínicas, como base para la rentabilidad
análisis y como base para análisis de cribado complejo, diagnóstico,
y decisiones terapéuticas.
Los modelos de decisión son particularmente útiles para:
• Integrar evidencia sobre alternativas, probabilidades y preferencias
ences.
• Iluminando las compensaciones entre la duración de la vida, la calidad de vida, el riesgo y
costos.
• Describir las compensaciones entre daños y beneficios en un
marco que tiene en cuenta sus probabilidades y el paciente
utilidades para ellos.
Página 345
• Identificar los factores que son determinantes clave de la efectividad

y rentabilidad de las alternativas.
Aunque la mayoría de los médicos no participarán en el desarrollo de
modelos como los de este capítulo, pueden aplicar los conceptos subyacentes
en la práctica clínica diaria. Estos conceptos pueden ayudar a los médicos a comprender
cuándo pedir pruebas, cómo interpretarlas, cómo sopesar los daños y
beneficios, cómo comprender los eventos fortuitos y la probabilidad, y cómo
comprender el papel de las preferencias (utilidades) de los pacientes en las decisiones. Como
debe ser evidente a partir de los muchos ejemplos en el libro, buenas decisiones
no siempre conducen a buenos resultados, y las malas decisiones no siempre
conducir a malos resultados. El juego del azar es una parte inevitable de la medicina.
Toma de decisiones. Pero los médicos que entienden los conceptos cubiertos en
este libro tiene un marco poderoso para ayudar a los pacientes a tomar decisiones

que aumentan la probabilidad de que tengan los resultados más

coherente con sus preferencias.
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.
Este estudio utiliza un modelo de microsimulación para evaluar la rentabilidad de la gestión

estrategias para el VIH.
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).
Felli, JC y Hazen, GB (1998) Análisis de sensibilidad y el valor esperado de perfecto

información. Toma de decisiones médicas , 18 , 95–109.
Este artículo presenta el concepto de valor esperado de la información, un importante

tema avanzado, no cubierto en el capítulo.
Gould, MK, Sanders, GD, Barnett, PG y col . (2003) Rentabilidad de alternativas

estrategias de manejo para pacientes con nódulos pulmonares solitarios. Anales de Internal
Medicine , 138 , 724–35.
Este estudio es la base del ejemplo de la Sección 11.3 del capítulo.
Página 346
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.
Long, EF, Brandeau, ML y Owens, DK (2010) La rentabilidad y la población

resultados de la detección ampliada del VIH y el tratamiento antirretroviral en los Estados Unidos.
Annals of Internal Medicine , 153 , 778–89.
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.
Owens, DK y Nease, RF (1997) Un marco analítico normativo para el desarrollo de

guías de práctica para poblaciones clínicas específicas. Toma de decisiones médicas , 17 , 409–26.
Este artículo demuestra un método para adaptar las pautas a poblaciones específicas utilizando

valor esperado de la información.
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.
Este estudio evalúa la detección del VIH mediante un modelo de microsimulación.
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.
Sanders, GD, Nease, RF y Owens, DK (2000) Diseño y evaluación piloto de un sistema

Desarrollar pautas de práctica específicas del sitio basadas en computadora a partir de modelos de decisión. Médico
Toma de decisiones , 20 , 145–59.
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.
Este estudio es la base del ejemplo de la Sección 11.2 del capítulo.
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
Este documento proporciona recomendaciones para el desarrollo, análisis y reporte de

modelos de transición de estado.
Swensen, SJ, Silverstein, MD, Ilstrup, DM, Schleck, CD y Edell, ES (1997)

probabilidad de malignidad en nódulos pulmonares solitarios. Aplicación a pequeños radiológicamente
nódulos indeterminados. Archives of Internal Medicine , 157 , 849–55.
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).
A tomografía computarizada, 323

técnicas de modelado avanzadas costes y rentabilidad
elección de, 310-11 cálculo , 327–9, 328 ,
problemas clínicos, 308 329
árbol de decisión, 307 costos y resultados de descuento
simulación de eventos discretos estimación, 326–327
modelos, 309–10 representación del árbol de decisión,
modelos de transmisión dinámica, 323–4, 324
309 cuestiones éticas, 330
estrategia de modelado híbrido, 323 utilidad esperada, 327
transición de estado a nivel individual estrategia de modelado híbrido, 323
modelo, 309 objetivos y perspectivas,
decisión individual-paciente 323
haciendo emisión de positrones
Soporte de decisión de alquimista tomografía, 323
probabilidad de eventos fortuitos,
sistema, 330–1
325
desafíos para, 331–2
AVAC, 325
sistemas de apoyo a la toma de decisiones, 330
evaluación de la incertidumbre, 327–9

