Conceptos claves en la estimación de la probabilidad pretest

Abstract

En líneas generales, una probabilidad es un cálculo matemático a partir del cual se establece la posibilidad de que algo suceda. En el contexto de la medicina asistencial, este término es usado habitualmente para describir la posibilidad de que un evento clínico (en general la aparición de una determinada enfermedad) pueda ocurrir en una población o, más a menudo, en un paciente individual.

Full text

8Acta Gastroenterol Latinoam 2024;54(1):8-10
♦
SECCIÓN EVIDENCIAS
Correspondencia: Walter Masson
Correo electrónico: walter.masson@hospitalitaliano.org.ar
En líneas generales, una probabilidad es un cálculo
matemático a partir del cual se establece la posibilidad
de que algo suceda. En el contexto de la medicina asis-
tencial, este término es usado habitualmente para des-
cribir la posibilidad de que un evento clínico (en general
la aparición de una determinada enfermedad) pueda
ocurrir en una población o, más a menudo, en un pa-
ciente individual.
El proceso para llegar al diagnóstico de una determi-
nada enfermedad consta de varios pasos: comienza con la
recopilación de los datos clínicos iniciales y la formula-
ción de una o más hipótesis diagnósticas.1 Para atravesar
este complejo camino diagnóstico, los médicos utilizamos
frecuentemente diferentes pruebas o test diagnósticos.
Es conveniente remarcar dos conceptos: la probabili-
dad pretest y la probabilidad postest. En el primer caso se
trata de la probabilidad que tiene un paciente de tener una
enfermedad antes de realizarse una determinada prueba
diagnóstica. En el segundo caso es la probabilidad que
tiene el mismo paciente de tener la enfermedad una vez
que disponemos de los resultados de la prueba diagnósti-
ca en cuestión. Dicha probabilidad postest dependerá de
las características de la prueba en sí (sensibilidad y espe-
cificidad), el resultado de la prueba (positivo o negativo)
y la probabilidad de la presencia de enfermedad antes de
realizar la prueba, es decir, la probabilidad pretest.2-3
En consecuencia, el primer concepto clave es que conocer
la probabilidad pretest es fundamental para interpretar y
contextualizar el resultado de una prueba diagnóstica y, con
ello, la probabilidad final de que nuestro paciente tenga o no
una determinada enfermedad. Asimismo, una determina-
da probabilidad postest se convertirá automáticamente en
una probabilidad pretest en el preciso momento en el que
decidimos realizar un segundo test diagnóstico.
Ahora bien, ¿cómo estimar la probabilidad pretest
de una determinada enfermedad en nuestros pacientes?
Aquí convergen varios aspectos, algunos más subjetivos,
relacionados con la “experiencia” o el “juicio clínico” del
médico, y otros más objetivos, como los relacionados con
Conceptos claves en la estimación de la
probabilidad pretest
Walter Masson
Jefe Prevención Cardiovascular. Servicio de Cardiología. Hospital Italiano de Buenos Aires.
Ciudad Autónoma de Buenos Aires, Argentina.
Acta Gastroenterol Latinoam 2024;54(1):8-10
Recibido: 09/01/2024 / Aceptado:14/02/2024 / Publicado online: 25/03/2024 / https://doi.org/10.52787/agl.v54i1.385

