Calculadora gratuita de Editverse
Calculadora de precisión diagnóstica
Convierta una tabla de prueba versus verdad de 2×2 en sensibilidad, especificidad, valores predictivos y razones de verosimilitud, y luego recalcule el VPP y el VPN para la prevalencia de su población objetivo. Lea la guía de interpretación completa a continuación. Validado con R 4.3.3.
En palabras simples
La precisión diagnóstica describe la capacidad de una prueba para distinguir entre las personas que padecen una enfermedad y las que no. La sensibilidad es la proporción de personas realmente enfermas que la prueba identifica correctamente; la especificidad es la proporción de personas realmente sanas que no la detecta. Ambas son propiedades de la prueba en sí y no varían según la frecuencia de la enfermedad.
Lo que un médico suele buscar es lo contrario: dado un resultado positivo, ¿cuál es la probabilidad de padecer la enfermedad? Ese es el valor predictivo positivo , y a diferencia de la sensibilidad, depende en gran medida de la prevalencia . La misma prueba resulta mucho menos convincente cuando la enfermedad es poco frecuente. Los índices de verosimilitud combinan la sensibilidad y la especificidad en una única medida, independiente de la prevalencia, que indica cuánto influye un resultado en la probabilidad de padecer la enfermedad.
¿Cuándo utilizar medidas de precisión diagnóstica?
Utilice estas medidas siempre que evalúe una prueba con resultado binario comparándola con un estándar de referencia ("patrón oro"). Informe la sensibilidad y la especificidad para caracterizar la prueba, los valores predictivos para describir su desempeño en una población con una prevalencia determinada y los cocientes de probabilidad cuando necesite una medida aplicable a diferentes contextos.
Si la prueba produce una puntuación continua en lugar de un resultado dicotómico (sí/no), resuma su capacidad de discriminación con una curva ROC y el área bajo la curva (AUC) , y elija un umbral de forma deliberada. Indique siempre un intervalo de confianza del 95 % para cada proporción y especifique la prevalencia utilizada para los valores predictivos, de modo que los lectores puedan reinterpretarlos en su propio contexto. ¿No sabe qué medida utilizar? Nuestro selector de pruebas interactivo puede ayudarle.
tp <- {tp}; fp <- {fp}; fn <- {fn}; tn <- {tn} sens <- tp/(tp+fn); spec <- tn/(tn+fp) c(sensibilidad = sens, especificidad = spec)Guía del usuario
Cuándo usarlo. Evalúe el rendimiento de la prueba diagnóstica a partir de una comparación de 2x2 entre el resultado de la prueba y el estado real de la enfermedad.
Supuestos. Un estándar de referencia válido (estándar oro) clasifica el verdadero estado de la enfermedad.
Errores comunes. El VPP y el VPN dependen en gran medida de la prevalencia de la enfermedad: infórmelo.
Ejemplo trabajado
Haga clic en "Cargar datos de ejemplo" arriba y, a continuación, en "Ejecutar análisis" para ver un resultado completo con la figura, la fórmula y la interpretación de esta prueba.
Referencias
- Altman DG, Bland JM. Pruebas diagnósticas 1: sensibilidad y especificidad. BMJ. 1994;308:1552.
Valor predictivo positivo (VPP) y valor predictivo negativo (VPN) en función de la prevalencia en la población objetivo.
El VPP y el VPN en la salida anterior utilizan la prevalencia dentro de su tabla de 2×2, (TP + FN) / N. Para ver cómo se desempeña la prueba donde la condición es más o menos común, ingrese la prevalencia de esa población. El teorema de Bayes da VPP = Se·P / [Se·P + (1 − Sp)(1 − P)] y VPN = Sp(1 − P) / [Sp(1 − P) + (1 − Se)P].
Ejemplos resueltos
Ejemplo 1: Lectura de una tabla de 2×2
Con 90 verdaderos positivos, 10 falsos negativos, 80 verdaderos negativos y 20 falsos positivos, la sensibilidad es 90/100 = 90% y la especificidad es 80/100 = 80%. Sin embargo, el valor predictivo positivo depende de la prevalencia: en esta muestra equilibrada es 90/110 = 82%, pero en una población de cribado de baja prevalencia sería mucho menor.
