Sensibilidad y especificidad explicadas: Un blog de Cochrane UK Trainees

Publicado el febrero 14, 2025 por

Fundamentos de salud basada en evidencia

Sensibilidad y especificidad explicadas: Un blog de Cochrane UK Trainees

Autor/a – Universidad, País: Saul Crandon – Cochrane UK Blog

Traductor/a – Universidad, País: Citlalli Micaela Rojas Mayorquín – UDG Universidad de Guadalajara

Resumen

Las pruebas diagnósticas son una parte fundamental de la práctica médica clínica eficaz. Los conceptos de sensibilidad, especificidad y valores predictivos son métricas importantes para evaluar pruebas diagnósticas. Para profundizar, se recomienda explorar las curvas ROC (Receiver Operating Characteristic). Este concepto está fuera del alcance de este artículo.

Este blog ha sido escrito por Saul Crandon, médico académico del Foundation Program en el Oxford University Hospitals NHS Foundation Trust, ex bloguero de S4BE y ahora miembro del Grupo Asesor de Trainees de Cochrane UK e Irlanda (CUKI-TAG). Publicado originalmente en el sitio web de Cochrane UK, el blog explica qué significan y cómo calcular la «sensibilidad», la «especificidad», el «valor predictivo positivo» y el «valor predictivo negativo» en el contexto del diagnóstico de enfermedades.
El proceso de diagnóstico es una parte crucial de la práctica médica. Algunos consideran que el diagnóstico es un arte, como lo describe la definición de Merriam Webster: «el arte o acto de identificar una enfermedad a partir de sus signos y síntomas».

Para llegar a un diagnóstico, se debe considerar una gran cantidad de información, a menudo una anamnesis (que describen los síntomas que experimenta el paciente) y un examen clínico (que revela los signos relacionados con la enfermedad). Esto generalmente proporciona una lista razonable de diagnósticos diferenciales que pueden confirmarse o refutarse mediante pruebas diagnósticas. Como análisis de sangre, imágenes radiológicas, pruebas de orina y más.

Aquí está el punto clave: las pruebas nunca son 100 % precisas. Debemos considerar las estadísticas relacionadas con las pruebas para determinar qué hace que una prueba sea buena o no tan buena.
Consideremos el siguiente ejemplo:

Una empresa crea una prueba de sangre para la Enfermedad X.

 

TIENE ENFERMEDAD X NO TIENE ENFERMEDAD X
PRUEBA POSITIVA Verdaderos Positivos (VP) Falsos Positivos (FP)
PRUEBA NEGATIVA Falsos Negativos (FN) Verdaderos Negativos (VN)

Ahora veamos la misma tabla, con valores insertados para trabajar con ellos.

TIENE ENFERMEDAD X NO TIENE ENFERMEDAD X
PRUEBA POSITIVA 134 7
PRUEBA NEGATIVA 11 245

Sensibilidad

La sensibilidad es la proporción de personas CON la Enfermedad X que tienen una prueba de sangre POSITIVA. Una prueba con sensibilidad del 100 % significa que todos los individuos enfermos son identificados correctamente como enfermos, es decir, no hay falsos negativos. Es importante destacar que, como el cálculo involucra a todos los pacientes con la enfermedad, no se ve afectado por la prevalencia de la enfermedad.

«Si tengo la Enfermedad X, ¿cuál es la probabilidad de que mi prueba sea positiva?»

Matemáticamente, esto se expresa como:

Sensibilidad = Verdaderos Positivos / (Verdaderos Positivos + Falsos Negativos)
= VP / (VP + FN)
= 134 / (134 + 11)
= 134 / 145
= 0.924 × 100
Sensibilidad = 92.4 %

Es decir, la prueba de sangre de la empresa identificó al 92.4 % de las personas CON la Enfermedad X.

Una prueba sensible se usa para excluir una enfermedad, ya que rara vez clasifica erróneamente a las personas con una enfermedad como saludables.
Un ejemplo de prueba muy sensible es el dímero D (medido mediante un análisis de sangre). En pacientes con una baja probabilidad previa a la prueba, una prueba de dímero D negativa puede excluir con exactitud un trombo (coágulo de sangre).

Especificidad

La especificidad es la proporción de personas SIN la Enfermedad X que tienen una prueba de sangre NEGATIVA. Una prueba con especificidad del 100 % significa que todas las personas sanas son identificadas correctamente como sanas, es decir, no hay falsos positivos.

«Si no tengo la Enfermedad X, ¿cuál es la probabilidad de que mi prueba sea negativa?»

Matemáticamente, esto se expresa como:

Especificidad = Verdaderos Negativos / (Verdaderos Negativos + Falsos Positivos)
= VN / (VN + FP)
= 245 / (245 + 7)
= 245 / 252
= 0.972 × 100
Especificidad = 97.2 %

Dicho de otro modo, la prueba de sangre identificó al 97.2 % de las personas SIN la Enfermedad X.
Que una prueba sea específica sirve para descartar una enfermedad, ya que rara vez se diagnostica como enfermo a una persona sana. Por lo tanto, una prueba específica no diagnostica como enfermo a un individuo sano.

Valores Predictivos

Valor Predictivo Positivo (VPP): Es la proporción de personas con una prueba positiva que realmente tienen la Enfermedad X.

«Si tengo un análisis positivo, ¿cuál es la probabilidad de que tenga la enfermedad X?»

PPV = VP / (VP + FP)
= 134 / (134 + 7)
= 134 / 141
= 0.950 × 100
PPV = 95 %

En otras palabras, el análisis de sangre identificó que el 95% de las personas con un análisis de sangre POSITIVO padecían la Enfermedad X.

Como el cálculo del VPP y el VPN incluye individuos con y sin la enfermedad, se ve afectado por la prevalencia de la enfermedad en cuestión. Por lo tanto, debe asegurarse de que se utiliza la misma población (o de que la incidencia de la enfermedad es la misma entre las poblaciones) al comparar el VPP y el VPN de diferentes pruebas.

Valor Predictivo Negativo (VPN): Es la proporción de personas con una prueba negativa que no tienen la Enfermedad X.

“Si tengo un resultado negativo, ¿cuál es la probabilidad de que no tenga la Enfermedad X?»

NPV = VN / (VN + FN)
= 245 / (245 + 11)
= 245 / 256
= 0.957 × 100
NPV = 95.7 %

Lo que implica que el análisis de sangre identificó que el 95,7% de las personas con un análisis de sangre NEGATIVO no padecían la Enfermedad X.

Referencias

Tags:

Saul Crandon

Saul is an Internal Medicine Trainee at NHS Greater Glasgow & Clyde. He also holds Honorary Clinical Lecturer status at the University of Glasgow as part of his role within the Glasgow Academic Training Environment (GATE). He has previously worked as a doctor in both the UK and Australia. He graduated from the University of Liverpool in 2018 after being awarded an intercalated Masters of Research degree (Distinction) from the University of Leeds in 2017. Saul is currently serving his fourth year on the committee for the Cochrane UK & Ireland Trainees Advisory Group. Before joining CUKI-TAG, he was a Students4BestEvidence Pioneer, producing a catalogue of articles and tutorials on research methodology. He has a strong interest in the education and promotion of evidence-based medicine. Ver más entradas from Saul

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Subscribe to our newsletter

You will receive our monthly newsletter and free access to Trip Premium.