\u00bfCu\u00e1les son las posibilidades de que realmente tengas esa enfermedad? Para algunas pruebas comunes de diagn\u00f3stico, la respuesta es sorprendentemente baja.<\/p>\n
Pocos an\u00e1lisis m\u00e9dicos son 100% precisos. Parte de la raz\u00f3n es que las personas son inherentemente variables, pero muchas pruebas tambi\u00e9n se basan en muestras limitadas o sesgadas de pacientes, y nuestro propio trabajo ha demostrado que los investigadores pueden exagerar deliberadamente la efectividad de nuevas pruebas.<\/p>\n
Nada de esto significa que debamos dejar de confiar en los an\u00e1lisis de diagn\u00f3stico, pero una mejor comprensi\u00f3n de sus fortalezas y debilidades es esencial si queremos utilizarlos sabiamente.<\/p>\n
Las personas son variables<\/p>\n
Un ejemplo de un an\u00e1lisis imperfecto ampliamente utilizado es la prueba de detecci\u00f3n del ant\u00edgeno prost\u00e1tico espec\u00edfico (PSA), que mide el nivel de una prote\u00edna particular en la sangre como indicador de c\u00e1ncer de pr\u00f3stata.<\/p>\n
Se estima que la prueba detecta el 93% de los c\u00e1nceres, pero tiene una tasa muy alta de falsos positivos, ya que alrededor del 80% de los hombres con un resultado positivo en realidad no tienen c\u00e1ncer.<\/p>\n
Para aquellos en ese 80%, el resultado crea un estr\u00e9s innecesario y probablemente se les somete a m\u00e1s pruebas, incluidas biopsias dolorosas.<\/p>\n
Las pruebas r\u00e1pidas de ant\u00edgenos para covid-19 son otro ejemplo de an\u00e1lisis imperfectos muy utilizados.<\/p>\n
Una revisi\u00f3n de estas pruebas encontr\u00f3 que, de las personas sin s\u00edntomas pero con un resultado positivo, solo el 52% en realidad ten\u00eda covid.<\/p>\n
Entre las personas con s\u00edntomas de covid y un resultado positivo, la precisi\u00f3n de las pruebas aument\u00f3 al 89%.<\/p>\n
Esto muestra c\u00f3mo el desempe\u00f1o de una prueba no se puede resumir en un solo n\u00famero y depende del contexto individual.<\/p>\n
PSA<\/p>\n
Un ejemplo de un an\u00e1lisis imperfecto ampliamente utilizado es la PSA.
\n\u00bfPor qu\u00e9 las pruebas de diagn\u00f3stico no son perfectas? Una raz\u00f3n clave es que las personas son variables.<\/p>\n
T\u00fa puedes tener una temperatura alta, por ejemplo, que en otra persona puede ser perfectamente normal.<\/p>\n
En los an\u00e1lisis de sangre, muchos factores extra\u00f1os pueden influir en los resultados, como la hora del d\u00eda o la \u00faltima vez que se ha comido.<\/p>\n
Incluso la omnipresente prueba para medir la presi\u00f3n arterial puede resultar inexacta. Los resultados pueden variar dependiendo de si el brazalete se ajusta bien a tu brazo, si tienes las piernas cruzadas y si est\u00e1s hablando cuando finaliza la prueba.<\/p>\n
Muestras peque\u00f1as y trampas estad\u00edsticas
\nHay una enorme cantidad de investigaciones sobre nuevos modelos de diagn\u00f3stico.<\/p>\n
Los nuevos modelos suelen aparecer en los titulares como \u201cavances m\u00e9dicos\u201d, como por ejemplo c\u00f3mo tu escritura podr\u00eda detectar la enfermedad de Parkinson, c\u00f3mo tu tarjeta de cliente de tu farmacia podr\u00eda detectar el c\u00e1ncer de ovario m\u00e1s temprano o c\u00f3mo los movimientos oculares podr\u00edan detectar la esquizofrenia.<\/p>\n
Pero cumplir con las expectativas de los titulares es algo totalmente distinto.<\/p>\n
Muchos modelos de diagn\u00f3stico se desarrollan bas\u00e1ndose en tama\u00f1os de muestra peque\u00f1os. Una revisi\u00f3n encontr\u00f3 que la mitad de los estudios de diagn\u00f3stico utilizaron poco m\u00e1s de 100 pacientes.<\/p>\n
Es dif\u00edcil obtener una imagen real de la precisi\u00f3n de una prueba de diagn\u00f3stico a partir de muestras tan peque\u00f1as.<\/p>\n
Para obtener resultados precisos, los pacientes que usan la prueba deben ser similares a aquellos que se utilizaron para desarrollarla.<\/p>\n
Por ejemplo, la Escala de Riesgo Cardiovascular Framingham, ampliamente utilizada para identificar a las personas con alto riesgo de enfermedad card\u00edaca, se desarroll\u00f3 en Estados Unidos y se sabe que tiene malos resultados entre los abor\u00edgenes y los isle\u00f1os del Estrecho de Torres australianos.<\/p>\n
Se han encontrado disparidades similares en la precisi\u00f3n de las \u201cpuntuaciones de riesgo polig\u00e9nico\u201d.<\/p>\n
Estas combinan informaci\u00f3n sobre miles de genes para predecir el riesgo de enfermedades, pero se desarrollaron en poblaciones europeas y funcionan mal en poblaciones no europeas.<\/p>\n
Prueba de covid<\/p>\n
Las pruebas r\u00e1pidas de ant\u00edgenos para covid-19 son otro ejemplo de an\u00e1lisis imperfectos muy utilizados.
