Introducción a la

epidemiología clínica

A)

INTRODUCCIÓN

La Epidemiología Clínica es una disciplina que intenta trasladar los conocimientos de la epidemiología a la
práctica diaria de la atención médica. El manejo de estos conocimientos da un marco más eficiente a la tarea
del médico de familia. Entender principios de razonamiento médico, aplicar correctamente estudios
diagnósticos e interpretarlos, generará mejoras en las decisiones clínicas.

El médico de familia / generalista debe conocer los principios de la epidemiología clínica

para practicar una medicina más eficiente y serle más útil a sus pacientes.

B)

OBJETIVOS

1) Conocer las bases del razonamiento diagnóstico.

2) Determinar la probabilidad como un camino para disminuir la incertidumbre.
3) Definir sensibilidad y especificidad.
4) Manejar el concepto de valor predictivo y sus propiedades.

C)

CONTENIDOS

1) Elementos del razonamiento diagnóstico

2) Los estudios diagnósticos y sus características operativas
3) Valor predictivo

PROFAM :: 97
 ELEMENTOS DEL RAZONAMIENTO DIAGNÓSTICO
1

Principios del razonamiento médico

Habitualmente, el médico cuenta con pocos datos de los pacientes antes de conocerlos. Los primeros datos
que suelen surgir del interrogatorio son, por ejemplo, la edad, el sexo y la procedencia del paciente. Con
estos datos, sin hacer más preguntas, ya podemos ir delineando ciertas posibilidades diagnósticas basándonos
solamente en la prevalencia de las enfermedades. (Se define como “prevalencia” la proporción de individuos
que presentan la misma enfermedad en un tiempo y lugar determinados.)

Por ejemplo, podemos enunciar las siguientes hipótesis según se tome en cuenta:

a) La edad del paciente. Si un joven 21 años consulta por síntomas urinarios es probable que se relacionen
con una uretritis; mientras que, si el que consulta es un varón de 71 años, lo más probable es que se trate de
una enfermedad prostática. De igual modo, una persona anciana con anemia microcítica, hipocrómica debería
hacer pensar en un sangrado gastrointestinal; mientras que, en una mujer joven, la orientación correcta
sería hacia una menometrorragia.

b) El sexo del paciente. El lupus eritematoso es más frecuente en las mujeres, mientras que la enfermedad
coronaria es más frecuente en los varones.

c) La procedencia del paciente. El ejemplo clásico son las patologías endémicas: hidatidosis, Chagas,
hidroarsenicismo crónico.

Obviamente, otros factores que se deben tener en cuenta en el proceso diagnóstico son: el motivo de consulta,
los antecedentes personales y familiares, los hallazgos físicos, los resultados de los exámenes comple-
mentarios, etc.

El modelo hipotético deductivo

En medicina, la información se recoge a partir de los datos anteriormente mencionados. El médico debe
realizar un proceso repetitivo y acoplado que consiste en depositar datos y hacer inferencias .

El mecanismo de pensamiento del modelo hipotético deductivo se puede describir sintéticamente en una
serie de pasos, tal como se muestra a continuación:

1er. paso: Generación de hipótesis

2do. paso: Acumulación de información
3er. paso: Organización e integración de esta información
4to. paso: Elección de una decisión sobre la base de las alternativas disponibles
5to. paso: Planteo de nuevas hipótesis y reinicio del ciclo

- 1er. paso: Generación de hipótesis. Es importante comprender que las hipótesis surgen con pocos datos
e inmediatamente . En promedio, la mente puede “manejar” entre dos y seis hipótesis diagnósticas en un
mismo momento.

PROFAM : : 98
 La generación de hipótesis es activada rápidamente a partir del reconocimiento de “patrones
clínicos” almacenados en la memoria del médico como “paquetes de información”. Estos
paquetes se incorporaron durante los estudios en la Facultad de Medicina, y lo hicieron en
forma de síndromes clínicos y corroborados con la práctica diaria. Así, cuando un médico
ve un paciente que pone su mano sobre el pecho y dice que le duele piensa, invariablemente,
en enfermedad coronaria.

- 2do. paso: Acumulación de información. Una vez que el médico genera hipótesis, comienza a agregar
información mediante el interrogatorio.

- 3er. paso: Organización e integración de la información. Las evidencias que surgen a partir de los datos
que aportan los pacientes se confrontan con las hipótesis diagnósticas previas del médico. En este paso, es
fundamental tener en cuenta el uso de los principios heurísticos.

“Heurística” es una palabra latina que significa conocimiento. La expresión “principios

heurísticos” se aplica a las asociaciones mentales de carácter intuitivo que influyen en el
proceso de razonamiento médico.

Se describen los siguientes principios heurísticos :

Principio de representatividad heurística. Este principio se basa en la semejanza que el médico establece
entre determinados hallazgos clínicos y una entidad nosológica definida. Por ejemplo, un paciente que se
presenta con cefalea y vómitos suele evocar en todo médico el diagnóstico de hipertensión endocraneana,
pese a que existen entidades mucho más frecuentes que se presentan con ambos síntomas.