Ejemplo 2: Por qué las razones de verosimilitud ayudan
Un cociente de probabilidad positivo de 4.5 (sensibilidad 0.90 / [1 − especificidad 0.80]) significa que un resultado positivo es 4.5 veces más probable en una persona enferma que en una sana. Multiplicar las probabilidades previas a la prueba por este cociente da como resultado las probabilidades posteriores a la prueba, independientemente de la prevalencia en el contexto.
Supuestos a verificar
Un estándar de referencia fiable. La sensibilidad y la especificidad dependen de la calidad del estándar de referencia utilizado para clasificar el estado real de la enfermedad. Una referencia imperfecta introduce sesgos en todas las mediciones.
Espectro representativo de pacientes. El rendimiento de la prueba, medido en personas claramente enfermas frente a personas claramente sanas, sobreestima la precisión en comparación con los casos ambiguos que se observan en la práctica (sesgo de espectro).
La prevalencia se indica para los valores predictivos. El VPP y el VPN no son propiedades de la prueba; varían según la prevalencia. Siempre se debe informar la prevalencia con la que se calcularon.
Errores comunes
Confundir el valor predictivo con la sensibilidad.
La sensibilidad responde a la pregunta: "¿Dado que existe la enfermedad, la prueba dará positivo?". El valor predictivo responde a la pregunta inversa: "Dado que la prueba da positivo, ¿existe la enfermedad?". No son intercambiables.
Ignorar la prevalencia
Una prueba altamente sensible y específica aún puede producir principalmente falsos positivos cuando la afección es poco frecuente. Siempre interprete los valores predictivos teniendo en cuenta la prevalencia.
Omitir intervalos de confianza
Cada proporción es una estimación. Indique un intervalo de confianza del 95 % , especialmente cuando el número de casos en las celdas sea pequeño.
Forzar una prueba continua a un único punto de corte
Si la prueba proporciona una puntuación continua, una tabla de 2×2 no refleja su rendimiento completo. Utilice un análisis ROC y justifique el umbral elegido.
Preguntas frecuentes
¿Cuál es la diferencia entre sensibilidad y especificidad?
La sensibilidad es la tasa de verdaderos positivos entre las personas enfermas; la especificidad es la tasa de verdaderos negativos entre las personas sanas. Una prueba puede ser fiable en una de ellas y poco fiable en la otra.
¿Por qué cambia el valor predictivo con la prevalencia?
Porque el valor predictivo depende de cuántos casos reales existan en la población analizada. Cuanto más rara sea la enfermedad, mayor será la cantidad de falsos positivos, lo que reduce el valor predictivo positivo.
¿Qué es una razón de verosimilitud?
Es el factor que determina si el resultado de una prueba modifica la probabilidad de padecer una enfermedad. Un cociente de probabilidad positivo superior a 10 indica una fuerte evidencia de enfermedad; un cociente negativo inferior a 0.1 indica una fuerte evidencia en contra.
¿Coincide el resultado con SPSS, R y Stata?
Sí. La calculadora utiliza las fórmulas estándar de 2×2 para cada medida y muestra el comando exacto de R para que puedas reproducirlo.
Calculadoras relacionadas
Referencias
- Buderer, Nuevo México. Metodología estadística: incorporación de la prevalencia de la enfermedad en el cálculo del tamaño de la muestra para la sensibilidad y la especificidad. Acad Emerg Med. 1996;3(9):895–900. PMID 8870764.
- Thomas R, Mengersen K, Parikh RS, et al. La llegada del reverendo: introducción y aplicación del teorema de Bayes en la oftalmología clínica. Oftalmología clínica experimental. 2011;39(9):865–870. PMID 21575118.
- Altman DG, Bland JM. Pruebas diagnósticas 1: sensibilidad y especificidad. BMJ. 1994; 308 (6943): 1552.
¿Necesita que se realice este análisis en su manuscrito?
Nuestros bioestadísticos con doctorado calculan la sensibilidad, la especificidad, los valores predictivos y las razones de verosimilitud con intervalos de confianza, y entregan tablas listas para su publicación con resultados reproducibles en R.