Cómo ser sensible: Sensibilidad y especificidad diagnósticas simplificadas

¿Qué entendemos por sensibilidad diagnóstica?

En el diagnóstico clínico, inevitablemente surgirán preguntas sobre la sensibilidad de un ensayo. Pero, ¿qué significa exactamente «sensibilidad»? La cantidad más baja del analito dado que un ensayo puede detectar se suele denominar sensibilidad, y para ser claros, esta cantidad es la sensibilidad analítica o el límite de detección (LoD). El término analítico es clave para esta definición, así que ya que estamos, contrastémoslo con el término diagnóstico. La sensibilidad diagnóstica está relacionada con la capacidad de un ensayo para identificar correctamente poblaciones de individuos con la enfermedad, y aunque esto es ciertamente una función de la sensibilidad analítica, una alta sensibilidad analítica (lo que significa que usted puede detectar cantidades muy diminutas de su analito) no garantiza necesariamente una sensibilidad diagnóstica útil.

Como puede imaginar, las dos mediciones son muy diferentes – la primera le dice sobre el rendimiento de su ensayo en el tubo y la segunda le dice sobre el rendimiento de su ensayo en una población determinada. Por esta razón, es importante adjuntar los términos analítico o de diagnóstico al término sensibilidad al describir su ensayo.

¿Cómo se calcula la sensibilidad de diagnóstico?

Otra forma de pensar en la sensibilidad de diagnóstico es considerar lo bien que el ensayo puede detectar verdaderos positivos. Pero si se trata de muestras desconocidas, ¿cómo se sabe qué es un resultado verdadero? Es una especie de pregunta del huevo y la gallina, pero consideremos esto.

Supongamos que se tiene un ensayo que puede determinar si un paciente tiene cinco o seis dedos en cada mano. Puedes recoger una muestra, cegarla al experimentador y obtener un resultado. A continuación, haga que ese mismo paciente sea examinado por un clínico que simplemente cuente el número de dedos de cada mano. A continuación, compare las notas: ¿en cuántas muestras coinciden su ensayo y las observaciones del clínico? En este caso, las observaciones del médico se considerarían el estándar de oro, ya que no se puede ser más objetivo que contar los dedos. Si el objetivo fuera detectar a los individuos con seis dedos (es decir, seis es un resultado positivo), un resultado del ensayo que coincidiera con un recuento de seis sería un verdadero positivo, mientras que un resultado del ensayo de cinco para un paciente con cinco dedos sería un verdadero negativo. Del mismo modo, un resultado de ensayo de seis para un individuo con cinco dedos sería un falso positivo y un resultado de ensayo de cinco para un paciente con seis dedos sería un falso negativo. Si tomamos el conjunto de datos imaginario que se muestra a continuación, podríamos calcular la sensibilidad diagnóstica calculando el porcentaje de verdaderos positivos detectados del total de positivos reales en las muestras (verdaderos positivos más los falsos negativos).

Paciente Número	Observado Número de dedos	Resultado del ensayo (Núm. Dedos)	Verdadero Positivo	Falso Positivo	Verdadero Negativo	Falso Negativo
1	6	6	X
2	6	6	X
3	5	6				X
4	6	5		X
5	5	5			X
6	6	6	X
7	6	6	X
8	5	5		X
9	5	5			X
10	5	5		X
		Totales	4	1	4	1

Los datos anteriores se pueden tabular en la tabla de la verdad que aparece a continuación y se utiliza para calcular la sensibilidad diagnóstica mediante la siguiente ecuación. Aquí estamos calculando el porcentaje de individuos que tienen la condición y tienen un resultado de la prueba que es positivo para la condición.