Principio de disponibilidad heurística. Este principio se basa en la facilidad (disponibilidad) con que ciertos
hallazgos clínicos de un paciente recuerdan casos similares. Por ejemplo, un médico ha diagnosticado
recientemente una enfermedad de Wilson (enfermedad rara) en un paciente que se presentó con ictericia. Si
vuelve a ver próximamente otro paciente con ictericia, no podrá dejar de pensar en dicha enfermedad pese
a que él sabe que se trata de un cuadro muy raro.

Principio heurístico de anclaje y ajuste. Según este principio, el médico siempre establece un diagnóstico
presuntivo inicial (anclaje) y posteriormente analiza los datos obtenidos, pero solamente en función de esa
primera sospecha diagnóstica. Por ejemplo, una paciente de 26 años consulta en la Central de Emergencias
por dolor precordial. Si el diagnóstico presuntivo inicial (anclaje) es el de enfermedad coronaria, el médico
realizará los “ajustes” basados en este diagnóstico; o sea, preguntará si el dolor es de reposo o de esfuerzo,
si irradia hacia algún lado, etc. Solo después de realizar este primer proceso y de darse cuenta de que sus
preguntas de ajuste no se ajustan a su hipótesis inicial podrá pensar en otro diagnóstico presuntivo, como
pericarditis, crisis de angustia, etc.

Los principios heurísticos son herramientas que sirven habitualmente para acelerar el proceso
de razonamiento médico; sin embargo, no aseguran que la hipótesis planteada refleje la
prevalencia real de las enfermedades que el médico generalista maneja habitualmente.

- 4to. paso: Elección de una decisión sobre la base de las alternativas disponibles. Llegado este punto y
tomando en cuenta la totalidad de los datos recabados, el médico opta entre distintas alternativas: confirmar
la (o las) hipótesis iniciales, o plantear una nueva hipótesis y recomenzar el ciclo (5to. paso).

PROFAM :: 99
 La hipótesis es el primer eslabón en el proceso de razonamiento médico. Luego, el
interrogatorio, el examen físico y los estudios complementarios servirán para corroborarla
o no. (Los principios heurísticos suelen ayudar para el razonamiento médico, pero también
pueden conducir a errores.) Esta secuencia es cíclica y repetitiva hasta llegar a un grado
suficiente de certeza que el médico considere aceptable para tomar una conducta. Cada
eslabón de esta cadena se repite para cada hipótesis diagnóstica.

Probabilidad
Cuando se efectúan hipótesis diagnósticas, se establece una probabilidad (P) de que el paciente tenga o no
la enfermedad considerada. A menudo, esta estimación no es numérica, lo cual aumenta la posibilidad de
error. Por ejemplo, a continuación transcribimos un diálogo entre dos médicos acerca de un paciente que
acude a la Central de Emergencias por dolor precordial desencadenado después de una comida abundante:
Médico 1: “...puede ser que tenga reflujo gastroesofágico, aunque no se puede descartar una angina de
pecho...”. Médico 2: “... yo creo que lo más frecuente en este tipo de pacientes es la angina de pecho y que
el reflujo es menos probable...”.

Ante esta controversia, el Jefe de la Central de Emergencias les pide a ambos médicos que escriban en un
papel, según su criterio, cuál es la probabilidad de que el paciente tenga angina y cuál es la probabilidad de
que tenga reflujo. Ellos respondieron lo siguiente:

Angina de pecho Reflujo gastroesofágico

Médico 1 70% 30%
Médico 2 80% 20%

Como puede observarse, ambos médicos estaban diciendo prácticamente lo mismo; sin embargo, hasta no
expresarlo numéricamente no se habían dado cuenta.

Escribir la probabilidad de una hipótesis diagnóstica en una escala es una forma muy útil de
visualizar el nivel de certeza que tiene un médico sobre dicha hipótesis.

La escala de probabilidad sobre la que los dos médicos trabajaron mentalmente es la siguiente:

0 100
Certeza de NO enfermedad Certeza de enfermedad
(angina de pecho) (angina de pecho)

De esta manera, el concepto de probabilidad puede plantearse como un camino eficaz que
disminuye la incertidumbre, dado que cada valor (numérico) de probabilidad equivale a un
grado cualitativo de incertidumbre. En ese sentido, siempre que se establece una presunción
diagnóstica puede establecerse también una probabilidad numérica.

Veamos un ejemplo.

Un paciente de sexo masculino, de 62 años de edad, consulta a su médico de cabecera por dolor precordial
desencadenado por el esfuerzo que calma con el reposo.

PROFAM : : 100
Dadas las características del paciente, la probabilidad de padecer enfermedad coronaria es:

BAJA MODERADA ALTA

El siguiente paso es cuantificar esta probabilidad ALTA utilizando una escala donde el valor 0 (cero)
corresponda a la certeza de NO enfermedad y el valor 100, a la certeza de enfermedad coronaria.

