Probabilidad y Estadística en Medicina UNED Curso de Experto Universitario en Probabilidad y Estadística en Medicina www.ia.uned.es/cursos/prob-estad Método bayesiano clásico F. J. Díez Vegas Dpto. Inteligencia Artificial. UNED [email protected] www.ia.uned.es/~fjdiez Método bayesiano clásico X Diagnósticos • d1: • d2: • d3: X Insuficiencia mitral crónica Insuficiencia mitral aguda No hay insuficiencia mitral Posibles hallazgos ³ H1: Disnea • • • • h1,1: h1,2: h1,3: h1,4: No hay disnea Disnea leve Disnea moderada Disnea severa ³ H2: Dilatación de la A.I. • • • • h2,1: h2,2: h2,3: h2,4: No dilatada Dilatación leve Dilatación moderada Dilatación severa ³ H3: Regurgitación observada en eco Doppler • h3,1: ... 1 Probabilidad y Estadística en Medicina UNED Fundamentos del método bayesiano clásico X Punto de partida: n diagnósticos, m hallazgos X Parámetros: X Teorema de Bayes ³ 2n probabilidades a priori: P(d1, … , dn) n+m ³2 probabilidades condicionadas: P(h1, … , hm | d1, … , dn) P (d1, L , d n | h1, L , hm ) = P (h1, L , hm | d1, L , d n ) ⋅ P (d1, L , d n ) ∑ P (h1, L , hm | d1′, L , d n′ ) ⋅ P (d1′, L , d n′ ) d1′, L , dn′ X Número de parámetros: ³ 3 diagnósticos, 10 hallazgos → 8.191 parámetros ³ 10 diagnósticos, 50 hallazgos → 13152.9212504.6061846.975 parám. 1ª hipótesis: diagnósticos exclusivos y exhaustivos X X X Diagnósticos exclusivos: el paciente sólo tiene una enfermedad Diagnósticos exhaustivos: cubren todas las posibilidades Resultado: variable D que representa los diagnósticos posibles Parámetros: ³ n probabilidades a priori: P(di) ³ 2m·n probabilidades condicionadas: P(h1, … , hm | di) X El teorema de Bayes se reduce a P (d i | h1, L , hm ) = P ( h1, L , hm | d i ) ⋅ P (d i ) 1 m | d j ) ⋅ P (d j ) ∑ P (h , L , h j X Número de parámetros: ³ 3 diagnósticos, 10 hallazgos → 4.095 parámetros ³ 10 diagnósticos, 50 hallazgos → 12.3842898.9751268.863 parám. 2 Probabilidad y Estadística en Medicina UNED 2ª hipótesis: independencia condicional X Supone que, para cada diagnóstico, los hallazgos son condicionalmente independientes entre sí: P(h1, … , hm | di) = P(h1 | di) · … · P(hm | di) X Parámetros: ³ n probabilidades a priori: P(di) ³ m · n probabilidades condicionadas: P(hj | di) X Teorema de Bayes P (d i | h1, L , hm ) = P ( h1 | d i ) ⋅ K ⋅ P ( hm | d i ) ⋅ P (d i ) ∑ P (h1 | d i ) ⋅ K ⋅ P (hm | d i ) ⋅ P (d j ) j X Número de parámetros: ³ 3 diagnósticos, 10 hallazgos → 43 parámetros ³ 10 diagnósticos, 50 hallazgos → 560 parámetros X Representación gráfica Diagnóstico D Hallazgo H1 X Hallazgo H2 ... Hallazgo Hn Comparación de dos diagnósticos P ( d i | h1, L , hm ) P (d i ) P ( h1 | d i ) P ( hm | d i ) = ⋅ ⋅ K ⋅ P (d j | h1, L , hm ) P (d j ) P ( h1 | d j ) P ( hm | d j ) ³ Comparar P(enfermedad-1) frente a P(enfermedad-2) ³ Comparar P(+e) frente a P(¬e): RPpost = RPpre · RV1 · … · RVm 3 Probabilidad y Estadística en Medicina UNED Ejemplo: Diagnóstico de una patología X Enfermedad E ³ Prevalencia: P(+e) = 0’002 X Síntoma S ³ Sens: P(+s|+e) = 0’93 ³ RV+s : 0’93 / (1-0’99) = 93’00 X Espec: P(¬s|¬e) = 0’99 RV¬s : (1-0’93) / 0’99 = 0’0707 Prueba analítica A ³ Sens: P(+a|+e) = 0’995 ³ RV+a : 0’995 / (1-0’997) = 331’6 X Espec: P(¬a|¬e) = 0’997 RV¬a : (1-0’995) / 0’997 = 0’005 Diagnóstico P ( + e| s , a ) = P ( s| + e ) ⋅ P ( a | + e ) ⋅ P ( + e ) P ( s| + e ) ⋅ P ( a | + e ) ⋅ P ( + e ) + P ( s| ¬ e ) ⋅ P ( a | ¬ e ) ⋅ P ( ¬ e ) RPpost = RPpre · RVS · RVA Ejemplo: Resultados Evid RPpre RVS RVA RPpost P(+e|evid) — 0’002 1 1 0’0002 0’002 +s 0’002 93’000 1 0’1860 0’157 ¬s 0’002 0’0707 1 1’41·10-4 1’41·10 +a 0’002 1 331’6 0’6632 0’399 ¬a 0’002 1 0’005 1’00·10-5 1’00·10 +s, +a 0’002 93’000 331’6 61’678 0’984 +s, ¬a 0’002 93’000 0’005 0’00093 0’00093 -4 -5 ¬s, +a 0’002 0’0707 331’6 0’047 0’045 ¬s, ¬a 0’002 0’0707 0’005 7’10·10-7 7’10·10 -7 4 Probabilidad y Estadística en Medicina UNED Inconvenientes del método bayesiano clásico X Hipótesis de diagnósticos exclusivos: Supone que el paciente sólo tiene una enfermedad X Hipótesis de independencia condicional Infección bacteriana Organismo 1 Organismo 2 Síntoma Prueba clínica Cuándo se puede aplicar el método bayesiano clásico X Diagnósticos exclusivos: ³ Diagnosticar una sola enfermedad (presente / ausente) ³ Varios diagnósticos, pero es muy improbable que una persona tenga dos enfermedades simultáneamente X Independencia condicional ³ Varios efectos de una enfermedad, con mecanismos causales independientes Enfermedad(es) Síntoma 1 Síntoma 2 Signo Prueba clínica 5