Sensibilidad y especificidad explicadas: Un blog de Cochrane UK Trainees
Autor original: Saul Crandon
Artículo original en S4BE
Traductora: 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 describe 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.
Un ejemplo práctico
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 = VP / (VP + FN)
= 134 / (134 + 11)
= 134 / 145
= 0.924 × 100
Sensibilidad = 92.4 %
Es decir, la prueba de sangre 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. En pacientes con baja probabilidad previa a la prueba, una prueba de dímero D negativa puede excluir con exactitud un trombo.
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?”
Especificidad = 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.
Una prueba específica sirve para confirmar una enfermedad, ya que rara vez diagnostica como enfermo a una persona sana.
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?”
VPP = VP / (VP + FP)
= 134 / (134 + 7)
= 134 / 141
= 0.950 × 100
VPP = 95 %
En otras palabras, el análisis de sangre identificó que el 95 % de las personas con un análisis POSITIVO padecían la Enfermedad X.
Como el cálculo del VPP y del VPN incluye individuos con y sin la enfermedad, se ve afectado por la prevalencia de la enfermedad. Por ello, debe asegurarse que se utiliza la misma población al comparar 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?”
VPN = VN / (VN + FN)
= 245 / (245 + 11)
= 245 / 256
= 0.957 × 100
VPN = 95.7 %
Lo que implica que el análisis de sangre identificó que el 95.7 % de las personas con un análisis NEGATIVO no padecían la Enfermedad X.
Mensaje clave: 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 en este tema, se recomienda explorar las curvas ROC (Receiver Operating Characteristic).
Bibliografía
- diagnosis. (2025). Merriam-Webster Dictionary. https://www.merriam-webster.com/dictionary/diagnosis
- Lalkhen AG, McCluskey A. Clinical tests: sensitivity and specificity. Continuing Education in Anaesthesia Critical Care & Pain. 2008;8(6):221–223. https://doi.org/10.1093/bjaceaccp/mkn041