La evaluación de pruebas diagnosticas David Epstein Universidad de York, Inglaterra [email protected] 1 Indice z z Introducción Parte 1 – z Parte 2 – – z z 2 z El criterio de positivismo óptimo para una prueba Caso Práctico 1 Parte 5 – z La curva de rendimiento diagnóstico (ROC) Parte 4 – z La probabilidad de enfermedad La fórmula de Rvdo. Dr. Bayes Parte 3 – z La sensibilidad y especificidad El meta meta-análisis análisis Caso práctico 2 Resumen, preguntas y conclusiones Bibliografía g z z z z 3 Deeks JJ. Systematic reviews in health care: systematic reviews of evaluations of diagnostic and screening tests. BMJ. 2001;323:157-62. Hennekens C, Buring J. Epidemiology in medicine. Philadelphia: Lippincott; 1987. W i t i M, Weinstein M Fi Fineberg b H H. Cli Clinical i lD Decision i i A Analysis. l i Philadelphia: W B Saunders; 1980. Jaimes Fabián. Jaimes, Fabián Diagnostic tests: use and interpretation. Acta Med Colomb, Jan./Mar. 2007, vol.32, no.1, p.29-33 Una p prueba es un separador p z La prueba – – z Los resultados de la prueba – 4 Un método para buscar más datos de un paciente Hi ó i Histórico, fí físico, i químico, í i radiográfico… di áfi Separar pacientes en grupos con diferentes probabilidades de tener una enfermedad Características de una prueba p z z Normalmente una prueba tiene 2 características Una variable de medición – z Un criterio de positivismo – – 5 Por ejemplo, la presión diastólica de sangre El valor p para separar p el “normal” de la “enfermedad” Por qué hacemos una dicotomización? Resultados de un estudio de la relación entre el nivel de la enzima “SGOT” y una infarto de miocardio reciente Prop porción d de pacien ntes 6 Con IM N=48 25% 25% 12/48 23% 11/48 17% 19% 8% 8% 9/48 4/48 4/48 8/48 0% 50 25% 50% 150 100 80% 11% 9% 37/46 5/46 4/46 200 250 600 SGOT unidades/litro Sin IM N=46 75% SGOT: Glutamic oxaloacetic transaminase La prueba “SGOT” para el infarto de miocardio z z z Variación en los valores de SGOT en pacientes con y sin IM Los valores en los grupos se solapan Elegir un criterio de positivismo para separar los pacientes – z 7 Por ejemplo j SGOT ≥100 unidades /litro Tabla 2 x 2 Los resultados en una tabla 2x2 con un positivismo de SGOT≥100 criterio de p 8 Con IM Sin IM Total SGOT≥100 VP FN P+ SGOT<100 FP VN P- Total E+= 48 E- = 46 N= 94 Los resultados en una tabla 2x2 con un positivismo de SGOT≥100 criterio de p 9 Con IM Sin IM Total SGOT≥100 VP 25 VP=25 FN 4 FN=4 P+ =29 29 SGOT<100 FP=23 VN=42 P- =65 Total E+= 48 E- = 46 N= 94 Definiciones z Sensibilidad – z Especificidad – 10 = “sensitivity” = tasa de verdadero positivos= Pr[P+|E+] = VP / E+ = “specificity” = tasa de verdadero negativos= Pr[P-|E-] = VN / E- Cociente de verosimilitud : “Likelihood ratio” z Definiciones – – – z 11 Cocientes de verosimilitud; “Likelihood ratio” LR = sensibilidad/(1-especificidad) LR+ ibilid d/(1 ifi id d) LR- = (1-sensibilidad)/ especificidad =“Razon de probabilidades” p Ejercicio. Calcular sensibilidad y p especificidad z Cálculo – – – – z Interpretación – – 12 Sensibilidad E Especificidad ifi id d LR + LR Exactidud o precisión de la prueba Insuficiente para tomar una decisión