modelo de microsimulación, 309

modelos de transición de estado, 308–9
modelos de red, 310 probabilidades de supervivencia ajustadas por edad
problema de política de detección estado de salud vivo, 178
análisis tasa de mortalidad anual, 177, 178
Detección del VIH ver VIH muerto por leucemia estado de salud,
poner en pantalla 178
objetivos y perspectivas, modelo de Markov de tres estados, 178,
312 179, 179–80
pregunta de política, 311 modelo de Markov de dos estados,
pasos involucrados en, 311-12, 312 177, 177
nódulo pulmonar solitario Sistema de soporte de decisiones de alquimista,
diagnóstico 330–1
subárboles de biopsia y cirugía, modelo algorítmico de diagnóstico, 10
324–5, 325 modelo aditivo de diagnóstico, 9, 10
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,

probabilidades y probabilidad, 72 298

prueba de sensibilidad, significado de, Prueba de detección del VIH, 319-20, 321
80-2 práctica grupal hospitalaria
especificidad de la prueba, significación de, 78 ejemplo, 291–7
pruebas de detección y, 79–80, 80 nódulo pulmonar solitario
ramificación, 16 diagnóstico, 327–8
costos de la atención médica
C papel del clínico en, 288–9
reglas de predicción clínica, 42 análisis de costo-beneficio ver
estadística intensiva en computadora análisis coste-beneficio
análisis, 54–5 análisis de rentabilidad ver
validación cruzada, 54 análisis de costo-efectividad
proceso de desarrollo, 48–9 costos directos de atención, 301-2
Página 350
Índice 339
descontando costos futuros, 303, toma de decisiones, tres básicos

318–9, 326–7 principios, 244–6
seguro médico, 289–90 la probabilidad condicional
costes de productividad, 303 notación, 254–5
asignación de recursos escasos, 290 alternativas de decisión, 254, 254
interrogatorio, historia clínica, problema de decisión, 254, 254
15 criterios de diagnóstico, 252-3,
punto de corte para pruebas, 95–6 252–3
utilidad esperada, 255–6
opción de decisión preferida, 257 ,
D
258
Análisis DEALE ver Declive
probabilidades de umbral para
Aproximación exponencial
pruebas , 256–9, 257
de esperanza de vida (DEALE)
análisis daños de las pruebas
tomador de decisiones, 148 efecto adverso de la prueba, 276–7,
árbol de decisiones, 149–52 277
sistema de apoyo a la toma de decisiones, 330 costo de la prueba, 275–6

nodos de azar, 149 medicina defensiva, 276
nodos de decisión, 149 tranquilidad, 276
respaldo abatible, 163–7 evaluación de la utilidad de una prueba,
Prueba de detección del VIH, 315, 315–16, 316 277–9, 277–9
resultados, 149 interpretación, definición de, 243
análisis probabilístico, 156–8 análisis de sensibilidad, 281–4
dos estados de enfermedad y tratamiento principio básico de, 281
alternativas, 149 para la probabilidad previa a la prueba , 281–3,
Exponencial decreciente 282
Aproximación de por vida para el umbral de tratamiento
Análisis de expectativa (DEALE), probabilidad , 281–3, 282
193–4 para tasa de verdaderos positivos y
propiedad delta ver utilidad exponencial tasa de falsos positivos, 283,
modelo 284
sesgo de revisión de diagnóstico, 114 para la utilidad de la prueba, 283–4
prueba de diagnóstico establecer el umbral de tratamiento
Teorema de Bayes probabilidad
resultado negativo de la prueba, 77–8, 78 relación daños / beneficios, 263–5

