Valor predictivo positivo y negativo

Supongamos que una persona recibe los resultados de una prueba de detección de cáncer de colon. Hay dos escenarios posibles: o el resultado es positivo, lo que indica que tienen cáncer de colon, o el resultado es negativo, que indica que no tienen cáncer de colon.

En este punto, la persona puede preguntarse: ¿hasta qué punto debería preocuparme que el resultado de la prueba sea positivo?

O bien, ¿hasta qué punto debo estar tranquilo porque el resultado de la prueba haya sido negativo? Cada prueba tiene un valor predictivo positivo, o VPP, que es la probabilidad de que las personas con un resultado positivo de la prueba realmente tengan el resultado, y un valor predictivo negativo, o VPN, que es la probabilidad de que las personas con un resultado negativo de la prueba realmente no tengan el resul Veamos un ejemplo para mostrar cómo se puede medir el valor predictivo de una prueba.

Supongamos que se reclutan 1.000 personas, 100 con cáncer de colon y 900 sin cáncer de colon, y se les hace a todos la misma prueba de detección.

De esta manera puede verse cuántas personas con resultados positivos tienen realmente cáncer de colon y cuántas personas con resultados negativos no tienen realmente cáncer de colon.

Los resultados se pueden organizar en una tabla de 2 por 2, en la que el verdadero estado de la enfermedad de la persona está en la parte superior del cuadro y los resultados de la prueba de detección están en el lateral, y cada una de las celdas está etiquetada como a, b, c o d.

Un verdadero positivo sería una persona que obtiene un resultado positivo en la prueba y tiene cáncer de colon Un verdadero negativo sería una persona que obtiene un resultado negativo en la prueba y no tiene cáncer de colo Un falso positivo sería una persona que obtiene un resultado positivo en la prueba aunque no tenga cáncer de colon.

Y un falso negativo sería una persona que obtiene un resultado negativo en la prueba aunque tenga cáncer de colon. Para calcular el valor predictivo positivo, se divide el número de verdaderos positivos entre el número total de personas que dieron positivo, es decir, la celda a dividida entre la suma de las celdas a y b.

Una prueba con un valor predictivo positivo perfecto tendría 100 verdaderos positivos en la celda a, porque la prueba identificaría correctamente a todas las personas que tienen cáncer de colon, y cero falsos positivos en la celda b.

Para calcular el valor predictivo negativo, se divide el número de verdaderos negativos entre el número total de personas que dieron negativo, es decir, la celda d dividida entre la suma de las celdas c y d.

Una prueba con una especificidad perfecta tendría 900 verdaderos negativos en la celda d, porque la prueba identificaría correctamente a todas las personas que no tienen cáncer de colon, y cero falsos negativos en la celda c.

Pero ninguna prueba es 100% perfecta, así que supongamos que la celda a contiene 90 verdaderos positivos, la celda b contiene 50 falsos positivos, la celda c contiene 30 falsos negativos y la celda d contiene 850 verdaderos negativos.

En esta situación, el valor predictivo positivo sería del 64%, porque hay 90 personas que son verdaderos positivos (en la celda a) y 140 personas que dieron positivo (celdas a más b).

En otras palabras, el 64% de las personas que dan positivo tendrán realmente cáncer de colon, mientras que el otro 36% de las personas que dan positivo no tendrán cáncer de colon.

El valor predictivo negativo sería del 97%, porque hay 850 personas (en la celda d) que son verdaderos negativos y 880 personas que dieron negativo (celdas b más d).

En otras palabras, el 97% de las personas que dan negativo no tendrán realmente cáncer de colon, mientras que el otro 3% de las personas que dan negativo tendrán cáncer de colon.

Los valores predictivos suelen confundirse con la sensibilidad y la especificidad. Una prueba con alta sensibilidad identificará correctamente a la mayoría de las personas que tienen la enfermedad, y una prueba con alta especificidad identificará correctamente a la mayoría de las personas que no tienen el resultado.

La principal diferencia entre validez y valor predictivo es que la sensibilidad y la especificidad son características fijas de una prueba.

Mientras que los valores predictivos se ven afectados por la prevalencia del resultado. Para entenderlo mejor, veamos otro ejemplo.

Supongamos que ahora queremos hacer pruebas para detectar el cáncer de colon en un grupo de 10.000 adolescentes. El cáncer de colon es poco frecuente en los adolescentes, así que digamos que la prevalencia es solo del 1% (en realidad, sería mucho menor, pero este valor hace que sea más fácil hacer los cálculos).

Supongamos también que la prueba que se va a utilizar para detectar el cáncer de colon tiene una sensibilidad del 99%, lo que significa que identifica correctamente al 99% de las personas que tienen cáncer de colon, y una especificidad del 95%, por lo que identifica correctamente al 95% de las personas que no tienen cáncer de colon.

