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 2024/04/16
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.