Evaluación de resultados de tests

Los aspectos básicos más importantes para interpretar un resultado en un diagnóstico sobre autoinmunidad son:

1. Sensibilidad y especificidad
2. Curva ROC
3. Valor predictivo positivo y negativo
4. Proporción de probabilidad positiva y negativa

1. Sensibilidad y especificidad

Definición:

La sensibilidad es el número de resultados positivos verdaderos.

(TP = Positivos verdaderos, FN = Falsos negativos)

La especificidad es el número de resultados negativos en personas que no tienen la enfermedad (el negativo verdadero da lugar a controles).

(TN = Negativos verdaderos, FP = Falsos positivos)

El grupo de control puede ser una población de personas sanas. Sin embargo, para evaluar la especificidad de un test de forma realista, la población de control debe estar compuesta por pacientes con enfermedades, importantes en el diagnóstico diferencial. Por ejemplo, la especificidad de un test para la celiaquía se debe evaluar en una población de pacientes con otras enfermedades gastrointestinales, como enfermedades intestinales inflamatorias, infecciones gastrointestinales, etc.

Ejemplo:

La prevalencia de la artritis reumatoide en la población sometida a tests es del 2%. Por tanto, 100 de cada 5.000 personas sometidas a pruebas tendrán artritis reumatoide. 4.900 estarán sanas o presentarán otra enfermedad, pero no artritis reumatoide.

Con el test de este ejemplo, 73 de 100 pacientes con artritis reumatoide fueron positivos (positivo verdadero). 27 no fueron detectados (falsos negativos). En el grupo de control de las 4.900 personas que no tenían artritis reumatoide, 73 fueron positivos (falsos positivos) y 4.827 fueron negativos (negativos verdaderos).

La sensibilidad de este test es de 0,73% o 73% (número de positivos verdaderos = número de pacientes = 100) y la especificidad es de 0,985 o 98,5% (número de negativos verdaderos = 4.827 / número de controles = 4.900).

Relevancia de la especificidad

En el ejemplo anterior, 73 de cada 5.000 personas ofrecerían un falso positivo en el test. Esto significa que 73 personas serán referidas a un especialista o, en el peor de los casos, tratadas con medicación tóxica.

Si el test tiene una especificidad inferior al 92%, por ejemplo (que sigue pareciendo muy razonable), los resultados falsos positivos aumentan considerablemente.

Existe un riesgo de emitir un diagnóstico incorrecto sobre la artritis reumatoide en 392 individuos, más de 5 veces más personas que con una especificidad del 98,5%.

Volver al principio 

2. Curva ROC

La sensibilidad de un test es superior cuando se elige un cut-off bajo. Un cut-off bajo implica directamente una especificidad inferior. El cut-off en los tests de autoinmunidad constituye siempre un equilibrio entre la sensibilidad y la especificidad. Estos valores se correlacionan de forma inversa entre sí, y a cada valor de sensibilidad corresponde un valor de especificidad. Esta relación se puede ilustrar en una curva ROC.

Definición:

En la teoría de detección de señales, la característica operativa del receptor (ROC, del inglés receiver operating characteristic), o simplemente "curva ROC", es una representación gráfica de la sensibilidad, o positivos verdaderos, vs. (1 - especificidad) o falsos positivos.

Ejemplo:

En un estudio de Bizzarro et al. (Clin Chem 2007; 53:1527-33), se compararon 11 tests para la detección de anticuerpos asociados a la artritis reumatoide. Con el grupo sérico probado, la curva ROC siguiente resultó verdadera para EliA CCP:

Se estará eligiendo un cut-off óptimo para un test si la sensibilidad y la especificidad son tan altas como sea posible. Para EliA CCP, el cut-off óptimo revela una especificidad del 98,5% y una sensibilidad del 73%.

Se comparó un test RF clásico en el mismo estudio con las mismas opciones séricas. Se usaron una sensibilidad y especificidad de cut-off recomendadas del 54% y el 86,1%, respectivamente.

