SENSIBILIDAD Y

ESPECIFICIADAD

Equipo Docente: Asistentes Dario Santos, Alicia Varela y

Paola Machado
Objetivos del módulo

⚫ Estudiar la aplicación de la distribución normal a

pruebas diagnósticas

⚫ Comprender y aplicar los conceptos de sensibilidad y

especificidad, dada una prueba diagnóstica

⚫ Aplicar el teorema de Bayes a los test diagnósticos

Pruebas diagnósticas

⚫ Entre los múltiples factores que se tienen en cuenta a

la hora de establecer un diagnóstico clínico, se
encuentran las pruebas diagnósticas.

⚫ En medios de comunicación no necesariamente

especializados, es común que se hable de una
espirometría, un test de embarazo o un test de
glicemia.

⚫ Lo que tienen en común estas pruebas, es que de

acuerdo a un valor previamente establecido, permiten
decidir si el resultado de la misma es positivo o
negativo.
Pruebas diagnósticas

⚫ Plantearemos el caso más sencillo, el de una prueba

dicotómica, que clasifica a cada paciente como sano o
enfermo en función de que el resultado de la prueba
sea positivo o negativo. El resultado positivo se
asocia con la presencia de enfermedad y un resultado
negativo con la ausencia de la misma.

Enfermo No enfermo
Positivo VP FP
Negativo FN VN
Sensibilidad

⚫ La probabilidad de obtener un resultado positivo de un

individuo que se sometió una prueba de diagnóstico,
siendo que realmente padece la enfermedad, se
denomina: SENSIBILIDAD DE LA PRUEBA.
⚫ Es una probabilidad condicionada.

(
s = P T + / E+ )
⚫ Si nos referimos a la tabla anterior, tenemos:
VP
s=
VP + FN
Especificidad

⚫ La probabilidad de obtener en una prueba diagnóstica

resultado negativo, cuando se aplica a individuos que
sabemos que no padecen la enfermedad, se
denomina ESPECIFICIDAD DE LA PRUEBA.
⚫ Es una probabilidad condicionada.
e=PT /E( − −
)
⚫ Refiriéndonos a la tabla ya estudiada:
VN
e=
VN + FP
Ejemplo

⚫ Un ejemplo que vemos habitualmente, es el control

antidopaje en el deporte.
⚫ En la primera muestra que se analiza, buscamos
detectar cualquier sustancia aunque sea en pequeñas
concentraciones, por eso nos interesa tener una
prueba muy sensible.
⚫ Si esa primera prueba da positiva, se efectúa una
segunda prueba. Dadas las consecuencias que puede
tener para el deportista una prueba positiva, en esta
segunda instancia, buscamos que sea específica.
Para visualizarlo en forma gráfica
Conceptos de Falso positivo y Falso
negativo

⚫ Coeficiente falso positivo (α) : es la probabilidad de

que al aplicar la prueba diagnóstica a un individuo
sano, de un resultado positivo.
 = P(T + / E − )  =1 − e
⚫ Coeficiente falso negativo (β) : es la probabilidad de
que al aplicar la prueba a un individuo enfermo, de un
resultado negativo.

 = P(T − / E + )  = 1− s
⚫ Ambos son probabilidades condicionadas.
Ejemplo de prueba diagnósticas: Diabetes
⚫ Los carbohidratos ingeridos terminan como glucosa en la sangre. El exceso
se transforma en glucógeno y se almacena en hígado y músculos. Este se
transforma entre comidas de nuevo en glucosa según necesidades.

⚫ La principal hormona que regula su concentración es la insulina. La diabetes

provoca su deficiencia o bien la insensibilidad del organismo a su presencia.
Es una enfermedad muy común que afecta al 2% de la población
(prevalencia)

⚫ Una prueba común para diagnosticar la diabetes, consiste en medir el nivel

de glucosa. En individuos sanos suele variar entre 64 y 110mg/dL.
⚫ El cambio de color de un indicador al contacto con la orina suele usarse como
indicador (resultado del test positivo)

⚫ Valores por encima de 110 mg/dL se asocian con un posible estado pre-
diabético.
⚫ Pero no es seguro. Otras causas podrían ser: hipertiroidismo, cancer de
páncreas, pancreatitis, atracón reciente de comida…
⚫ Supongamos que los enfermos de diabetes, tienen un valor medio de
126mg/dL.
Funcionamiento de la prueba
diagnóstica de glucemia
⚫ Valor límite: 110mg/dL
⚫ Superior: test positivo.
⚫ Inferior: test negativo.

⚫ Probabilidad de acierto:
⚫ Para enfermos
⚫ Verdadero positivo
(sensibilidad)
⚫ Para sanos
⚫ Verdadero negativo
(especificidad)

⚫ Probabilidad de error
⚫ Para enfermos
⚫ Falso –

⚫ Para sanos
⚫ Falso +
¿Cómo definir el punto de corte de la prueba
diagnóstica?