\nRecientemente, identificamos otro problema importante: investigadores que han exagerado la precisi\u00f3n de algunos modelos para lograr la publicaci\u00f3n en revistas especializadas.<\/p>\n
Hay muchas formas de exagerar el rendimiento de una prueba, como eliminar de la muestra a pacientes cuyo riesgo de enfermedad es dif\u00edcil de predecir.<\/p>\n
Algunas pruebas tampoco son verdaderamente predictivas, ya que incluyen informaci\u00f3n del futuro, como el modelo predictivo de infecci\u00f3n que incluye determinar si al paciente le hab\u00edan recetado antibi\u00f3ticos.<\/p>\n
Quiz\u00e1s el ejemplo m\u00e1s extremo de exageraci\u00f3n del poder de una prueba de diagn\u00f3stico fue el esc\u00e1ndalo de Theranos, en el que un an\u00e1lisis de sangre mediante punci\u00f3n en el dedo que supuestamente diagnosticaba m\u00faltiples afecciones de salud atrajo cientos de millones de d\u00f3lares de inversores.<\/p>\n
Esto era demasiado bueno para ser verdad y la autora intelectual fue declarada culpable de fraude.<\/p>\n
Los macrodatos no pueden hacer que las pruebas sean perfectas<\/p>\n
En la era de la medicina de precisi\u00f3n y los macrodatos, parece atractivo combinar decenas o cientos de datos sobre un paciente (tal vez utilizando aprendizaje autom\u00e1tico o inteligencia artificial) para ofrecer predicciones muy precisas. Sin embargo, hasta ahora la promesa supera la realidad.<\/p>\n
Un estudio estim\u00f3 que se publicaron 80.000 nuevos modelos de predicci\u00f3n entre 1995 y 2020. Eso es alrededor de 250 nuevos modelos cada mes.<\/p>\n
\u00bfEst\u00e1n estos modelos transformando la asistencia m\u00e9dica? No vemos ninguna se\u00f1al de ello, y si realmente estuvieran teniendo un gran impacto, seguramente no necesitar\u00edamos un flujo tan constante de nuevos modelos.<\/p>\n
Para muchas enfermedades existen problemas de datos que ning\u00fan modelo sofisticado puede solucionar, como errores de medici\u00f3n o datos faltantes que hacen imposible realizar predicciones precisas.<\/p>\n
Es probable que algunas enfermedades sean intr\u00ednsecamente aleatorias e impliquen cadenas complejas de acontecimientos que un paciente no puede describir y ning\u00fan modelo puede predecir.<\/p>\n
Los ejemplos podr\u00edan incluir lesiones o enfermedades previas que le ocurrieron a un paciente hace d\u00e9cadas, que no puede recordar y que no est\u00e1n en su historial m\u00e9dico.<\/p>\n
Las pruebas de diagn\u00f3stico nunca ser\u00e1n perfectas. Reconocer sus imperfecciones permitir\u00e1 a los m\u00e9dicos y a sus pacientes tener una discusi\u00f3n informada sobre lo que significa un resultado y, lo m\u00e1s importante, qu\u00e9 hacer a continuaci\u00f3n.<\/p>\n
Adrian Barnett es profesor de estad\u00edstica de la Universidad de Tecnolog\u00eda de Queensland y Nicole White es investigadora de estad\u00edstica de la Universidad de Tecnolog\u00eda de Queensland, Australia. Este art\u00edculo apareci\u00f3 originalmente en The Conversation. Puedes leer la versi\u00f3n en ingl\u00e9s aqu\u00ed.<\/p>\n","protected":false},"excerpt":{"rendered":"
\u00bfCu\u00e1les son las posibilidades de que realmente tengas esa enfermedad? Para algunas pruebas comunes de diagn\u00f3stico, la respuesta es sorprendentemente baja. Pocos an\u00e1lisis m\u00e9dicos son 100% precisos. Parte de la raz\u00f3n es que las personas son inherentemente variables, pero muchas pruebas tambi\u00e9n se basan en muestras limitadas o sesgadas de pacientes, y nuestro propio trabajo […]<\/p>\n","protected":false},"author":4,"featured_media":59221,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[53],"tags":[],"class_list":{"0":"post-59220","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-salud"},"_links":{"self":[{"href":"https:\/\/jms.com.bo\/mediamonitor\/wp-json\/wp\/v2\/posts\/59220","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/jms.com.bo\/mediamonitor\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/jms.com.bo\/mediamonitor\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/jms.com.bo\/mediamonitor\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/jms.com.bo\/mediamonitor\/wp-json\/wp\/v2\/comments?post=59220"}],"version-history":[{"count":0,"href":"https:\/\/jms.com.bo\/mediamonitor\/wp-json\/wp\/v2\/posts\/59220\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/jms.com.bo\/mediamonitor\/wp-json\/wp\/v2\/media\/59221"}],"wp:attachment":[{"href":"https:\/\/jms.com.bo\/mediamonitor\/wp-json\/wp\/v2\/media?parent=59220"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/jms.com.bo\/mediamonitor\/wp-json\/wp\/v2\/categories?post=59220"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/jms.com.bo\/mediamonitor\/wp-json\/wp\/v2\/tags?post=59220"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}