Aplicación de Bayes en contextos de diagnósticos de salud
Aplicar la regla de Bayes para calcular la probabilidad real de tener una enfermedad, dado un resultado positivo en una prueba diagnóstica.
Introducción
Un resultado positivo en una prueba médica no significa automáticamente que la persona tenga la enfermedad con certeza; la regla de Bayes permite calcular la probabilidad real considerando también la tasa de la enfermedad en la población y la tasa de falsos positivos.
Explicación
Definición formal
$P(\text{enfermo}|\text{positivo})=\dfrac{P(\text{enfermo})\times P(\text{positivo}|\text{enfermo})}{P(\text{enfermo})\times P(\text{positivo}|\text{enfermo})+P(\text{sano})\times P(\text{positivo}|\text{sano})}$.
Desarrollo didáctico
Si el 5% de la población tiene la enfermedad, la prueba detecta correctamente al 90% de los enfermos (sensibilidad) y da falsos positivos en el 10% de los sanos: $P(\text{enfermo}|\text{positivo})=\dfrac{0{,}05\times0{,}9}{0{,}05\times0{,}9+0{,}95\times0{,}1}=\dfrac{0{,}045}{0{,}045+0{,}095}=\dfrac{0{,}045}{0{,}14}\approx0{,}32$.
Cómo hacerlo paso a paso
- Paso 1: Identifica la prevalencia de la enfermedad P(enfermo) y su complemento P(sano).
- Paso 2: Identifica la sensibilidad de la prueba P(positivo|enfermo) y la tasa de falsos positivos P(positivo|sano).
- Paso 3: Aplica la regla de Bayes para calcular P(enfermo|positivo), el valor realmente relevante para el paciente.
Ejemplos
1 P(enfermo)=0,05, P(positivo|enfermo)=0,9, P(positivo|sano)=0,1.
- P(enfermo|positivo)=(0,05×0,9)/((0,05×0,9)+(0,95×0,1))=0,045/0,14≈0,32.
2 Aunque la prueba tiene 90% de sensibilidad, P(enfermo|positivo)≈0,32.
- Como la enfermedad es poco frecuente (5%), incluso con una buena prueba, muchos positivos son en realidad falsos positivos de la gran mayoría de personas sanas.
3 ¿La sensibilidad de la prueba es lo mismo que P(enfermo|positivo)?
- No, la sensibilidad es P(positivo|enfermo), el orden opuesto al que realmente interesa al paciente.
4 ¿La prevalencia de la enfermedad afecta el resultado final de Bayes?
- Sí, es un factor crucial: enfermedades más raras dan valores de P(enfermo|positivo) más bajos, incluso con pruebas precisas.
Ejemplos Verdadero/Falso
"Confundir la sensibilidad de la prueba (P(positivo|enfermo)) con la probabilidad real de estar enfermo dado un positivo (P(enfermo|positivo))."
¿Es correcta esta afirmación?
Esta afirmación describe un error frecuente: es incorrecta.
"Ignorar la tasa de prevalencia de la enfermedad, asumiendo que un resultado positivo siempre implica alta probabilidad de enfermedad."
¿Es correcta esta afirmación?
Esta afirmación describe un error frecuente: es incorrecta.
"Olvidar incluir la tasa de falsos positivos en el cálculo del denominador."
¿Es correcta esta afirmación?
Esta afirmación describe un error frecuente: es incorrecta.
En diagnósticos médicos, la regla de Bayes calcula $P(\text{enfermo}|\text{positivo})$ combinando la prevalencia de la enfermedad, la sensibilidad de la prueba y la tasa de falsos positivos.
Practica
Preguntas conceptuales
Verificar las ideas clave antes de calcular.
-
En diagnóstico médico, la regla de Bayes calcula:
Es el valor que realmente interesa al paciente, distinto de la sensibilidad de la prueba.
Respuesta: A) P(enfermo|positivo)
-
La sensibilidad de una prueba es P(positivo|enfermo), no P(enfermo|positivo).
Son conceptos distintos, en direcciones opuestas de condicionamiento.
Respuesta: Verdadero
-
¿Por qué P(enfermo|positivo) puede ser mucho menor que la sensibilidad de la prueba en enfermedades raras?
Es un resultado clásico y contraintuitivo del análisis bayesiano en salud pública.
Respuesta: A) Porque la baja prevalencia hace que muchos positivos provengan de la gran mayoría de personas sanas (falsos positivos)
Reconocimiento
Identificar elementos, datos o procedimientos.
-
Un resultado positivo siempre implica con certeza tener la enfermedad.
Depende de la prevalencia y de la tasa de falsos positivos; rara vez implica certeza absoluta.
Respuesta: Falso
Ejercicios básicos
Aplicar el procedimiento principal en casos simples.
-
Con P(enfermo)=0,05, P(positivo|enfermo)=0,9, P(positivo|sano)=0,1, ¿cuál es aproximadamente P(enfermo|positivo)?
(0,05×0,9)/(0,045+0,095)=0,045/0,14≈0,32.
Respuesta: A) 0,32
-
Si la prevalencia de una enfermedad fuera mucho mayor (por ejemplo, 50%), P(enfermo|positivo) sería considerablemente más alta que con prevalencia de 5%.
A mayor prevalencia, mayor es la probabilidad a posteriori dado un resultado positivo, manteniendo igual la sensibilidad y especificidad.
Respuesta: Verdadero
-
Con P(enfermo)=0,1, P(positivo|enfermo)=0,95, P(positivo|sano)=0,05, ¿cuál es el denominador de Bayes (P(positivo))?
0,1×0,95+0,9×0,05=0,095+0,045=0,14.
Respuesta: A) 0,14
Preguntas tipo PAES
Resolver preguntas con formato y distractores similares a PAES.
-
¿Por qué este cálculo bayesiano es importante en salud pública antes de implementar pruebas de detección masiva para enfermedades raras?
Es una consideración clave en políticas de salud pública y pruebas de detección.
Respuesta: A) Porque muchos resultados positivos podrían ser falsos positivos, generando ansiedad innecesaria y costos adicionales de confirmación
-
Una enfermedad tiene prevalencia de 1% (P(enfermo)=0,01), con P(positivo|enfermo)=0,95 y P(positivo|sano)=0,05. ¿Cuál es aproximadamente P(enfermo|positivo)?
(0,01×0,95)/(0,01×0,95+0,99×0,05)=0,0095/(0,0095+0,0495)=0,0095/0,059≈0,161.
Respuesta: A) 0,161
-
Ante un resultado positivo con baja probabilidad a posteriori de enfermedad real, suele recomendarse una prueba de confirmación adicional antes de un diagnóstico definitivo.
Es una práctica médica estándar precisamente por este fenómeno bayesiano.
Respuesta: Verdadero