resultado de prueba positivo, 76–7 esperanza de vida y p *

secuencia de pruebas, 84–8 ver también cálculo, 265–6, 265
condicional utilidades del paciente para
independencia estados de tratamiento de enfermedades,
ejemplo de tumor cerebral, 265–75, 267–75
279–81 p * estimación subjetiva, 263
elegir entre pruebas, 259–61 probabilidad de umbral de tratamiento
combinaciones de pruebas árbol de decisión, 248, 248
principios, 261-2, 263 definición, 246–7
Página 351
340 Índice
prueba de diagnóstico ( continuación ) vs probabilidad posterior, 105,

estados de tratamiento de enfermedades, 247, 105–6
247 prevalencia de la condición objetivo
utilidad esperada, 248–9 y 106
utilidades del paciente, 251 sensibilidad y resumen ROC
p * cálculo, 248–9 curva , 135–6, 136
neumonía neumocócica sesgo de espectro
ejemplo, 250–1, 251 definición, 116
rendimiento de la prueba de diagnóstico sesgo de gravedad de la enfermedad, 118
fuentes de estimación sesgadas de ajuste exacto para, 122–3
tasa de falsos positivos, efectos sobre,
características de la prueba de diagnóstico,
119-21, 120, 124-5
111
heurísticas para estimar, 122
prueba e índice estándar de oro
importancia de la precisión
prueba, 113-14
medición, 124–5
probabilidad posterior a la prueba, 111
probabilidad posterior a la prueba, 123, 124,
montaje de estudio retrospectivo,
125
112
sensibilidad y especificidad
población de origen, 112
ajustes, 121-2
decisiones de pedido de prueba, 111
el más enfermo de los enfermos, el más sano de
definición, 98
el pozo, 116-17
características de la prueba de diagnóstico
sesgo de referencia de prueba, 117-18
prueba estándar de oro, 106
prueba de sensibilidad, efectos sobre, 118,
prueba de índice, 106
118-19, 119, 120
limitaciones de, 108–9
ejemplo de estudio de escáner de bazo,
poblaciones de origen, 106
106–9
verdadero positivo y negativo revisión sistemática, 134–6
tasa, 107 metanálisis, 135
muestra verificada, 106 Parcela ROC, 134, 134
tasa de falsos negativos, 102, 102 resultados de la prueba como un
tasa de falsos positivos, 103, 103 variables, 93–4
frecuencia de resultados, 99–100 valor de corte, 131–3
medida de falso positivo y
población clínicamente relevante, resultados falsos negativos,
99 97–8
prueba estándar de oro, 99 curva de distribución normal, 94,
prueba de índice, 99 94
razón de verosimilitud, 98–9 receptor en funcionamiento
muestra verificada, 99–100 curva característica,
valor predictivo 128–31, 130

valor predictivo negativo, 104, desviación estándar, 94, 94

105 resultados de la prueba como una dicotomía
trampas, 109, 109-10, 110 variable, 95–6
valor predictivo positivo, 104, tasa de verdaderos negativos, 101, 102
105 tasa de verdaderos positivos, 100-1, 101
Página 352
Índice 341
diagnóstico diferencial eventos disyuntivos, 46

aforismos clínicos, 25 modelos de transmisión dinámica, 309
concepto de, 7
proceso cíclico de, 11-12, 12
mi
razonamiento diagnóstico, 8-11
análisis de utilidad esperada, 204–35
modelo algorítmico, 10
compensación de tiempo constante vs.
modelo asociativo de enfermedad,
constante aversión al riesgo
9, 10 modelos de utilidad, 232–4
Modelo bayesiano de enfermedad, 10 evaluación directa de la utilidad
experiencia clínica y habilidad, 11 recopilación de datos de entrada, 209
heurísticas, 11 resultado intermedio, 206–7
datos basados en hipótesis proceso de, 206
colección, 9 apuesta de referencia estándar,
mala interpretación de la información, 205–6
10 modelo de utilidad exponencial
razonamiento lógico, 8 evaluación, 214-15
educación médica, 8 cálculo de, 241-2
hallazgos del paciente frente interno propiedad delta, 215-16, 241
representación de, 9 supervivencia exponencial, 218-20
reconocimiento de patrones, 8 longitudes de supervivencia, 213-14,
generación de hipótesis, 12 214
prueba de hipótesis, 15-21 esperanza de vida y anual
decisión de prueba / tratamiento, 21, 24 tasa de mortalidad, 213
entrevista médica, propósito de, 7 modelo paramétrico, 213
costos directos de atención, 301-2 actitudes de riesgo, 216–18, 217
evaluación de probabilidad directa, 35, 36 resultados multidimensionales ver
evaluación directa de la utilidad multidimensional
recopilación de datos de entrada, 209 resultados
resultado intermedio, 206-207 la fuerza de preferencia del paciente,
enfermedad de Paget perianal, 210 212-13
curado con colostomía, 207 análisis de sensibilidad, 210–212, 211
curado sin colostomía, 207 análisis de valor esperado, 143–67
árbol de decisiones, 208–9, 208 cálculos, 158–61, 160, 161
enfermedad local sin concepto de, 6
colostomía, 209–10 tomador de decisiones, 148–9
enfermedad metastásica con árboles de decisión ver árboles de decisión
colostomía, 207 definición, 143
proceso de, 206 ejemplo, 145–8
apuesta de referencia estándar, esperanza de vida, 143
205–6 análisis probabilístico, 156–9, 157,
descontando costos futuros, 303 158
modelos de simulación de eventos discretos, análisis de sensibilidad, 161–3
309-10 esperanza de vida, tratamiento