0 100
Certeza de NO enfermedad coronaria Certeza de enfermedad coronaria

Sobre la base de los datos clínicos mencionados, el médico define una probabilidad de enfermedad coronaria
del 90%, que se expresa gráficamente de la siguiente manera:

0 90 % 100
Certeza de NO enfermedad P asignada Certeza de enfermedad
coronaria por el médico coronaria

A la probabilidad (P) asignada por el médico se la denomina probabilidad previa o probabilidad

pretest o anclaje (estos tres términos deben considerarse sinónimos). Para establecer el
anclaje, el médico se basa en los conocimientos que tenga acerca de la enfermedad en
cuestión (literatura médica) y en su experiencia personal.

El anclaje (o probabilidad previa o probabilidad pretest) cuantifica también la posibilidad de que el paciente
NO tenga la enfermedad.

Coronario 90 % No coronario 10 %

El anclaje se modifica según datos positivos (a favor) o negativos (en contra) que se obtengan del paciente.

0 90% 100

Modelo umbral de toma de decisiones

El principio básico es fijar previamente una probabilidad (P) de enfermedad que, según el criterio del
médico, justifique implementar un tratamiento. A esta P se la conoce como probabilidad umbral de
tratamiento . En la elección de la probabilidad umbral de tratamiento se deberán tener en cuenta factores
como el porcentaje de curación de la enfermedad, la modificación de la expectativa de vida, el alivio del
sufrimiento, etc. De la misma manera, se deberán considerar los riesgos asociados con la terapéutica, su
costo, la pérdida de días laborables que ocasione, etc. (En este caso, utilizaremos por convención que el
valor de la P va del 0 al 1.)

No tratamiento Tratamiento
Probabilidad de
enfermedad 0 Probabilidad umbral de 1
tratamiento: eficacia/ riesgo

PROFAM :: 101
Hasta aquí no se ha considerado la posibilidad de realizar un test diagnóstico que ayude a valorar aún más
la probabilidad de enfermedad: el médico elige solamente entre tratar o no tratar a un paciente. Sin embargo,
habitualmente el médico tiene acceso a estudios complementarios que deberán incorporarse en este modelo,
y surgen así las siguientes posibilidades:

Conducta expectante Pedir un estudio Indicar un tratamiento

(observar y esperar) (testear) directamente (tratar)

La representación gráfica del modelo umbral es la siguiente. En ella se hace referencia a dos puntos (a y b)
que dividen la barra en tres áreas:

a b

No test, no tratamiento
' Test
' No test y tratamiento

El punto a) se denomina el umbral del test y representa la probabilidad (P) de enfermedad por debajo de la
cual se debe descartar el tratamiento, ni tampoco se deben efectuar estudios; mientras que el punto b) se
denomina umbral test-tratamiento , que representa la P de enfermedad por encima de la cual se debe
iniciar el tratamiento sin solicitar estudios. Entre estos dos puntos umbrales, la estrategia óptima es realizar
un estudio diagnóstico (test) que guíe la decisión terapéutica. Los puntos umbrales (a y b) son móviles y
dependen de cada situación clínica particular.

A continuación veremos dos ejemplos para mostrar cómo funciona el modelo umbral.

Ejemplo 1

Un paciente de 40 años consulta con su médico de cabecera por dolor de garganta y fiebre. En el examen
físico se constata la presencia de exudado purulento (placas) y dos adenopatías cervicales anteriores.
El diagnóstico presuntivo es faringitis estreptocóccica. El modelo umbral posible sería el siguiente:

a b

No realizar ningún test y no tratar

' Testear
' No realizar ningún test y tratar con antibióticos

Como puede observarse, el área que representa la indicación de un estudio complementario o test (en este
caso, un exudado faríngeo) es muy estrecha (zona sombreada). Esto es así porque el tratamiento con penicilina
es altamente efectivo para los pacientes con la enfermedad y relativamente inocuo si se lo indica a un
paciente que no tiene faringitis estreptocóccica. El riesgo de no tratar una faringitis estreptocóccica en los
adultos también es bajo porque en ellos no existe el riesgo de que posteriormente desarrollen fiebre reumática.
De esta forma, en la práctica diaria es muy raro que a un adulto se le solicite un exudado faríngeo (test); se
lo trata con antibióticos directamente o simplemente no se lo trata.

Cuando la enfermedad por considerar es frecuente, tiene baja morbimortalidad y el tratamiento

es económico y no implica riesgos, los puntos umbrales se acercan y el área correspondiente
a la solicitud de un estudio (o test) es estrecha.

PROFAM : : 102
Ejemplo 2

Un paciente de 45 años consulta con su médico de cabecera por fiebre, sudoración nocturna, pérdida de peso
y adenopatías generalizadas. El diagnóstico presuntivo es linfoma. El modelo umbral posible sería el siguiente:

a b

'
No test, no tratamiento Test
' No test y tratamiento

Si el médico considera que el paciente puede tener un linfoma, no sería correcto comenzar un tratamiento
(quimioterapia) sin la confirmación mediante un estudio diagnóstico (biopsia); tampoco sería correcto no
estudiar ni tratar al paciente. Por lo tanto, en este caso, el área que representa la indicación de un estudio
complementario (test) es muy grande (zona sombreada).

