Bioestadística, Epidemiología y Salud Pública PDF

Bioestadística, Epidemiología y Salud Pública S1. Validez e interpretación de pruebas diagnósticas. Estudios de Supervivencia Grado en Odontología Curso 24/25 Diagnóstico clínico Cuando un médico ha de decidir acerca de la presencia o no de una enfermedad generalmente reali...

Bioestadística, Epidemiología y Salud Pública S1. Validez e interpretación de pruebas diagnósticas. Estudios de Supervivencia Grado en Odontología Curso 24/25 Diagnóstico clínico Cuando un médico ha de decidir acerca de la presencia o no de una enfermedad generalmente realiza una o mas prueba o test para, apoyándose en su resultado, diagnosticar la presencia de la enfermedad. Dichas pruebas son denominadas Pruebas Diagnósticas. Pensemos en el caso en que un test dicotómico que dé (+) o (–) como TEST DIAGNOSTICO para predecir la presencia o ausencia de la enfermedad. Lo ideal es que el TEST DIAGNOSTICO de “+”enC todos los G enfermos y “-” en todos los sanos, pero los test reales dan “+” en la mayoría de los enfermos y dan “-” en la mayoría de los sanos. = - En 1947, Yerushalmy introduce dos indicadores estadísticos que evalúan el grado de eficacia inherente a una prueba diagnostica: Sensibilidad y Especificidad Sensibilidad ⑦ - espicifidad - >@ Indicadores para evaluar la PD La sensibilidad y la especificidad son las medidas tradicionales y básicas del valor diagnostico de una prueba. Miden la validez diagnostica de una prueba en relación a un criterio de referencia, que se considera la verdad. Sensibilidad: P(+|E) Probabilidad de que el test de (+) si el individuo esta enfermo (VP), es decir, % de enfermos en los que el da (+) ⑦ et ind malade Especificidad: P(-|S) Probabilidad de que el test de (-) si el individuo esta sano (VN), es decir, % de sanos en los que el da (-) ⑦ erind o malade Tabla 1. Relación entre el resultado de una prueba diagnóstica y la presencia o ausencia de una enfermedad Verdadero diagnóstico Resultado de la prueba Enfermo Sano Verdaderos positivos (VP) Falsos Positivos (FP) Positivo Falsos Negativos (FN) Verdaderos negativos (VN) Negativo Indicadores para evaluar la PD Ejemplo. Estudio de la validez de un test para el diagnóstico de una enfermedad Tabla 2. Estudio de la validez de un test de VIH por parte de una empresa farmacéutica Verdadero diagnóstico Resultado del test VIH+ VIH- Total Positivo 480 470 950 Negativo 120 8 930 9050 Total 600 9 400 10 000 # + malade Sensibilidad: P(+|E) = 480/600 = 0.8 (80%) El test da (+) en el 80% de los enfermos de VIH Amalade ro + Especificidad: P(-|S) = 8930/9400 = 0.95 (95%) El test da (-) en el 95% de los sanos Indicadores para evaluar la PD A pesar de que la S y la E se consideran las características operacionales fundamentales de una prueba diagnóstica, en la práctica su capacidad de cuantificación de la incertidumbre médica es limitada. El médico necesita más bien conocer la probabilidad de que un individuo con resultado positivo, sea efectivamente un enfermo; y lo contrario, conocer la probabilidad de que un individuo con un resultado negativo este efectivamente sano. Las medidas o indicadores que responden a estas interrogantes se conocen como valores predictivos. &toutes en Mide la probabilidad de estar enfermo si el test da positivo des Sous Mide la probabilidad de estar sano si el test da negativo Indicadores para evaluar la PD Ejemplo. Estudio de la fiabilidad del resultado del test de VIH total de malade/pep total #700/10000 > - Prevalencia = 7% (Porcentaje de enfermos de dicha patología en la población) 560/700 8835/9300 ↑ + Sensibilidad = 0.8 Especificidad = 0.95 Tabla 3. Estudio de la exactitud del test VIH en una población donde el 7% padecen VIH Verdadero diagnóstico Resultado del test VIH+ VIH- Total Positivo O 560 O 465 1 025 Negativo D 140 D 8 835 8 975 Total 700 9 300 10 000 El 