sesgo de gravedad de la enfermedad, 118, 120 alternativas, 162, 162, 163
Página 353
342 Índice
análisis de valor esperado ( continuación ) tasa de falsos positivos (FPR)

análisis de sensibilidad unidireccional, definición, 102-103
162–3 efecto de la incertidumbre en, 284
validez del análisis de decisiones, probabilidad posterior a la prueba, efecto sobre,
161-2 123–5, 125
cuantificación de la incertidumbre análisis de sensibilidad para, 283
extensión de la enfermedad, 153 sesgo de espectro y
Células de Paget en la mucosa anal, sesgo de gravedad de la enfermedad, 120
153–6 sesgo de referencia de prueba, 120-1, 120
reconstructiva exitosa medicina plana de la curva, 297–8,
cirugía, 153 298
modelo de supervivencia exponencial, 189–96
definición, 189 H
esperanza de vida, 189–93 estados de salud, 170-1
y tasa de mortalidad anual, 213 promedio de tiempo pasado en el estado, 172
modelo de tasa de mortalidad constante, heurística
medición de errores, 194, anclaje y ajuste, 45,
194 45–6
Análisis DEALE, 193 heurísticas de disponibilidad, 39
duración de la vida, 189, 189 heurística cognitiva, 38
Markov simple de dos estados definición, 38
modelo, 190, 190 heurística de representatividad
datos del cáncer de próstata en estadio IV, definición, 38
194, 195 factores que afectan, 39, 39
probabilidad de supervivencia, 195–6 ignorando la probabilidad previa,
modelo de Markov de tres estados, 39–40
192-3, 193 pistas clínicas inexactas, 40-1
periodos de tiempo y supervivencia predictores redundantes, 41-2
probabilidad, 190–92, 191 regresión a la media, 42-3,
técnicas de regresión lineal, 196 43
vs. modelo de Markov, 190-2 pequeño no representativo
estimación de parámetros, 193–4 experiencia, 43–4
modelo de utilidad exponencial Detección del VIH
evaluación, 214-15 representación del árbol de decisión, 315
cálculo de, 241-2 análisis de problemas de políticas
propiedad delta, 215-16, 241 costes y rentabilidad
supervivencia exponencial, combinada cálculo, 319–20, 321
con, 218-20 costos y resultados de descuento
longitudes de supervivencia, 213-14, 214 estimación, 318-19
modelo paramétrico, 213 modelo de transmisión dinámica,
actitudes de riesgo, 216–18, 217 313
supuesto subyacente, 215-16 cuestiones éticas, 322
utilidad esperada, 319-20, 321
F Curso de la enfermedad por VIH, Markov
tasa de falsos negativos (FNR), 102 modelo, 313–14, 314