Cuando la enfermedad por considerar tiene alta morbimortalidad y el tratamiento es riesgoso

y costoso, los puntos umbrales se alejan y el área correspondiente a la solicitud de un
estudio diagnóstico es amplia.

LOS ESTUDIOS DIAGNÓSTICOS

2 Y SUS CARACTERÍSTICAS OPERATIVAS

Los estudios diagnósticos se utilizan, básicamente, para diagnosticar una enfermedad (por ejemplo,
determinar dos muestras de colesterol total para diagnosticar dislipemia), evaluar un tratamiento (por
ejemplo, pedir una glucemia para evaluar la efectividad del tratamiento con un hipoglucemiante oral) y
efectuar un pronóstico (por ejemplo, medir la carga viral en un paciente VIH positivo).

En todo estudio diagnóstico existen dos importantes propiedades: la precisión (un estudio
es preciso cuando, al repetirlo, da siempre el mismo valor) y la exactitud (un estudio es
exacto cuando mide correctamente la variable en estudio).

Para graficar los conceptos de precisión y exactitud, en la Figura 1 presentamos tres blancos con diferentes
resultados:

Figura 1

a) b) c)
Preciso SÍ Preciso NO Preciso SÍ
Exacto NO Exacto NO Exacto SÍ

PROFAM :: 103
a) Se representa un estudio (test) diagnóstico que se repite varias veces y da siempre el mismo resultado
(preciso), pero que nunca es correcto (inexacto). Por ejemplo: con un tensiómetro mal calibrado, se obtienen
tres veces seguidas tomas de presión arterial de 130/80 mmHg pero, en realidad, la presión arterial del
paciente es de 160/110 mmHg.

b) Se representa un estudio que se repite varias veces y da resultados distintos (impreciso) e incorrectos
(inexacto). Por ejemplo: se investiga glucosuria con una tira reactiva de mala calidad y, en las sucesivas
mediciones, se obtienen valores diferentes dentro de un amplio rango.

c) Se representa un estudio que se repite varias veces y da siempre el mismo resultado (preciso) que refleja
la situación real del paciente (exacto). Por ejemplo: se realizan tres controles de peso en una persona, utilizando
como instrumento de medición una balanza bien calibrada, y se obtienen valores muy similares y
representativos del peso real del paciente.

El valor normal
El valor normal de un estudio (por ejemplo, glucemia, fracción de eyección, etc.) se determina a partir de
sucesivas mediciones realizadas en un gran número de personas consideradas sanas. Al graficar los resultados
obtenidos en un eje cartesiano, se observa que la mayoría de las mediciones tienden a agruparse alrededor
de un valor medio (promedio) y se forma una curva cuya forma remeda la de una campana (campana de
Gauss), tal como se muestra en la Figura 2.

Figura 2

2.5% 2.5%

2DS 2DS

95%

Se considera que el valor normal de un estudio es el comprendido entre la media (x) y dos desvíos estándar
(2 DS), lo que representa al 95% de la población sana (área sombreada). Como se observa en la Figura 2,
hay un 2.5% de resultados que quedarán a la izquierda (por fuera de los dos DS y del área sombreada) que
serán anormalmente bajos aunque los sujetos estén sanos . De la misma manera, un 2.5% de los resultados
quedarán ubicados a la derecha del área sombreada y resultarán anormalmente altos, aunque los individuos
también estén sanos .

PROFAM : : 104
 Por convención, el valor normal de un estudio incluye solamente al 95% de la población
sana.

Sensibilidad y especificidad
La sensibilidad y la especificidad son características operativas de los estudios diagnósticos. Es decir, son
condiciones intrínsecas o propias de un determinado test o estudio que definen cuán útil es para diagnosticar
una enfermedad o, lo que es lo mismo, cuán útil es para distinguir a un individuo enfermo de uno sano. Para
determinar la sensibilidad y/o la especificidad de un estudio, siempre se lo compara con el “mejor” estudio
que existe para detectar una determinada enfermedad; este “mejor” estudio se denomina patrón de oro o
gold standard. Por ejemplo, el gold standard para diagnosticar enfermedad coronaria (EC) es la
coronariografía.

Cuando se evalúa un estudio “x”, lo ideal sería que todos los pacientes que el gold standard define como
enfermos también sean catalogados como enfermos por el estudio “x”, y todos los sanos como sanos; sin
embargo, es muy raro que esto ocurra en la práctica y siempre existe una fracción de enfermos a los que el
estudio “x” cataloga como sanos y una fracción de sanos a las que el estudio “x” cataloga como enfermos.

Ahora bien, intentaremos definir qué entendemos por sensibilidad y por especificidad. Empezaremos por
la sensibilidad y, para ello, trabajaremos con los pacientes enfermos .

Diremos, entonces, que ante un determinado test o estudio diagnóstico, un paciente enfermo
tiene dos posibilidades: tener un resultado positivo (celdilla A), lo que lo convierte en un
verdadero positivo (VP) o tener un resultado negativo (celdilla C), lo que lo convierte en un
falso negativo (FN) (Figura 3).