	Condición verdadera
		Positivo	Negativo
Condición prevista por el ensayo	Positiva	TP	FP
	Negativa	FN	TN

	Condición verdadera
		Positiva	Negativa
Condición predicho por el ensayo	Positivo	4	1
	Negativo	1	4



Sensibilidad = \frac{{mathrm{TP} {{mathrm{TP+FN}} = \frac{mathrm{4}} {{mathrm{4+1}} } = 4/5 = 80\%


No está mal, ¿verdad? ¿Vamos a ver un ejemplo del mundo real? Imagine que está desarrollando un ensayo de qPCR que detecta un patógeno bacteriano. Los resultados obtenidos mediante su ensayo de qPCR arrojarían datos para la condición predicha y éstos se compararían con los resultados obtenidos del cultivo clásico. ¿Por qué? En este ejemplo, la recuperación del organismo mediante cultivo del paciente enfermo es uno de los postulados de Koch y es por ello que el cultivo bacteriano se consideraría el patrón de oro. Si tuviéramos este conjunto de datos artificiales:

		Condición verdadera
		Positivo	Negativo
Condición predicha por el ensayo (i.e. qPCR positiva)	Positiva	238 (TP)	21 (FP)
	Negativa	2 (FN)	103 (TN)

Calcularíamos esta sensibilidad diagnóstica como:


\frac{\mathrm{238} }{{mathrm{238+2}} = 238/240 = 0,992 × 100 = 99,2\%



Esto significa que si empleáramos esta qPCR para analizar a los pacientes en busca de este patógeno bacteriano, acertaríamos con los verdaderos positivos el 99% de las veces. ¿Pero qué pasa con los falsos positivos? Efectivamente, también se detectarían con este ensayo porque una qPCR detecta el ADN de organismos viables y no viables, mientras que el cultivo sólo detectaría los organismos viables. Por no mencionar que la qPCR probablemente tenga una sensibilidad analítica mucho mayor que la mayoría de las metodologías basadas en el cultivo. Si se comparan estos dos métodos y se asigna el cultivo como el estándar de oro, se definirían como falsos positivos las muestras negativas al cultivo/positivas a la qPCR. En este caso, probablemente querrá realizar una prueba de confirmación para asegurarse de que un paciente con un resultado positivo en la qPCR está realmente infectado por un patógeno viable que causa la enfermedad.

¿Qué pasa con la especificidad del diagnóstico?

Aunque el número de falsos positivos en el ejemplo anterior podría preocuparle, el verdadero criterio de rendimiento depende de cómo se utilice su ensayo. Si su objetivo es descartar a los pacientes sanos para evitar las pruebas de confirmación, entonces una alta especificidad de diagnóstico, sería la clave. Oh, espera, acabo de introducir otro término: ¡especificidad diagnóstica! Se trata de una medida relacionada con la probabilidad de que su prueba identifique correctamente a los individuos sin la enfermedad. Piense en identificar correctamente a los pacientes con cinco dedos, o en detectar a los pacientes no infectados por el patógeno bacteriano. Aquí estamos calculando el porcentaje de individuos que no tienen la enfermedad y que dan correctamente un resultado negativo en la prueba. Ese cálculo es el siguiente:


Diagnóstico; especificidad = \frac{{mathrm{TN} {{mathrm{TN+FP}} = \frac{mathrm{103}} }{{mathrm{103+21}} = 103/124 = 0,831 × 100 = 83,1\%


Esto significa que identificaríamos correctamente a los pacientes sanos el 83% de las veces. Dado que la prueba qPCR es mucho más rápida que esperar a que las bacterias crezcan, la realización de la qPCR sería beneficiosa y se podría confiar en los resultados negativos de la qPCR dado que tuvimos pocos falsos negativos en este conjunto de datos artificiales. Cualquier paciente positivo debería, por supuesto, ser analizado de nuevo mediante cultivo, pero habría menos pacientes que analizar. También se pueden utilizar estos cálculos para comparar un nuevo ensayo de qPCR con uno actualmente en uso o una qPCR con un ELISA. Y si las matemáticas no son lo suyo, hay una serie de calculadoras gratuitas en línea, como ésta de medcalc, para hacer estos números por usted.