Los resultados de la prueba pueden ponerse en una tabla de 2 por 2, donde 99 personas son verdaderos positivos, 495 personas son falsos positivos, 1 persona es un falso negativo y 9.405 personas son verdaderos ne gativos.

En esta situación, el valor predictivo positivo sería 99 dividido entre 594, es decir, el 17%, y el valor predictivo negativo sería 9.405 dividido entre 9.406, es decir, el 99 En otras palabras, cuando la prevalencia es baja, el valor predictivo positivo es bajo.

Esto tiene sentido porque cuando una enfermedad es rara, cada vez es más probable que alguien que dé positivo sea en realidad un falso positivo Por otro lado, pensemos en un escenario en el que la prevalencia del cáncer de colon es mayor, como en un grupo de 10.000 personas de más de 75 años, donde la prevalencia del cáncer de colon es más cercana al Si tuviéramos la misma sensibilidad (99%) y la misma especificidad (95%), habría 495 verdaderos positivos, 475 falsos positivos, 5 falsos negativos y 9.025 verdaderos negativos.

El valor predictivo positivo sería 495 dividido entre 970, es decir, el 51%, y el valor predictivo negativo sería 9.025 dividido entre 9030, es decir, el 99% Por lo tanto, cuando la prevalencia es mayor, el valor predictivo positivo es mayor.

Una cosa que hay que tener en cuenta es que el valor predictivo negativo no cambió mucho cuando la prevalencia era baja o alta, y esto es porque hay un gran número de pruebas negativas en una población, incluso en las condiciones habituales.

Así pues, la prevalencia afecta principalmente al valor predictivo positivo, y el valor predictivo positivo de una prueba de detección es mayor para las enfermedades frecuentes Y, cuando la prevalencia del resultado es baja, la especificidad de la prueba también tiene un gran impacto en el valor predictivo positiv Por ejemplo, supongamos que hay una población de 10.000 personas en la que la prevalencia del cáncer de colon es del 10 Hay que tener en cuenta que esta cifra no es muy realista, ya que ninguna población tiene una prevalencia tan alta.

Esta vez, se puede dibujar la tabla de 2 por 2 con cada celda proporcional al número de personas que represent Supongamos que se utiliza una prueba con un 50% de sensibilidad y un 50% de especificidad, y que hay 500 verdaderos positivos, 4.500 falsos positivos, 500 falsos negativos y 4.500 verdaderos negativo En esta situación, el valor predictivo positivo para esta población es 500 dividido entre 5.000, es decir, el 10% Entonces, ¿qué ocurre si se aumenta la especificidad de la prueba al 90% y se mantienen la sensibilidad y la prevalencia iguales?

Hay 500 verdaderos positivos, 900 falsos positivos, 500 falsos negativos y 8.100 verdaderos negativos, lo que significa que el valor predictivo positivo es 500 dividido entre 1.400, es decir, el 3 Así pues, solo con el aumento de la especificidad, se ha incrementado el valor predictivo positivo en un 26%, que es una diferencia bastante grand Por otro lado, no hay tanta diferencia en el valor predictivo positivo si se aumenta la sensibilidad de la prueba al 90% mientras que la especificidad y la prevalencia se mantienen igual.

En esta situación, hay 900 verdaderos positivos, 4.500 falsos positivos, 100 falsos negativos y 4.500 verdaderos negativos, por lo que el valor predictivo positivo es de 900 dividido entre 5.400, es decir, un 17%, lo que supone solo un aumento del 7% frente al 26% que vimos cuando se aumentó la especificidad La razón de la diferencia es que, con un resultado raro, la mayoría de la población está en el lado derecho de la tabla, porque la mayoría de la gente no tiene el resultado Por lo tanto, un cambio en los números de la parte derecha de la tabla (como cuando aumenta la especificidad) tiene un gran impacto en el valor predictivo positivo Por otro lado, hay muy pocas personas en el lado izquierdo de la tabla, porque no son muchas las que tienen el resultado.

Así que, un cambio en los números de la izquierda cuando cambia la sensibilidad, no tiene mucho impacto en el valor predictivo general.

##Resumen Como breve resumen... El valor predictivo positivo es la probabilidad de que las personas con un resultado positivo tengan realmente el resultado, y el valor predictivo negativo es la probabilidad de que las personas con un resultado negativo no tengan realmente el resultado.

El valor predictivo positivo se calcula dividiendo el número de verdaderos positivos entre el número de todas las personas que dieron positivo, tanto los verdaderos como los falsos positivos.

El valor predictivo negativo se calcula dividiendo el número de verdaderos negativos entre el número de todas las personas que dieron negativo, tanto los verdaderos como los falsos negativos.

El valor predictivo positivo es mayor cuando la prevalencia del resultado en la población es más alta, pero si la prevalencia es baja, el valor predictivo positivo aumenta cuando aumenta la especificidad de la prueb