Figura 3

Enfermos
(+) VP
Test
(-) FN

La sensibilidad, entonces, se define a partir de los pacientes enfermos, mediante la siguiente fórmula:

VP
Sensibilidad =
VP + FN

Es decir que, de todos los resultados que provienen de pacientes enfermos (VP y FN) la sensibilidad detecta
a los que tienen resultados positivos (VP). Por ejemplo, la sensibilidad de la prueba ergométrica graduada
(PEG) para el diagnóstico de la enfermedad coronaria (EC) es del 80%. Esto significa que de 100 pacientes
con EC, o sea enfermos (corroborados por el gold standard que, en este caso, es la coronariografía), 80
tendrán una PEG positiva (VP) y 20 una PEG negativa (FN).

PROFAM :: 105
 En términos prácticos, podríamos decir que la sensibilidad es la capacidad que tiene un
estudio para detectar a los que están enfermos. En otras palabras, la sensibilidad de un
estudio sirve para detectar a los enfermos que tienen un estudio positivo.

Definamos ahora el concepto de especificidad. Para ello, trabajaremos con los pacientes sanos .

Diremos, entonces, que ante un determinado test o estudio diagnóstico, un paciente sano
tiene dos posibilidades: tener un resultado positivo (CELDILLA B), lo que lo convierte en
un falso positivo (FP), o tener un resultado negativo (CELDILLA D), lo que lo convierte en un
verdadero negativo (VN) (Figura 4).

Figura 4

Sanos
(+) FP
Test
(-) VN

La especificidad, entonces, se define a partir de los pacientes sanos mediante la siguiente fórmula:

VN
Especificidad =
VN + FP

Es decir que, de todos los resultados que provienen de pacientes sanos (VN y FP), la especificidad confirma
a los que tienen resultados negativos (VN). Por ejemplo, la especificidad de la PEG para el diagnóstico de
EC es del 74%. Esto significa que de 100 pacientes sin EC, o sea sanos (corroborados por el gold standard
que es la coronariografía), 74 tendrán una PEG negativa (VN) y 26, una PEG positiva (FP).

En términos prácticos, podríamos decir que la especificidad es la capacidad que tiene un

estudio para descartar a los que están sanos. En otras palabras, la especificidad de un
estudio sirve para confirmar a los sanos que tienen un resultado negativo.

En la siguiente tabla, conocida como Tabla de 2 x 2 (Figura 5), se detallan las fórmulas que se explicaron
hasta aquí. Se conjuga la posibilidad de tener o no la enfermedad con la posibilidad de que el resultado del
estudio sea positivo o negativo, y surgen así cuatro celdillas: A, B, C y D.

Figura 5

Tabla de 2 x 2
Enfermedad
PRESENTE AUSENTE

(+) VP FP
Test
(-) FN VN
VP VN
S= E=
FN + VP VN + FP

PROFAM : : 106
También se pueden definir las tasas recíprocas de la sensibilidad y la especificidad. Si vemos las fórmulas de
abajo, podemos definir la tasa de falsos negativos (TFN) como la proporción de pacientes enfermos que
tienen un resultado negativo, y la tasa de falsos positivos (TFP) como la proporción de pacientes sanos que
tienen un resultado positivo.

FN FP
TFN = TFP =
FN + VP VN + FP

Al ser recíprocas, las tasas mencionadas pueden informarse como: TFN = 1 - sensibilidad y
TFP = 1 - especificidad.

En el ejemplo de la PEG, esta tiene una TFN de 20% y una TFP del 26%. De manera tal que cuanto más
sensible es un estudio, menor es la TFN, y cuanto más específico es un estudio, menor es la TFP.

VALOR PREDICTIVO
3
El objetivo de este último contenido es integrar los conceptos desarrollados en los dos primeros para
llevarlos a la práctica clínica cotidiana con los pacientes. En el primer contenido hemos definido la
probabilidad previa (anclaje, probabilidad pretest) como la probabilidad que le asignamos a un paciente de
estar enfermo o sano antes de aplicar un test. En el contenido 2 hemos visto que, salvo el gold standard, la
mayoría de los tests definen cuatro opciones posibles (verdaderos positivos, verdaderos negativos, falsos
positivos y falsos negativos) y que, sobre esa base se definen la sensibilidad, la especificidad y las tasas de
falsos negativos y positivos.

Ahora bien, cuando evaluamos el resultado de un test diagnóstico, las dos preguntas que en realidad nos
hacemos quienes vemos pacientes todos los días son las siguientes: si el resultado del estudio es positivo,
¿cuán probable es que mi paciente tenga la enfermedad en la que estoy pensando?; y, por otra parte, si el
resultado del estudio es negativo, ¿cuán probable es que mi paciente esté verdaderamente sano? La respuesta
a estas preguntas está dada por el concepto de valor predictivo .

El valor predictivo es la probabilidad de que el resultado de un estudio sea correcto. El valor

predictivo positivo (VPP) es la probabilidad de que un paciente que nos trae un resultado
positivo esté realmente enfermo mientras que el valor predictivo negativo (VPN) es la
probabilidad de que un paciente que nos trae un resultado negativo esté realmente sano.