Página 354
Índice 343
modelo de microsimulación, 313 METRO

historia natural, 312 Independencia de Markov, 173–5
objetivos y perspectivas, definición, 173
312 revisar el modelo de Markov para que
pregunta de política, 311 se mantiene la independencia, 174–5
probabilidad de eventos fortuitos, validez, 174
317-18 Modelo de Markov, 309
años de vida ajustados por calidad, 318 acíclico, 180
pasos involucrados en, 311-12, 312 supervivencia ajustada por edad
evaluación de la incertidumbre, 320 probabilidades
método de capital humano, 299–300 estado de salud vivo, 178
estrategia de modelado híbrido, 323 tasa de mortalidad anual, 177, 178
diferencial impulsado por hipótesis muerto de leucemia salud
diagnóstico estado, 178
costo de la información, 17 modelo de Markov de tres estados,
ejemplo, 21–5 178, 179, 179–180
reuniendo datos modelo de Markov de dos estados, 177,
falla de memoria, 15 177
vago y no específico Detección del VIH
quejas, 14-15 representación del árbol de decisión,
generación de hipótesis, 12-15
315-16, 316
prueba de hipótesis, 17-21
curso temporal de la enfermedad, 313-14,
hallazgos patognomónicos, 16-17
314
cribado y ramificación
esperanza de vida, acíclico y tiempo
examen, 16
modelos invariantes, 184
I esperanza de vida, Montecarlo
costo-efectividad incremental, 291, simulación ver Monte Carlo
297, 298, 298 simulación
transición de estado a nivel individual manejo local de recaídas,
modelo, 309 172–3, 173
toma de decisiones individual-paciente Independencia de Markov
Soporte de decisión de alquimista estado de salud de recaída regional,
sistema, 330–1 174, 174–5
desafíos para, 331–2 declaración de, 173
sistemas de apoyo a la toma de decisiones, 330 estado de salud de recaída sistémica,
175
L
esperanza de vida ver valor esperado supervivencia posoperatoria, 170–71,
análisis 171
razón de verosimilitud, 41 probabilidad de supervivencia, 171-2
definición, 70 estado libre de síntomas, 172
razón de verosimilitud negativa, 75 estado de recaída sistémica, 171, 172
razón de verosimilitud positiva, 73 invariante en el tiempo, 180
prueba de medida de discriminación, estimación de probabilidad de transición
71-2 enfoque empírico, 175
Página 355
344 Índice

Modelo de Markov ( continuación ) PAG

probabilidad de supervivencia, 175–7 reconocimiento de patrones ver aditivo
estado de salud libre de síntomas, modelo de enfermedad
176, 176–7 probabilidad posterior, 5, 5, 64
Simulación de Monte Carlo, 184–9 probabilidad posterior a la prueba, 32, 32
ventaja, 188–9 valor predictivo
estado de salud regional de recaída, 185, valor predictivo negativo, 104,
186 105
estado de salud libre de síntomas, 184–5, trampas, 109, 109-10, 110
185 valor predictivo positivo, 103, 103
modelo de Markov de tres estados, 186, vs probabilidad posterior, 105,
187 105–6
esperanza de vida frente a recuperación prevalencia de la condición objetivo,
tasa, 188, 188 106
caminos, 186, 187, 188 probabilidad previa a la prueba, 32, 32
estado de salud bien y enfermo, probabilidad previa, 5, 5, 63
186–8 probabilidad
resultados multidimensionales, 220–34 reglas de predicción clínica
evaluación directa de la utilidad , 220-3, estadística intensiva en computadora
221 análisis, 53–5
utilidad exponencial, 223–8, 232–4 validación cruzada, 54–55
años de vida ajustados por calidad, proceso de desarrollo, 49–50
228–34
discriminación y
riesgo del tomador de decisiones
calibración, 53
actitudes, 229
validez aparente, 55
aproximación lineal para,
calidad de, 55
230–1
particionamiento recursivo ver
vida libre de síntomas, 229-30
particionamiento recursivo
análisis de sensibilidad, 226–8
análisis de regresión ver
evaluación simplificada, 223–8
análisis de regresión
equipos de prueba y entrenamiento, 53
norte
definición, 29
modelos de red, 310
estimación usando personal
experiencia
O
probabilidad objetiva, 33–4 evaluación de probabilidad directa,
forma de razón de posibilidades del teorema de Bayes 35–7, 36
resultado variable continua, 72–3 probabilidad indirecta
derivación, 69–70 evaluación, 35
ejemplo con continuo evaluación de probabilidad, 34
variable, 73 fuentes de error ver heurísticas
ejemplo con dicotómico estimación usando publicado
variable, 73–4 experiencia
razón de verosimilitud, 70-2, 71 hallazgos clínicos, 47
probabilidades de evento, definición, 72 síndrome clínico, 48
Página 356
Índice 345
síntoma y físico puntuación para enfermos y

