Sensibilidad, Especificidad, Valor Predictivo.

Estos términos aplican cuando el resultado de la prueba  es positivo o negativo (test dicotómico); y además cuando existe un “patrón de oro” con el cual corroborar o descartar  la presencia de enfermedad.

Hay cuatro posibles resultados y se ejemplificarán en un cuadro.

  1. Una prueba positiva en una persona con enfermedad= verdadero positivo- VP= (a)
  2. Una prueba negativa en una persona sin enfermedad= verdadero negativo- VN= (d)
  3. Una prueba positiva en una persona sin enfermedad= falso positivo- FP= (b)
  4. Una prueba negativa en una persona con enfermedad= falso negativo- FN= (c)

Sensibilidad (S)=
la proporción de pacientes con enfermedad que tienen una prueba positiva (a/(a+ c)).

Especificidad (E)=
la proporción de pacientes sin enfermedad que tienen prueba negativa  (d/(b+d))

Determinantes que afectan la sensibilidad y especificidad de una prueba
  1. Sesgo de espectro:
    Ocurre cuando las medidas se obtienen de poblaciones de casos y controles “extremas”. Ejemplo se evalúa la prueba en personas muy enfermas; y luego se compara con un control joven y sano.
    Comparado con la población general el grupo de estudio tendrá más verdaderos positivos y más verdaderos negativos que los que se hallan en una población con un espectro más gradual de salud- enfermedad.
  2. Umbral de positividad:
    Se puede modificar el umbral necesario para que un test se considere positivo. Si se disminuye el umbral se incluirán más casos enfermos con lo que se aumenta la sensibilidad, pero se disminuye la especificidad. Si se aumenta el umbral se aumenta la especificidad, pero se disminuye la
¿Cómo se obtiene el mejor valor de corte o umbral?

Se busca el valor umbral que maximize tanto la sensibilidad como la especificidad. Hay una ecuación que resume esto y sirve para comparar dos pruebas que evaluén la misma determinación:

Overall accuracy (Validez global)= (VN + VP) / (VP+ VN+ FP+ FP)

Otra forma de comparar es utilizar la curva ROC (receiver operator characteristics).
En esta se grafica los valores de y= sensibilidad, y x=1-especificidad. La prueba que se desempeña mejor tiene valores más altos  y a la izquierda en su curva, y por ende mayor área bajo la misma.

Image result for curva ROC

Valor predictivo

La sensibilidad es la probabilidad del enfermo de ser detectado por una prueba y la especificidad la probabilidad de los que no tienen la enfermedad de tener un resultado negativo.
Sin embargo no sabemos en cuanto cambia la probabilidad pre-test un resultado positivo, lo cual depende de la prevalencia de la enfermedad. Para esto se definió el valor predictivo.

Valor predictivo positivo (VPP)=
proporción de pacientes con prueba positiva que están enfermos. (a/(a+b))

Valor predictivo negativo (VPN)=
proporción de pacientes con prueba negativa que no están enfermos (d/(d+c))

El valor predictivo positivo es la probabilidad de la prueba de detectar los enfermos y el valor predictivo negativo la probabilidad de detectar los que no tienen la enfermedad.

Por lo tanto es un concepto más útil para valorar la utilidad de una prueba diagnóstica, ya que combina información de sensibilidad y especificidad. Además es un término que depende de la población investigada (prevalencia).

Para aclarar estos términos usaremos un ejemplo.
Supongamos que en pacientes con dolor abdominal epigástrico  un TAC con contraste tiene una sensibilidad de 95% para diagnóstico de pancreatitis aguda, y un VPP de 80%.

¿Qué significa realmente?. Quiere decir que el TAC detecta un 95% de las pancreatitis (un 5% de FN), pero sólo en 80% de los resultados positivos son verdaderas pancreatitis.

Si utilizamos la prueba donde haya menos probabilidad o prevalencia de enfermedad (pacientes sin dolor abdominal), puede disminuir su VPP, al aumentar los falsos positivos; sin disminuir su 95% de sensibilidad.

En este caso disminuiría la especificidad