RT Book, Section A1 White, Susan E. SR Print(0) ID 1201604364 T1 Métodos de medicina basada en evidencias y análisis de decisiones T2 Bioestadística Básica y Clínica, 5e YR 2021 FD 2021 PB McGraw-Hill Education PP New York, NY SN 9781264268740 LK accessmedicina.mhmedical.com/content.aspx?aid=1201604364 RD 2024/10/13 AB CONCEPTOS CLAVE La selección del procedimiento diagnóstico apropiado depende, en parte, del índice de sospecha del médico. El modelo del umbral para las pruebas contiene dos puntos de decisión: cuando el índice de sospecha es lo suficientemente alto como para ordenar un procedimiento diagnóstico, y cuando el índice de sospecha es tan alto que los resultados de un procedimiento no influirán en las acciones posteriores. Dos componentes de la valoración de los procedimientos diagnósticos son la sensibilidad y la especificidad. La sensibilidad es la capacidad de un procedimiento para detectar una enfermedad si está presente. La especificidad es la capacidad de un procedimiento para dar un resultado negativo si no hay ninguna enfermedad. Hay dos errores posibles: los resultados positivos falsos ocurren cuando el procedimiento es positivo, pero no hay enfermedad. Los negativos falsos ocurren cuando el procedimiento es negativo, pero existe una enfermedad. La sensibilidad y la especificidad deben combinarse con el índice de sospecha del médico para interpretar correctamente un procedimiento. El método de la tabla 2 × 2 proporciona una forma sencilla de utilizar la sensibilidad y la especificidad para determinar cómo interpretar el procedimiento diagnóstico una vez realizado. Después de aplicar la sensibilidad y la especificidad al índice de sospecha del médico, se pueden encontrar dos probabilidades: una enfermedad basada en una prueba positiva y que no haya enfermedad con una prueba negativa. Son los valores predictivos de una prueba positiva y negativa, respectivamente. Una razón de verosimilitudes es la razón entre positivos verdaderos y positivos falsos; se utiliza con los momios a priori de una enfermedad (en lugar de la probabilidad a priori) para determinar los momios después de que se realiza la prueba. Se puede utilizar un árbol de decisiones para encontrar valores predictivos. El teorema de Bayes da la probabilidad de un resultado, dado que ha ocurrido otro. Es otra forma de calcular valores predictivos. Una prueba sensible es mejor para descartar una enfermedad; se utiliza una prueba específica para confirmar una enfermedad. Las curvas ROC (característica operativa del receptor, por sus siglas en inglés) se utilizan para procedimientos diagnósticos que dan un resultado numérico, en lugar de simplemente ser positivos y negativos. El análisis de decisiones, que a menudo utiliza árboles de decisiones, es una forma óptima de modelar enfoques para el diagnóstico o la gestión. Los resultados del análisis de decisiones pueden ser costos, supervivencia ajustada a la calidad de vida o utilidades subjetivas que miden cómo el paciente valora diferentes resultados. La decisión óptima de un árbol de decisiones puede analizarse para saber qué tan sensible es la decisión a varios supuestos sobre probabilidades, costos, etc. El análisis de decisiones se puede utilizar para comparar dos o más enfoques alternativos para el diagnóstico o el tratamiento (o ambos). El análisis de decisiones se puede utilizar para comparar el momento de las pruebas diagnósticas. Los artículos de revistas no deben publicar valores predictivos sin recordar a los lectores que estos valores dependen de la prevalencia o índice de sospecha.