El VPP se determina sobre la base de todos los estudios positivos (celdillas A y B de la Tabla de 2 x 2)
(Figura 6).

PROFAM :: 107
Figura 6

Enfermedad
PRESENTE AUSENTE

(+) FP VP
Test VP VPP=
FP+VP

El VPN se determina sobre la base de todos los estudios negativos (celdillas C y D) (Figura 7).

Figura 7

Enfermedad
PRESENTE AUSENTE

(-) FN VN VN
Test VPN=
FN+VN

Finalmente, combinando las dos fórmulas en la Tabla de 2 x 2 (Figura 8).

Figura 8

Enfermedad
PRESENTE AUSENTE

(+) VP FP VP
VPP=
VP+FP
VN
Test (-) FN VN VPN=
FN+VN

Lo interesante del VP es que es un concepto profundamente clínico ya que se basa en el anclaje (o probabilidad
pretest) y, utilizando las características operativas de un test (sensibilidad y especificidad), determina una
nueva probabilidad (que denominamos “probabilidad postest”).

El VP modifica el anclaje o probabilidad pretest, llevándola a una nueva probabilidad,

denominada probabilidad postest.

El VPP modifica el anclaje previo llevándolo desde la probabilidad pretest hacia la certeza de enfermedad
(lo acerca a 1) (Figura 9).

Figura 9

VPP
'
0 P pretest P postest 1

PROFAM : : 108
El VPN modifica el anclaje previo llevándolo hacia la certeza de que no hay enfermedad (lo acerca a 0)
(Figura 10).

Figura 10

VPN
'
0 P postest 1
P pretest

El concepto de VP es fundamental y es el que más utilizamos en la práctica clínica con el paciente individual.
Veamos: si a Ud. le dicen que un paciente tiene un exudado de fauces negativo para estreptococo, ¿cree Ud.
que es lo mismo que el resultado provenga de un paciente con placas en la garganta, adenopatías
láterocervicales y fiebre que de un paciente que solamente tiene odinofagia?

Analicemos, pues, el concepto de valor predictivo (VP) utilizando el ejemplo del test rápido de fauces para
el diagnóstico de faringitis estreptocóccica como test (sensibilidad del test: 73% y especificidad: 96%) y la
faringitis estreptocóccica como enfermedad . Utilizaremos la siguiente regla de predicción clínica: la
probabilidad de que un paciente de 15 a 44 años que consulta por odinofagia tenga una faringitis
estreptocóccica (FE) puede estimarse tomando en cuenta los siguientes parámetros clínicos: temperatura
mayor a 38 °C, exudados amigdalinos (placas), adenopatía cervical anterior dolorosa y ausencia de tos. Si
ninguno de estos parámetros está presente, la probabilidad de que se trate de una FE es del 1%; si hay un
hallazgo presente es del 3%; dos hallazgos, 9%; tres, 21% y cuatro, 42%.

Un paciente de 25 años consulta por dolor de garganta de tres días de evolución. Las fauces están congestivas,
no hay placas, adenopatías, fiebre ni tos. Este paciente tiene un solo parámetro positivo (ausencia de tos) y,
por lo tanto, tiene una probabilidad de tener FE del 3%. Esto significa que la probabilidad previa (o pretest
o anclaje o prevalencia) de FE en este paciente es del 3% (Figura 11).

Figura 11

3%

'
0 0.5 1
Certeza de NO FE Certeza de FE

Veamos qué ocurre si le pedimos un test rápido a este paciente. Para ello, utilizaremos la Tabla de 2 x 2.
(Atención: leer con detenimiento este ejemplo para entender cómo se arma la Tabla de 2 x 2 y así
comprender, en números, el concepto de valor predictivo. ) Si el anclaje que establecimos es del 3%,
asumimos que de 1000 pacientes, 30 tienen el estreptococo (FE presente) y 970, no (FE ausente). Si la
sensibilidad del test rápido es del 73%, veremos que de los 30 pacientes con FE detectaremos a 22 (verdaderos
positivos, celdilla A) y se nos pasarán 8 (falsos negativos, celdilla C). Esto se calcula utilizando una regla de
tres simple: si de 100 enfermos con el test detecto a 73 (sensibilidad del test), de 30 detectaré a 22. Del mismo
modo, si la especificidad del test rápido es del 96%, veremos que de 970 pacientes sin FE, 931 corresponderán
a verdaderos negativos (celdilla D) y 39 a falsos positivos (celdilla B). Esto también se calcula utilizando

PROFAM :: 109
una regla de tres simple: si de 100 sanos con el test confirmo a 96 (especificidad del test), de 970 confirmaré
(verdaderos negativos) a 931. Veamos ahora (Figura 12) cómo queda la Tabla de 2 x 2 y veamos cómo se
calcula el valor predictivo y qué significado tiene:

Figura 12

Faringitis estreptocóccica
PRESENTE AUSENTE
30 970
(+) VPP= 22 = 36 %
22 39 22+39
VPN= 931 = 99 %
(-) 8 931 8+931

Sens.= 73% Esp.= 96%

Vemos aquí que un test rápido positivo lleva la probabilidad del 3% (probabilidad previa o pretest o anclaje)
al 36% (probabilidad posterior o postest). Este 36% es el valor predictivo positivo (VPP) del test rápido de
fauces aplicado en un paciente con un anclaje del 3%. En otras palabras, podemos decir que de todos los
resultados positivos (39 + 22 = 61), el 36% (22) corresponde a verdaderos positivos y el 64% (39) a falsos
positivos. Como puede observarse (Figura 13), la ganancia de información con un test rápido positivo es
muy baja (aumentó solamente un 33%).