No es simple. No es posible aumentar sensibilidad y especificidad al mismo

tiempo. Hay que elegir una solución de compromiso: Aceptable sensibilidad y
especificidad.
Ejemplo

⚫ Se desea estudiar la validez interna de un

procedimiento diagnóstico para la enfermedad arterial
coronaria
⚫ Se obtiene el siguiente cuadro:

Enfermedad arterial coronaria

diagnosticada con patrón oro
Resultado test
Presente Ausente
Positivo 810 78
Negativo 190 322
1000 400
Para esta prueba tenemos que:

(
s=PT /E =+ 810
+

1000
)
= 0,810 ( −
e=PT /E =
322
−

400
)
= 0,805

(
 =PT /E =
+ 78
−

400
)
= 0,195 (
 =PT /E =
− 190
+

1000
)
= 0,190
Una prueba diagnóstica ayuda a mejorar una estimación de la
probabilidad de que un individuo presente una enfermedad.

⚫ En principio tenemos una idea subjetiva de P(Enfermo). Nos ayudamos de…

⚫ Incidencia: Porcentaje de nuevos casos de la enfermedad en la población.
⚫ Prevalencia: Porcentaje de la población que presenta una enfermedad.

⚫ Para confirmar la sospecha, usamos una prueba diagnóstica. Ha sido

evaluada con anterioridad sobre dos grupos de individuos: sanos y
enfermos. Así de modo frecuentista se ha estimado:
⚫ P(T+/ Enfermo)= Sensibilidad (verdaderos +)= Tasa de acierto sobre enfermos.
⚫ P(T-/ Sano) = Especificidad (verdaderos -) = Tasa de acierto sobre sanos.

⚫ A partir de lo anterior y usando el teorema de Bayes, podemos

calcular las probabilidades a posteriori (en función de los resultados
del test): Índices predictivos
⚫ P(Enfermo | T+) = Índice predictivo positivo
⚫ P(Sano | T -) = Índice predictivo negativo
Valores Predictivos

⚫ Valor Predictivo Positivo (VPP): es la probabilidad

de que un individuo esté enfermo dado que el
resultado de la prueba fue positivo. Es una
probabilidad condicionada.
⚫ El valor predictivo positivo puede estimarse, por tanto,
a partir de la proporción de pacientes con un resultado
positivo en la prueba que finalmente resultaron estar
enfermos:

+
(
Vp = P E / T + +
) =
VP
VP + FP
Valores Predictivos

⚫ Valor Predictivo Negativo (VPN): es la probabilidad

de que un individuo sea sano dado que el resultado a
la prueba fue negativo. También es una probabilidad
condicionada.
⚫ Ambas son probabilidades a posteriori, en función de
los resultados del Test.

−
(
Vp = P E / T − −
) =
VN
FN + VN
Aplicando el teorema de Bayes

⚫ Probabilidad a priori Bayes probabilidad a posteriori

s, e Vp+ , Vp-

En términos de la probabilidad a priori (p), espcificidad (e) y sensibilidad (s),

el valor predictivo positivo y el valor predictivo negativo se expresa:
+ p.s
Vp =
p.s + (1 − p )(1 − e)

Vp −
=
(1 − p ).e
(1 − p ).e + p(1 − s )
 Pruebas diagnósticas: aplicación
T. Bayes.
Sensibilidad, T+
P. a priori de enfermedad: verdaderos +
incid., preval., intuición,…
Enfermo

Falsos - T-
Individuo
Falsos +
T+
Sano

Especificidad, T-
Verdaderos -
 Ejemplo: Índices predictivos
Individuo

⚫ La diabetes afecta al 2% de 0,98 0,02

los individuos.

⚫ La presencia de glucosuria
se usa como indicador de
diabetes.

⚫ Su sensibilidad es de
0,945. 0,055 0,945
0,977 0,023
⚫ La especificidad de 0,977.

⚫ Calcular los índices

predictivos. T+ T- T+
T-
P( Sano T −) P( Enf  T +)
P( Sano | T −) = P( Enf | T +) =
P( Sano T −) + P( Enf  T −) P( Enf  T +) + P( Sano T +)
0,98  0,977 0,02  0,945
= = 0,999 = = 0,456
0,98  0,977 + 0,02  0,055 0,02  0,945 + 0,98  0,023
 Observaciones -¿Qué probabilidad
tengo de estar
enfermo?
⚫ En el ejemplo anterior, al llegar un - En principio un 2%. Le
individuo a la consulta tenemos una idea haremos unas pruebas.
a priori sobre la probabilidad de que
tenga una enfermedad.

⚫ A continuación se le pasa una prueba

diagnóstica que nos aportará nueva
información: Presenta glucosuria o no.

⚫ En función del resultado tenemos una

nueva idea (a posteriori) sobre la - Presenta glucosuria.
probabilidad de que esté enfermo. La probabilidad ahora
⚫ Nuestra opinión a priori ha sido es del 45,6%.
modificada por el resultado de un
experimento.
 MUCHAS GRACIAS!!

⚫ POR VUESTRA ATENCIÓN!!

⚫ DUDAS? PREGUNTAS?