98.4% de los que dan (–) en el test están sanos Indicadores para evaluar la PD Ejemplo. Estudio de la fiabilidad del resultado del test de VIH Prevalencia = 93% Sensibilidad = 0.8 7940/9308 > - Especificidad = 0.95 > 665/700 - Tabla 5. Estudio de la exactitud del test VIH en una población donde el 93% padecen VIH Verdadero diagnóstico Resultado del test VIH+ VIH- Total D & Positivo 7440 35 7475 Negativo - 1860 665 2525 Total 9300 700 10 000 & Indicadores para evaluar la PD Ejemplo. Estudio de la fiabilidad del resultado del test de VIH Tabla 6. Relación entre VPP y VVN del test con prevalencia de la enfermedad Prevalencia VPP VPN 7% 54.6% 98.4% 52% 94.5% 81.4% 93% 99.5% 26.3% Sensibilidad = 80% Especificidad = 95% Prevalencia alta VPP alto y VPN bajo Prevalencia baja VPP bajo y VPN alto La capacidad de predecir de un test diagnóstico depende de la sensibilidad, de la especificidad y de la prevalencia de la población a la que se le aplique Paradoja. Un test puede tener alta sensibilidad y especificidad y sin embargo puede no ser útil para diagnosticar una enfermedad por causa de su prevalencia. En una ciudad de 4 millones de habitantes la enfermedad “E”, que es mortal si no se diagnostica a tiempo, afecta a 4000 de ellos. Prevalencia p= 0.001 > - 400 Se pone en marcha un método de diagnostico precoz que da positivo en el 99% de los enfermos pero tambien da positivo en el 20% de los sanos alta P(+|E)= 99% P(+|S)= 20% P(-|S)= 80% sensibilidad y Sensibilidad Especificidad especificidad Se somete a ese método a todos los ciudadanos y en los que da positivo son convocados a un estudio mas completo para averiguar si realmente tienen E. La mayoría de los convocados están muy asustados pues asumen que tienen una probabilidad muy alta de tener “E”. Solo los que conocen el calculo elemental de probabilidades saben que su probabilidad de tener “E” es solamente 5 por 1000. 0.005 Pruebas diagnósticas continuas. CURVA ROC Los resultados de una prueba diagnóstica pueden corresponder a estimaciones numéricas que hay que trasladar a una interpretación dicotómica. Por ejemplo para el diagnóstico de anemia es necesario definir un punto de corte para la variable hemoglobina y crear dos categorías que distingan la presencia o ausencia de anemia. El método utilizado evaluar la eficacia de este tipo de pruebas diagnósticas continuas es a través de de unas curvas de rendimiento diagnostico conocidas como curvas ROC (Receiver Operating Characteristic). Una curva ROC es un gráfico de la sensibilidad en el eje de la Y y de 1- especificidad en el eje de las X para distintos puntos de corte en la prueba diagnóstica en escala cuantitativa. El mejor punto de corte es el que garantiza a la prueba la mayor sesibilidad y especificidad. sensibilidad/ n-espectidad Pruebas diagnósticas continuas. CURVA ROC Predic1 Predic2 Predic3 CURVA ROC 120 % de verdaderos + que dan predic + 110 10 9 100 8 7 6 88 90 5 4 80 3 2 76 70 1 0 60 0 1 2 3 4 5 6 7 8 9 10 57 % de verdaderos falsos que dan predic + 50 40 Un buen predictor es el que el 30 área bajo su curva ROC (AUC) 28 está próxima a 1. 20 Un AUC de 0.5 refleja que no hay 10 discriminación (la capacidad de VP VN VP VN VP VN Enf San Enf San Enf San diagnosticar pacientes con o sin enfermedad es similar a la de tomar la decisión al azar Bioestadística, Epidemiología y Salud Pública S1. Validez e interpretación de pruebas diagnósticas. Estudios de Supervivencia Supervivencia. Introducción El objetivo de los estudios de supervivencia es describir el modo en que depende de algunos factores (p.e el tratamiento seguido, el sexo…) el tiempo que tarda en ocurrir un evento de interés en un determinado colectivo En las primeras aplicaciones de tipo de estudios se utilizaba como evento la muerte de un paciente de ahí de debe el término supervivencia Actualmente esta medida no queda limitada a los términos de vida o muerte, sino a situaciones en la que se mide el tiempo que transcurre hasta que sucede un evento de interés, como puede ser tiempo de recurrencia, tiempo que dura la eficacia de una intervención, tiempo de un aprendizaje determinado, etc. Para ello se observan pacientes desde que son diagnosticados (tiempo=0) hasta el momento en que acaba su seguimiento (momento final).  