Figura 13

3% 36%
VPP
'
0 0.5 1
P pretest P postest

Certeza de NO FE Certeza de FE

Veamos ahora qué ocurre con los resultados negativos del test rápido. El valor predictivo negativo (VPN)
es del 99%. En otras palabras, podemos decir que de todos los resultados negativos (8 + 931 = 939), el 99%
(931) corresponde a verdaderos negativos y el 1% (8), a falsos negativos. Es decir que de una probabilidad
previa del 3% pasamos, con un resultado negativo, a una probabilidad posterior o postest del 1% (este 1%
se calcula restando 100% a 99% que es el resultado del VPN). Como puede observarse (Figura 14), la
ganancia de información con un test rápido negativo es muy baja (se modificó sólo en el 2%).

Figura 14
1% 3%
VPN

'
0 P pretest 0.5 1

P postest
Certeza de NO FE Certeza de FE

PROFAM : : 110
 El concepto más importante que debemos aprender de este ejemplo es el siguiente: si la
probabilidad previa es muy baja, cuando se aplica un test diagnóstico la ganancia de
información suele ser muy baja.

Veamos, a continuación, qué ocurre cuando la probabilidad previa es intermedia. Un paciente de 25 años
consulta por dolor de garganta de tres días de evolución. Las fauces están congestivas, la temperatura es
superior a 38°C, tiene exudados amigdalinos (placas), adenopatía cervical anterior dolorosa y no tiene tos.
Este paciente tiene cuatro parámetros clínicos positivos y, por lo tanto, tiene una probabilidad de tener FE
del 42%. Esto significa que (Figura 15) la probabilidad previa (pretest, anclaje o prevalencia) de FE en este
paciente es del 42%.

Figura 15

42%

'
0 0.5 1
P pretest Certeza de FE
Certeza de NO FE

Veamos qué ocurre si le pedimos un test rápido a este paciente. Para ello, utilizaremos nuevamente la Tabla
de 2 x 2. Si el anclaje que establecimos es del 42%, asumimos que de 1000 pacientes, 420 tienen el estreptococo
(FE presente) y 580, no (FE ausente). Si la sensibilidad del test rápido es del 73%, veremos que de los 420
pacientes con FE detectaremos a 306 (verdaderos positivos, celdilla A) y se nos pasarán 114 (falsos negativos,
celdilla C). Del mismo modo, si la especificidad del test rápido es del 96%, veremos que de 580 pacientes
sin FE, 557 corresponderán a verdaderos negativos (celdilla D) y 23, a falsos positivos (celdilla B). Veamos
(Figura 16) ahora cómo queda la Tabla de 2 x 2:

Figura 16

Faringitis estreptocóccica
PRESENTE AUSENTE
420 580
(+) 306 23 VPP= 93%

(-) 114 557 VPN= 83%

Sens.= 73% Esp.= 96%

Partiendo de una probabilidad pretest del 42%, un resultado positivo lleva la probabilidad postest al 93%
(VPP) (Figura 17).

PROFAM :: 111
Figura 17
42% 93%
VPP
'
0 0.5 1
P pretest P postest

Por otro lado, un resultado negativo lleva la probabilidad postest al 17% (recordar que este número surge
de 100% -VPN) (Figura 18).

Figura 18
17% 42%
VPN

'
0 0.5 1

Como puede observarse, en este caso (probabilidad previa del 42%), las probabilidades posteriores se
movieron mucho más que en el caso anterior (probabilidad previa del 3%). Vemos que con una prevalencia
o probabilidad pretest o previa del 42%, si utilizamos un test rápido, el 93% de los positivos serán verdaderos
positivos (VPP) y el 83% de los negativos serán verdaderos negativos (VPN).

El concepto más importante que debemos aprender de este ejemplo es el siguiente: la

ganancia de información es mayor cuando las probabilidades de tener una enfermedad son
intermedias (entre un 40% y un 70%).