9
Acta Gastroenterol Latinoam 2024;54(1):8-10
Conceptos claves en la estimación de la probabilidad pretest Walter Masson
los datos de la prevalencia “real” de la enfermedad en la
población a la que pertenece el paciente o la utilización de
reglas de predicción clínica.
Por lo tanto, el segundo concepto clave es que la proba-
bilidad pretest se construye con varios elementos subjetivos y
objetivos.
La intuición se define como la facultad de compren-
der las cosas instantáneamente, sin necesidad de razona-
miento. Muy a menudo, cuando está frente al paciente,
el médico estima “intuitivamente” la probabilidad de es-
tar enfermo antes de realizar cualquier prueba diagnós-
tica. Así, establecemos mentalmente un espectro que va
desde algo “muy poco probable” (cercano al 0%) hasta
algo “extremadamente probable” (cercano al 100%). Esta
estimación se basa en los datos recabados de la historia
clínica, que incluyen la anamnesis y el examen físico, y
está fuertemente influenciada por otros factores como el
entorno clínico donde se atiende al paciente o la propia
experiencia del profesional. Aunque con una considera-
ble variabilidad, datos previos sugieren que los médicos
experimentados tienden a tener estimaciones más preci-
sas de la probabilidad pretest.1, 3 Sin embargo, debemos
ser precavidos al considerar este tipo de enfoque. El jui-
cio clínico basado en la intuición, si bien se perfecciona
con la formación médica y la experiencia, no está exento
de limitaciones, como ser la presencia de sesgos cogniti-
vos y heurísticos.4-5 Los sesgos heurísticos son estrategias
cognitivas que simplifican la toma de decisiones (atajos
mentales), mientras que los sesgos cognitivos pueden
distorsionar la percepción de la información, influyendo
en la forma en que se evalúan los síntomas y signos que
presenta el paciente. De hecho, la evidencia muestra que
los médicos tienden a sobrestimar la probabilidad pretest
de estar enfermos o el beneficio potencial de las pruebas
diagnósticas y tratamientos.6 Entonces, un tercer concepto
clave es que estimar la probabilidad pretest sólo basándose en
el juicio clínico tiene limitaciones.
Pero entonces, ¿qué otras herramientas pueden ayu-
darnos a estimar con mayor precisión una determinada
probabilidad pretest? Una de ellas es investigar datos so-
bre la prevalencia poblacional “real” de la enfermedad
del paciente en cuestión en el grupo poblacional que le
corresponde. Los datos sobre la prevalencia de enferme-
dades generalmente provienen de grandes estudios epide-
miológicos, que no siempre están disponibles por cuestio-
nes de costos y logística. Esto último es particularmente
visible en países en vías de desarrollo como el nuestro.
Además, la utilidad de esta herramienta ha sido cuestio-
nada por dos razones:7 1) por una cuestión pragmática,
ya que es casi imposible conocer la verdadera prevalencia
para cada tipo de enfermedad para cada paciente en par-
ticular; 2) habitualmente estimamos la prevalencia consi-
derando un denominador equivocado. Al evaluar la pre-
valencia poblacional es frecuente considerar a los sanos y
a los enfermos, mientras que cuando queremos estimar
la probabilidad pretest en el consultorio lo hacemos solo
con pacientes sintomáticos. Asimismo, la aplicabilidad
clínica estará dada por el grado de similitud entre el pa-
ciente y la población estudiada. En otras palabras, cuanto
más parecido sea el paciente a la población incluida en los
estudios, la estimación de la probabilidad pretest basada
en la prevalencia será más precisa.
Las reglas de predicción clínicas son ecuaciones mate-
máticas que calculan la probabilidad de que un individuo
presente el evento de interés en un determinado intervalo
de tiempo, según el nivel de exposición a diferentes facto-
res de riesgo.8 Las investigaciones que cuantifican la con-
tribución de componentes específicos de la historia clíni-
ca, el examen físico y algunos resultados de las pruebas
diagnósticas previas, pueden ayudar al médico al momen-
to de elaborar la probabilidad pretest. Sin embargo, estas
funciones tienen grandes limitaciones relacionadas con la
calibración y la discriminación, ya que muchas reglas de
predicción clínica se aplican en poblaciones diferentes a
las que le dieron origen.9
Considerando lo comentado previamente, un cuarto
concepto sería que conocer la prevalencia “real” en la po-
blación o utilizar reglas de predicción clínica cuando exis-
tan, podría ayudar al médico al momento de estimar la
probabilidad pretest.
En conclusión, si bien los médicos suelen estar más
interesados en encontrar una o más pruebas diagnósticas,
y suelen poner mucho interés en el resultado de dicho
test diagnóstico, debemos entender que la estimación
de una probabilidad pretest lo más precisa posible es, al
menos, igualmente importante. No contamos con un
método infalible para esta estimación y probablemente
cualquier intento sea inexacto. Considerar varios enfo-
ques, algunos más subjetivos basados en la experiencia
y el juicio clínico, y otros más objetivos, basados en la
evidencia o en herramientas adicionales como las reglas
de predicción clínica, disminuyen el error y aumenta la
exactitud del proceso. Quizás sea más apropiado traba-
jar mentalmente con “rangos de probabilidades” y no
con valores “fijos”. Las estimaciones poco precisas de
probabilidad pretest conducirán inevitablemente a una
estimación inexacta de la probabilidad postest (y con-
secuentemente con errores diagnósticos o tratamientos
inadecuados), aun cuando el método diagnóstico uti-
lizado sea correcto. Por lo tanto, esforzarnos en tratar