hallazgos, 47 pacientes no enfermos,
limitaciones de, 55–6 50, 50

objetivo, 33–4 función de, 49

probabilidades, 30, 30-1 peso numérico, 49
las características especiales del paciente, regresión a la media, 42
57 heurísticas de representatividad, 18
estado presente versus eventos futuros, 29 regla de la parsimonia en el diagnóstico, 19
informe publicado, estimación de,
46 S
subjetivo, 33–4 detección ( ver también detección del VIH),
tiempo para estimar, 33 dieciséis
costes de productividad, 303 análisis de problemas de políticas de detección
ejemplo de embolia pulmonar, Examen de detección del VIH ver examen de detección del VIH
40-1 objetivos y perspectivas, 312
pregunta de política, 311
Q pasos involucrados en, 311-12, 312
años de vida ajustados por calidad análisis de sensibilidad, 161
las actitudes frente al riesgo de quienes toman las decisiones,
ajuste de estimación sesgado,
229 121–2
Ejemplo de detección del VIH, 319-20 pruebas de diagnóstico
aproximación lineal para, 230–1 para la estabilidad del análisis de decisiones,
nódulo pulmonar solitario 281
ejemplo de diagnóstico, 327 para la probabilidad previa a la prueba yp *,
vida libre de síntomas, 229-30 281–3, 282
para tasa de verdaderos positivos y
R tasa de falsos positivos, 283,
Característica Operativa del Receptor 284
curva, 128–31, 130 para la utilidad de la prueba, 283–4
para comparar pruebas, 131 toma de decisiones de valor esperado
derivación de, 137–40 esperanza de vida, tratamiento
punto de corte óptimo para una prueba, 132 alternativas, 162, 162, 163
particionamiento recursivo análisis de sensibilidad unidireccional,
definición, 53 162–3
ejemplo de infarto de miocardio, validez del análisis de decisiones,
53, 53 161-2
infección estreptocócica unidireccional, 162–3
probabilidad de, 53, 54 medida de resultado, 210-11, 211
usos de, 51-2 rendimiento de, 279
análisis de regresión principio de, 279
puntuación discriminante bidireccional, 281
complicaciones cardíacas para, 50, sensibilidad de una prueba
51 ajustar el sesgo del espectro, 123
dolor de pecho para, 50, 51 importancia clínica, 80
grupos de pacientes, 50 definición, 100
Página 357
346 Índice
sensibilidad de una prueba ( continuación ) sesgo de revisión de prueba, 113

importancia de la precisión ensayo terapéutico como prueba, 42
medición, 123, 124 modelo de Markov de tres estados
análisis de sensibilidad, cuándo realizar la prueba, supervivencia ajustada por edad
283, 284 probabilidades, 178, 179,
sesgo de espectro, y, 118 179–80
especificidad de una prueba esperanza de vida, 192-3, 193

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
utilidad esperada, 269, 272–3, tasa de verdadero negativo (TNR)

273 definición, 101
daños netos y beneficios de resultado de la prueba estándar de oro, 102
tratamiento, 270, 273 tasa de verdaderos positivos (TPR)
indiferencia del paciente definición, 100
probabilidad, 267, 268 resultados de pruebas estándar de oro, 101
evaluación de la utilidad del paciente, probabilidad posterior a la prueba, 123, 124
268–72, 271 análisis de sensibilidad, 283, 284
p * cálculo, 269, 273 sesgo de espectro, 123
apuesta de referencia estándar para, modelo de Markov de dos estados, 190, 190
269, 272, 272
prueba de tratamiento / diagnóstico, U

incertidumbre ver también probabilidad

decisión sobre, 273–4
información clínica, 27–8
árbol de decisión para, 247, 248
principios de toma de decisiones,
definición, 246–7
244–6
estados de tratamiento de enfermedades, 247, 247
toma de decisiones de valor esperado
utilidad esperada como decisión
extensión de la enfermedad, 153
criterio, 247–8
células de Paget en la mucosa anal,
relación de daños a beneficios y,
153–6
263–4
reconstructiva exitosa
esperanza de vida y, 265–6
cirugía, 153
utilidades del paciente para
Prueba de detección del VIH, problema de política
estados de tratamiento de enfermedades
análisis, 320
y 250, 267–75
nueva interpretación de información,
p * cálculo, 248–9, 263
61
p * interpretación, 250
utilidad, 6 ver también utilidad esperada
neumonía neumocócica
análisis
ejemplo, 250–1, 251
evaluación de la utilidad, 205–7
opción de decisión preferida, 248,
249
símbolos para el tratamiento, 252 W
daños y beneficios del tratamiento, 250 método de disposición a pagar, 300

