1Probabilidad condicional
La probabilidad condicional P(A|B) —léase "probabilidad de A dado B"— es la probabilidad de que ocurra el suceso A, sabiendo que ya ocurrió el suceso B. Se calcula como P(A|B) = P(A y B) / P(B). Esta noción es central en medicina porque la mayoría de las preguntas clínicas son, en el fondo, preguntas condicionales: no "¿cuál es la probabilidad de tener la enfermedad X?" en abstracto, sino "¿cuál es la probabilidad de tener la enfermedad X, dado que el paciente presenta el síntoma Y y el resultado de laboratorio Z?".
2El Teorema de Bayes
El Teorema de Bayes permite invertir el sentido de una probabilidad condicional: a partir de P(B|A) —lo que habitualmente se conoce, por ejemplo, mediante estudios de validación de una prueba diagnóstica— calcula P(A|B) —lo que en realidad interesa saber ante un paciente concreto—.
| Elemento | Interpretación clínica |
|---|---|
| P(Enfermedad) | Probabilidad previa (prevalencia de la enfermedad en la población, o sospecha clínica inicial antes de la prueba) |
| P(Prueba+ | Enfermedad) | Sensibilidad de la prueba — desarrollada en profundidad en el capítulo V.1 |
| P(Prueba+ | Sano) | 1 − especificidad (tasa de falsos positivos) |
| P(Enfermedad | Prueba+) | Lo que realmente se busca: la probabilidad de estar enfermo, sabiendo que el resultado dio positivo — este es el valor predictivo positivo, capítulo V.2 |
El teorema formaliza matemáticamente cómo la probabilidad previa (antes de la prueba) se combina con el resultado de la prueba para producir una probabilidad posterior (después de la prueba) actualizada — el proceso de razonamiento diagnóstico bayesiano que, en la práctica clínica cotidiana, todo profesional realiza de forma intuitiva sin necesariamente calcularlo con la fórmula explícita.
¿Por qué la misma prueba, con la misma sensibilidad y especificidad, puede llevar a conclusiones diagnósticas completamente distintas según el contexto clínico en que se aplique? Porque el Teorema de Bayes muestra que la probabilidad posterior (P(Enfermedad|Prueba+)) no depende únicamente de qué tan buena sea la prueba (sensibilidad/especificidad), sino también, de forma crítica, de la probabilidad previa (prevalencia o sospecha clínica) con la que se entra al análisis. Una prueba con sensibilidad y especificidad del 95% aplicada a un paciente con alta sospecha clínica previa (por ejemplo, síntomas típicos en un contexto epidemiológico de alta prevalencia) producirá, ante un resultado positivo, una probabilidad posterior de enfermedad muy alta. La misma prueba, aplicada como tamizaje indiscriminado en una población de baja prevalencia (sin sospecha clínica previa), producirá ante un resultado positivo una probabilidad posterior mucho menor de lo esperado —porque, en términos absolutos, hay muchos más sanos que enfermos a quienes testear, y aun una tasa baja de falsos positivos entre ellos genera un número absoluto de falsos positivos comparable o mayor a los verdaderos positivos entre los pocos enfermos reales—. Esta es la razón estadística exacta por la que "pedir estudios sin sospecha clínica previa" (sin una probabilidad pre-test razonable) es una mala práctica: no es un juicio moral sobre el exceso de estudios, es una consecuencia matemática directa del Teorema de Bayes.
3Relación con la independencia
Dos sucesos A y B son independientes cuando P(A|B) = P(A) — es decir, cuando saber que ocurrió B no modifica en absoluto la probabilidad de A. Esta es la definición formal precisa de independencia introducida en el capítulo II.1, ahora expresada en términos de probabilidad condicional: si conocer B cambia la probabilidad de A (P(A|B) ≠ P(A)), entonces A y B son dependientes, y el Teorema de Bayes es precisamente la herramienta que cuantifica esa dependencia.
4Trampas de examen
| Trampa | Por qué confunde | Aclaración |
|---|---|---|
| Confundir P(Enfermedad|Prueba+) con P(Prueba+|Enfermedad) | Ambas involucran los mismos dos sucesos y suenan intercambiables en lenguaje cotidiano | Son cantidades distintas que solo coinciden por casualidad en casos especiales — esta confusión (la "falacia de la probabilidad transpuesta" o "prosecutor's fallacy" en contextos legales) es precisamente lo que el Teorema de Bayes existe para resolver correctamente |
| Pensar que una prueba con alta sensibilidad y especificidad da automáticamente un resultado confiable en cualquier contexto | La calidad de la prueba parece ser lo único relevante | La probabilidad previa (prevalencia/sospecha clínica) modifica sustancialmente el valor predictivo del resultado — la misma prueba puede ser muy confiable en alta sospecha clínica y poco confiable como tamizaje en baja prevalencia |
5Puntos clave
- Probabilidad condicional P(A|B): probabilidad de A sabiendo que ocurrió B.
- El Teorema de Bayes invierte P(B|A) conocida (ej. sensibilidad) para calcular P(A|B) buscada (ej. valor predictivo).
- La probabilidad posterior depende tanto de la calidad de la prueba como de la probabilidad previa (prevalencia/sospecha clínica) — la misma prueba puede rendir de forma muy distinta según el contexto.
- Independencia formal: P(A|B) = P(A); si esto no se cumple, A y B son dependientes y Bayes cuantifica esa dependencia.