Para obtener una comparación óptima de los distintos tests, la especifidad se puede establecer con un valor específico, y las sensibilidades respectivas se pueden calcular con la ayuda de una curva ROC. En este ejemplo, se compararon las sensibilidades correspondientes a especificidades definidas del 99%, 98% y 97%.

Volver al principio

3. Valor predictivo positivo y negativo

Definición:

El valor predictivo positivo (PPV), o el índice de precisión, o probabilidad post-test de la enfermedad, es la proporción de pacientes con resultados de tests positivos que tienen la enfermedad. El valor predictivo está relacionado con la sensibilidad y la especificidad del test o el método de selección.

(TP = Positivos verdaderos, FP = Falsos positivos)

El valor negativo predictivo (PPV) es la proporción de pacientes de control con resultados de tests negativos que fueron diagnosticados correctamente.

(TN = Negativos verdaderos, FN = Falsos negativos)

Ejemplo:

Con el mismo ejemplo que en el párrafo sobre la sensibilidad y la especificidad (consulte la sección anterior) para un test de artritis reumatoide, el PPV es del 50% (73 TP / 146 P). El NPV es 99%  (4.827 TN / 4.854 N).

Con esta población, un médico deberá tener en cuenta que la mitad de los resultados positivos serán de individuos sin artritis reumatoide. Un resultado positivo predice la enfermedad con una probabilidad del 50%. Por otro lado, un resultado negativo predice con un 99% que la enfermedad no está presente.

Dependencia con respecto a la probabilidad de pre-test

Los valores predictivos son altamente dependientes en la probabilidad de pre-test. En este ejemplo es del 2%, que es bastante pequeña. Si la probabilidad de pre-test fuera del 10% (por ejemplo, porque es un análisis de reumatología especializada), los datos cambiarían en consecuencia: 

El resultado del test o de las características clínicas del marcador no cambian con la probabilidad de pre-test. Por tanto, la sensibilidad y la especificidad del test son relativamente fijas. Sin embargo, el valor predictivo positivo aumenta con una probabilidad cinco veces mayor de pre-test del 50% al 89% (370 TP / 430 P) y el valor predictivo negativo disminuye del 99% al 86% (3.940 TN / 4.570 N).

Volver al principio

4. Proporción de probabilidad positiva y negativa

Definición:

La proporción de probabilidad incluye la sensibilidad y la especificidad del test y proporciona una estimación directa de cuánto cambiará el resultado de un test las probabilidades de tener una enfermedad.

La proporción de probabilidad para un resultado positivo (LR positivo) le indica cuánto aumenta las probabilidades de la enfermedad cuando un resultado es positivo.

(TP = Positivos verdaderos, TN = Negativos verdaderos, FP = Falsos positivos, FN = Falsos negativos)

La proporción de probabilidad para un resultado negativo (LR negativo) le indica cuánto disminuyen las probabilidades de la enfermedad cuando un resultado es negativo.

(TP = Positivos verdaderos, TN = Negativos verdaderos, FP = Falsos positivos, FN = Falsos negativos)

Ejemplo:

Si se usa el mismo ejemplo que en los párrafos anteriores (consulte la sección anterior) para un test de artritis reumatoide, el LR positivo es muy alto si  (73 / 100) / (73 / 4.900) = 50. Si el paciente tiene un resultado de test positivo, la probabilidad de que tenga artritis reumatoide es muy alta. El LR negativo es (27 /100) / (4.827 / 4900) = 0,27.

Interpretación de la proporción de probabilidad:

El marcador en el ejemplo anterior tiene un LR positivo muy alto de 50. Por tanto, un resultado positivo indica la enfermedad con una alta probabilidad. Sin embargo, un resultado negativo no excluye la enfermedad. Con un LR negativo de 0,27, la utilidad clínica es pequeña.

Volver al principio