1Valor predictivo positivo y negativo
Retomando la tabla 2×2 del capítulo V.1, los valores predictivos responden la pregunta que efectivamente le interesa a un paciente frente a un resultado concreto — no "qué tan buena es la prueba en general" sino "dado mi resultado específico, qué probabilidad tengo de estar realmente enfermo (o sano)":
| Medida | Fórmula | Pregunta que responde |
|---|---|---|
| Valor predictivo positivo (VPP) | VP / (VP + FP) | De todos los que dieron positivo, ¿qué proporción realmente tiene la enfermedad? |
| Valor predictivo negativo (VPN) | VN / (VN + FN) | De todos los que dieron negativo, ¿qué proporción realmente no tiene la enfermedad? |
A diferencia de sensibilidad y especificidad —que se calculan dentro de cada columna de la tabla (solo enfermos, o solo sanos)—, los valores predictivos se calculan dentro de cada fila (solo positivos, o solo negativos), y esto tiene una consecuencia matemática directa: dependen fuertemente de la prevalencia de la enfermedad en la población donde se aplica la prueba — el mismo fenómeno bayesiano introducido en el capítulo II.2.
2Cómo la prevalencia modifica los valores predictivos
Con la misma sensibilidad y especificidad fijas, una prueba aplicada en un contexto de alta prevalencia (por ejemplo, un paciente con alta sospecha clínica previa) tendrá un VPP más alto (un resultado positivo es más confiable) y un VPN algo menor; la misma prueba aplicada en un contexto de baja prevalencia (por ejemplo, tamizaje poblacional sin sospecha clínica previa) tendrá un VPP considerablemente menor (más falsos positivos en términos absolutos, entre la gran mayoría de sanos) y un VPN muy alto. Esta es la razón matemática exacta detrás de la advertencia clínica de "no testear sin sospecha clínica razonable", desarrollada en profundidad en el capítulo II.2.
3Razones de verosimilitud (likelihood ratios)
Las razones de verosimilitud (LR) ofrecen una alternativa a los valores predictivos que no depende de la prevalencia, y por eso son más transportables entre poblaciones distintas:
| Medida | Fórmula | Interpretación |
|---|---|---|
| LR positiva (LR+) | Sensibilidad / (1 − especificidad) | Cuántas veces más probable es un resultado positivo en un enfermo que en un sano — valores mayores a 10 se consideran fuerte evidencia confirmatoria |
| LR negativa (LR−) | (1 − sensibilidad) / especificidad | Cuántas veces más (o menos) probable es un resultado negativo en un enfermo que en un sano — valores menores a 0,1 se consideran fuerte evidencia para descartar |
Las LR se combinan con la probabilidad pre-test (prevalencia o sospecha clínica) mediante el Teorema de Bayes (capítulo II.2, expresado aquí en términos de odds) para calcular la probabilidad post-test — el mismo razonamiento diagnóstico bayesiano, con una herramienta que no exige recalcular todo desde cero para cada prevalencia distinta.
4Curvas ROC y elección del punto de corte
Cuando una prueba diagnóstica se basa en una variable continua (por ejemplo, un valor de laboratorio), es necesario elegir un punto de corte que separe "positivo" de "negativo" — y ese punto de corte determina simultáneamente la sensibilidad y la especificidad de la prueba en un trade-off inevitable: bajar el punto de corte aumenta la sensibilidad pero reduce la especificidad, y viceversa. La curva ROC (Receiver Operating Characteristic) grafica, para todos los puntos de corte posibles, la sensibilidad (eje Y) contra 1−especificidad (eje X), permitiendo visualizar ese trade-off completo de una sola vez y elegir el punto de corte que mejor equilibre ambos objetivos según el contexto clínico.
El área bajo la curva (AUC) resume el rendimiento global de la prueba en un solo número, entre 0,5 (rendimiento igual al azar, la diagonal de la curva) y 1 (discriminación perfecta) — es, en esencia, la probabilidad de que la prueba asigne un valor más alto a un enfermo elegido al azar que a un sano elegido al azar.
¿Por qué no existe un único "mejor" punto de corte universal para toda prueba diagnóstica basada en una curva ROC? Porque la elección óptima del punto de corte depende del costo relativo de cada tipo de error en el contexto clínico específico donde se use la prueba —la misma lógica de tamizaje vs. confirmación discutida en el capítulo V.1—. Si la enfermedad detectada es grave y tratable, y el costo de un falso negativo (no detectarla) es mucho mayor que el de un falso positivo (una prueba de confirmación adicional), conviene elegir un punto de corte hacia la izquierda de la curva —mayor sensibilidad a costa de especificidad—. Si, en cambio, el tratamiento derivado de un resultado positivo es invasivo, costoso o riesgoso, y el costo de un falso positivo es alto, conviene un punto de corte que priorice mayor especificidad. La curva ROC no elige el punto de corte por el clínico: describe todas las combinaciones posibles de sensibilidad/especificidad disponibles para esa prueba, y la decisión final sobre cuál usar depende de un juicio clínico sobre las consecuencias relativas de cada tipo de error, información que la curva por sí sola no contiene.
5Trampas de examen
| Trampa | Por qué confunde | Aclaración |
|---|---|---|
| Aplicar el VPP calculado en un estudio de alta prevalencia a un contexto de tamizaje poblacional de baja prevalencia | El VPP parece una propiedad fija de la prueba, como la sensibilidad | El VPP (y el VPN) cambian con la prevalencia del contexto de aplicación — un VPP reportado en un estudio hospitalario de alta sospecha clínica no es directamente trasladable a un programa de tamizaje poblacional |
| Elegir siempre el punto de corte con mayor AUC posible sin considerar el contexto clínico | Un AUC más alto suena a "mejor prueba" en cualquier situación | El AUC resume el rendimiento global de la prueba a través de todos los puntos de corte, pero la elección práctica de un punto de corte específico depende del costo relativo de falsos positivos/negativos en ese contexto clínico particular, no solo del AUC global |
6Puntos clave
- VPP y VPN se calculan por fila de la tabla 2×2 (positivos/negativos) y dependen fuertemente de la prevalencia, a diferencia de sensibilidad/especificidad.
- Las razones de verosimilitud (LR+, LR−) no dependen de la prevalencia y se combinan con la probabilidad pre-test vía Bayes para obtener la probabilidad post-test.
- La curva ROC grafica sensibilidad vs. 1−especificidad para todos los puntos de corte posibles; el AUC resume el rendimiento global (0,5=azar, 1=perfecto).
- El punto de corte óptimo no es universal: depende del costo relativo de falsos positivos y negativos en el contexto clínico específico.