Toma de Decisiones Médicas PDF

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Toma de Decisiones Médicas PDF

Cargado por

Copyright:

Formatos disponibles

Toma de decisiones médicas

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

Michael C. Higgins, Ph.D.

Douglas K. Owens, MD, MS

Una publicación de John Wiley & Sons, Ltd.

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

Datos de catalogación en publicación de la Biblioteca del Congreso

Un registro del catálogo de este libro está disponible en la Biblioteca Británica.

Diseño de portada de Rob Sawkins para Opta Design Ltd.

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

Para Jean y Kathleen

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

3 Probabilidad: cuantificación de la incertidumbre, 27

4 Comprensión de nueva información: teorema de Bayes, 61

4.8 Usando el teorema de Bayes cuando muchas enfermedades están bajo

5 Medición de la precisión de la información de diagnóstico, 93

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

5.3 Cómo medir las características de una prueba diagnóstica: un hipotético

6 Toma de decisiones sobre el valor esperado, 143

7 modelos de Markov y resultados variables en el tiempo, 170

8 Medición del resultado de la atención: análisis de la utilidad esperada, 204

8.6 Resultados multidimensionales: evaluación directa, 220

9 Selección e interpretación de pruebas diagnósticas, 243

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

9.3 La decisión de obtener una prueba de diagnóstico, 252

La maduración de la ciencia médica durante la última mitad del siglo XX

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

El razonamiento clínico, los procesos detrás del diagnóstico y la decisión médica.

problemas y eventualmente a cuestiones de costo y eficacia de las pruebas y tratamientos.

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

Es legítimo preguntar por qué un estudiante o residente debe gastar la inteligencia

En resumen, este libro ha sido un estándar del campo, y la nueva edición

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

(particularmente un mayor énfasis en las razones de verosimilitud (Capítulo 4), sistema-

problema de decisión del paciente). El capítulo describe diferentes tipos de modelos

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

"La prueba", dije, "es siempre algo relativo. Es un balance abrumador de

Los médicos reflexivos se hacen muchas preguntas difíciles durante el

1.1 ¿Cómo puedo ser minucioso pero eficiente al considerar

Tratar de ser eficiente al pensar en las posibles causas de la enfermedad de un paciente.

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

escuchando a los expertos en diagnóstico discutir cómo razonaron a su manera

1.2 ¿Cómo caracterizo la información que he recopilado?

El primer paso hacia la comprensión de cómo caracterizar la información

Costin, un ejecutivo bancario de 60 años, entra a la sala de emergencias

Aunque hay al menos 60 causas de dolor en el pecho, el médico de Costin

El médico que ve al Sr. Costin en la sala de emergencias le dice al Sr. Costin:

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

Figura 1.1 Una escala para expresar incertidumbre.

Para comprender el significado de probabilidad en medicina, considérelo como un

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

el paciente no está enfermo. Puede decidir que necesita más información.

1.3 ¿Cómo interpreto la nueva información de diagnóstico?

La nueva información de diagnóstico a menudo no revela el verdadero estado del paciente y

Figura 1.3 Probabilidad previa a la prueba y probabilidad de enfermedad posterior a la prueba.

1.4 ¿Cómo selecciono la prueba de diagnóstico adecuada?

Aunque la selección de una prueba de diagnóstico es aparentemente sencilla, la

Un enfoque lógico para seleccionar pruebas de diagnóstico depende de tres principios:

file:///C|/Users/Laura/Desktop/ultimos%20tres%20gattinoni/Toma%20de%20decisiones%20médicas.html[11/3/2021 1:36:47 a. m.]

estado del paciente.

1.5 ¿Cómo elijo entre varios tratamientos de riesgo?

Elegir entre alternativas de tratamiento de riesgo es difícil porque el resultado