Resumen conceptual
Muchos alumnos refieren que les cuesta comprender este tema, que la Tabla de 2 x 2 no se entiende, que las
cuentas, que los números, etc. Nosotros lo hemos explicado utilizando ejemplos numéricos porque creemos
que, de esta forma, se llega mejor a comprender los conceptos. Sin embargo, lo que nos interesa en realidad
es que el alumno comprenda que los tests diagnósticos no son útiles por sí mismos sino que solamente son
útiles si se interpretan teniendo en cuenta el contexto. En este caso, el contexto es la probabilidad previa (o
anclaje o probabilidad pretest o prevalencia); es decir, lo que nos interesa es que el alumno comprenda que
no es lo mismo el significado que debemos darle a una PEG positiva en un paciente de 65 años, varón,
fumador, hipercolesterolémico e hipertenso que consultó por dolor precordial típico que en una mujer de
30 años que no fuma, no es hipertensa ni hipercolesterolémica y que consultó por una puntada en el pecho.
El VPP positivo de la PEG positiva en el primer caso (probabilidad previa alta) será muy alto, es decir, lo
más probable es que corresponda a un verdadero positivo; por el contrario, en el segundo caso, lo más
probable es que la PEG positiva corresponda a un falso positivo, ya que el VPP de la PEG en esa mujer
(probabilidad previa baja) será bajo.

Lo más importante que debe conocer el médico para ser efectivo es la prevalencia de las
enfermedades y las características de los tests (sensibilidad y especificidad).

PROFAM : : 112
D)

RESUMEN FINAL

Datos del paciente.

'
Elaboración de hipótesis.

'
Operatividad de la hipótesis (llegar a un nivel de confianza para tomar una decisión).

'
Determinar una probabilidad pretest (o anclaje o probabilidad previa o prevalencia).

'
Desplegar el modelo umbral.

'
Si se decide realizar un test, conocer su sensibilidad y especificidad.

'
Una vez realizado el test, se puede determinar:

el valor predictivo positivo. el valor predictivo negativo.

'
Si el resultado se acerca a 1 (o a 100),
a probabilidad postest se acerca a 1 (o a 100),
lo que implica certeza de enfermedad.
'
Si el resultado se acerca a 0,
la probabilidad postest se acerca a 0,
lo que implica certeza de no enfermedad.

PROFAM :: 113
E)

BIBLIOGRAFÍA RECOMENDADA

Brett AS. Hidden ethical issues in clinical decision analysis . N
Engl J Med 1981; 305(19): 1150-2.
Diamond GA, et al. Metadiagnosis. An epistemologic model
of clinical judgment. Am J Med 1983; 75(1): 129-37.
D o you ever mix up sensitivity and specificity?
BMJ 2003;327 (27 September), doi:10.1136/bmj.327.7417.0-b.
Disponible en: *
Eddy DM. Clinical decision making: from theory to practice.
Anatomy of a decision. JAMA 1990; 263(3): 441-3.
Eisenberg JM. Sociologic influences on decision-making by
clinicians. Ann Intern Med 1979; 90(6): 957-64.
Feinstein AR. Fraud, distortion, delusion, and consensus: the
problems of human and natural deception in epidemiologic
science. Am J Med 1988; 84(3 Pt 1): 475-8.
Loong TW. Understanding sensitivity and specificity with the
right side of the brain . BMJ 2003; 327(7417): 716-9. Errata en:
BMJ 2003; 327(7422): 1043.
McNeil BJ, et al. Primer on certain elements of medical
decision making . N Engl J Med 1975; 293(5): 211-5.
Moskowitz AJ, et al. Dealing with uncertainty, risks, and
tradeoffs in clinical decisions. A cognitive science approach.
Ann Intern Med 1988; 108(3): 435-49.
Pauker SG, et al. Decision analysis . N Engl J Med 1987; 316(5):
250-8.
Redelmeier DA, et al. Understanding patients’ decisions.
Cognitive and emotional perspectives . JAMA 1993; 270(1): 72-6.
Sackett DL, et al. Clinical epidemiology: a basic science for
clinical medicine. 1 st ed. Boston: Little, Brown, ©1985.

Kahneman D, editor, et al. Judgment under uncertainty: Schwartz S, et al. Medical thinking: the psychology of medical
heuristics and biases . Cambridge, NY: Cambridge University judgment and decision making . New York: Springer-Verlag,
Press, ©1982. ©1986.

Kassirer JP, et al. Decision analysis: a progress report. Ann Sox HC. Medical decision making . Boston: Butterworth,
Intern Med 1987; 106(2): 275-91. ©1988.

Kassirer JP, et al. Diagnostic reasoning. En: Wyngaarden JB,
editor, et al. Cecil textbook of medicine. 19th ed. Philadelphia,
PA: W.B. Saunders, 1992. p. 71-5.
Kassirer JP, et al. Learning clinical reasoning. Baltimore:
Williams & Wilkins, ©1991.
Tversky A, et al. The framing of decisions and the psychology
of choice. Science 1981; 211(4481): 453-8.
Weinstein MC, et al. Clinical decision analysis . Philadelphia:
Saunders, 1980.

*URL:http://bmj.bmjjournals.com/cgi/content/full/327/74170b?maxtoshow=&HITS=10&hits=10&RESULTFORMAT
=1&title=do+you+ever+mix+up+sensitivity+and+specificity&andorexacttitle=and&andorexacttitleabs=and&andorexactfulltext
=and&searchid=1133563186258_18109&stored_search=&FIRSTINDEX=0&sortspec=relevance&fdate=1/1/2003&tdate=12/
31/2003&resourcetype=1,2,3,4
[Consulta : 02/12/2005].

PROFAM : : 114