10Acta Gastroenterol Latinoam 2024;54(1):8-10
Conceptos claves en la estimación de la probabilidad pretest Walter Masson
de estimar la probabilidad pretest con todos los recur-
sos disponibles conducirá a una mejora sustancial en la
toma de decisiones con nuestros pacientes.
Propiedad intelectual. El autor declara que los datos pre-
sentes en el manuscrito son originales y se realizaron en su
institución perteneciente.
Financiamiento. El autor declara que no hubo fuentes de
financiación externas.
Conflicto de interés. El autor declara no tener conflictos de
interés en relación con este artículo.
Aviso de derechos de autor
© 2024 Acta Gastroenterológica
Latinoamericana. Este es un artículo
de acceso abierto publicado bajo los
términos de la Licencia Creative Commons Attribution
(CC BY-NC-SA 4.0), la cual permite el uso, la distribución
y la reproducción de forma no comercial, siempre que se cite
al autor y la fuente original.
Cite este artículo como: Masson W. Conceptos claves en
la estimación de la probabilidad pretest. Acta Gastroenterol
Latinoam. 2024;54(1):8-10. https://doi.org/10.52787/agl.
v54i1.385
Referencias
1. Uy EJB. Key concepts in clinical epidemiology: Estimating pre-
test probability. J ClinEpidemiol. 2022:144:198-202. https://
DOI.org/10.1016/j.jclinepi.2021.10.022
2. Johnson KM. Using Bayes' rule in diagnostic testing: a graphi-
cal explanation. Diagnosis (Berl). 2017;4:159-167. https://DOI.
org/10.1515/dx-2017-0011
3. Bours MJ. Bayes' rule in diagnosis. J ClinEpidemiol. 2021:131:158-
160. https://DOI.org/10.1016/j.jclinepi.2020.12.021
4. Lakhlifi C, Rohaut B. Heuristics and biases in medical deci-
sion-making under uncertainty: The case of neuropronostica-
tion for consciousness disorders. Presse Med. 2023;52:104181.
https://DOI.org/10.1016/j.lpm.2023.104181
5. Kakinohana RK, Pilati R. Differences in decisions affected by
cognitive biases: examining human values, need for cognition,
and numeracy. Psicol Reflex Crit. 2023;36:26. https://DOI.
org/10.1186/s41155-023-00265-z
6. Morgan DJ, Pineles L, Owczarzak J, Magder L, Scherer L, Brown
JP, et al. Accuracy of Practitioner Estimates of Probability of
Diagnosis Before and After Testing. JAMA Intern Med. 2021;181:
747-55. https://DOI.org/10.1001/jamainternmed.2021.0269
7. Richardson WS. Five uneasy pieces about pre-test probabil-
ity. J Gen Intern Med. 2002;17:882-883. https://DOI.org/
10.1046/j.1525-1497.2002.20916.x
8. Cui J. Overview of risk prediction models in cardiovascular dis-
ease research. Ann Epidemiol2009;19:711-717. https://DOI.
org/10.1016/j.annepidem.2009.05.005
9. Elosua R. Cardiovascular risk functions: usefulness and limita-
tions. Rev EspCardiol (Engl Ed) 2014;67:77-79. https://DOI.
org/10.1016/j.rec.2013.09.012