Supervivencia. Introducción El final del seguimiento del paciente puede ser por dos tipos de motivos: a) Ocurre el evento. En estos casos sabemos cuanto tiempo transcurrió desde el momento inicial (tiempo=0) hasta que le ocurre el evento. En estos casos sabemos el tiempo de supervivencia b) El paciente se pierde. En estos casos NO sabemos cuanto tiempo va a transcurrir entre el momento inicial y el evento. El tiempo hasta el evento es superior al registrado, pero no sabemos si en una hora o en muchos años. 1 X Perdedes A A 2 B 3 B 4 A 5 B 6 B 7 8 B 9 A 10 A 11 B 12 B 1 2 3 4 5 1 2 3 4 5 Años Nota. Se asume que el paciente «perdido» en el periodo t se pierde al final de dicho periodo. Por tanto sabemos que esta vivo al menos durante el periodo t. Supervivencia. Introducción b) El paciente se pierde. En estos casos NO sabemos cuanto tiempo va a transcurrir entre el momento inicial y el evento. El tiempo hasta el evento es superior al registrado, pero no sabemos si en una hora o en muchos años. 1. El paciente decide no participar más en el estudio y lo abandona 2. El paciente se pierde y no tenemos información 3. El paciente muere de por otra causa no relacionada con la investigación 4. El estudio termina antes de aparecer el evento Se habla de paciente “censurado” cuando su tiempo de supervivencia no se conoce con exactitud.  Análisis de supervivencia Conceptos básicos Supervivencia (t): Nº de pacientes vivos al final del periodo t / Nº de pacientes que empezaron el estudio. Hazard (t): Nº de pacientes que mueren durante el periodo t / Nº de pacientes que llegan vivos al periodo t. E Nota: Supervivencia (t) = Supervivencia (t-1)· (1- Hazard (t)) I 5 En el análisis de supervivencia, el análisis de datos puede realizarse utilizando técnicas paramétricas y no paramétricas. Kaplan-Meier. Es útil para estudios que utilizan un número pequeño de pacientes. La validez de este método descansa en la suposición: « Las personas que se retiran del estudio tienen un destino parecido a las que quedan»  Método de Kaplan-Meier Ejemplo 1. Seguimiento (durante 5 días) de 4 pacientes diagnosticados de una patología grave y tratados con F. j T N E C VF H 1-H S (%) S(%) 1 -T 2 -vivant 1 4 0 0 4 0 1 4/4 (100%) 100%*1 (100%) 24 2 4 3 3 1 0 0 1 3 3 1/4 0 3/4 1 3/4 (75%) 3/4 (75%) 100%* 3/4 (75%) 75% *1 (75%) 4 2 1 0 - 1/2 1/2 - 75% *1/2 (37,5%) 5 1 0 1 - 0 1 - 37,5%*1 (37,5%) T= Periodo N= nº pacientes observados S(t) = S (t-1)· (1- Haz (t)) E = nº de eventos C= nº de censurados VF = Vivos al final del periodo H (Hazard) = nº de muertos/ N S (supervivencia) = nº de vivos /4 Nota. 1. Se asume que el Hazard «la velocidad de muerte» de los pacientes no observados «censurados» es el mismo que el de los pacientes observados. 2. Se asume que el paciente «perdido» en el periodo t se pierde al final de dicho periodo. Por tanto sabemos que esta vivo al menos durante el periodo t.  Análisis de supervivencia Estudio de la influencia del tratamiento seguido (A o B) en la supervivencia de pacientes diagnosticados de una patología grave T 1 2 3 4 5 6 7 8 Trat A 100% 88% 88% 73% 58% 58% 58% 29% Trat B 100% 88% 75% 63% 50% 50% 33% 17% % supervivientes días Los 2 primeros días tras el diagnostico el % de supervivientes entre los tratados con A y B coincide. A partir del segundo día el % de supervivientes (cada día) es mayor en los tratados con A. El porcentaje de pacientes que sobre viven al octavo día de tratamiento es el 29% con A y el 17% con B