Parte 2 z 13 La revisión de la probabilidad de la enfermedad Ejercicio. Probabilidad de una enfermedad z Una prueba tiene – – z z z z 14 Una sensibilidad de 99% Una especificidad de 90% La prevalencia (frecuencia de la enfermedad en la población de interés)) es 10% p Le diste la prueba a un paciente y resultó P+. ¿Cuál es la probabilidad ¿ p de q que el p paciente tiene la enfermedad? A. 10% B. 50% C. Entre 90 y 99% D. 100% La revisión de la probabilidad p z z Imaginad un cohorte de 1 1.000 000 personas De ellos, 100 tiene la enfermedad, 900 no la tiene Sensibilidad 99% 99 P+, 1 P- 90 P+, 810 P- Especificidad 90% En el cohorte de 1 1.000 000 personas 99 + 90 = 189 P+ 15 1+ 810 = 811 P- Pr(E+ |P+) = 99/189 = 51% Pr(E-|P-) = 810/811 Rev. Thomas Bayes y ((c.1702 – 1761)) 16 Teorema de Bayes y (skip) ( p) z Pr(P+) Pr(P+|E+)*Pr(E+) + Pr(P+|E-)*Pr(E-) Pr(P+)= Pr(P+|E )*Pr(E ) Sensibilidad z Prevalencia 1-Prevalencia Pr(E+ | P+ ) = Pr(P + | E + )* Pr(E+) / Pr( P+) Probabilidad posterior 17 1-Especificidad Ejercicio. Revisar la probabilidad de un paciente que p q tuvo un IM (skip) ( p) z SGOT ≥ 50 – z Prevalencia . – – z 18 Sensibilidad 75%, especificidad 80% A. Supone que es 50% B. Supone que es 20% Usar ambos métodos : el método “cohorte” y la formula de Bayes Cálculo (skip) ( p) z Prevalencia (probabilidad prior) – P(P+) = 0.475 z Probabilidad posterior = 0.375/0.475= 79% z Prevalencia – z 19 =50% 50% =20% P(P+) = 0.31 0 31 Probabilidad posterior = 0.15/0.31=48% Formula de Bayes y z z z 20 Difícil calcular rápidamente No es muy intuitiva Afortunadamente hay una forma más sencilla Odds z z 21 Definiciónes Odds – Odds = Probabilidad / (1-probabilidad) – Probabilidad = odds / (1 + odds) Cociente de verosimilitud : “Likelihood ratio” z Definiciones – – – 22 Cocientes de verosimilitud; “Likelihood ratio” LR = sensibilidad/(1-especificidad) LR+ ibilid d/(1 ifi id d) LR- = (1-sensibilidad)/ especificidad Fórmula de Bayes: y más sencillo Pr(( E + | P + ) P P Pr(( E + ) P Pr(( P + | E + ) = * Pr( E − | P + ) Pr( E −) Pr( P + | E −) Odds posterior = Odds prior x likelihood ratio(+) LR+ . Cambiar (aumentar) la probabilidad de la enfermedad en pacientes con un resultado positivo LR-. Cambiar (disminuir) la probabilidad de la enfermedad f d d en pacientes i t con un resultado lt d negativo ti 23 Calculad la p probabilidad de la enfermedad en un paciente con un p resultado positivo z Umbral de SGOT = 50 – z Prevalencia = probabilidad prior de que la paciente tuvo un IM – Supone que es 50% z odds prior = 0.5 / 0.5 = 1 z LR+ = 0.75 / 0.2 = 3.75 z odds posterior = 1 x 3.75 = 3.75 probabilidad posterior P(E+| P+) = 3.75 / 4.75 ≈ 0.80 z z z 24 Sensibilidad 75%, especificidad 80% Calculad la probabilidad de la enfermedad en un paciente con un resultado positivo si P(E+)=20% Calculad la probabilidad de la enfermedad en un paciente con un resultado NEGATIVO si P(E+)=20% Ejercicio j z 25 JAIMES, Fabián. JAIMES Fabián Diagnostic tests: use and interpretation. Acta Med Colomb, Jan./Mar. 2007 vol 2007, vol.32, 32 no no.1, 1 p p.29-33. 29 33 Odds posterior p 26 z En el análisis anterior calculamos el odds posterior dado un resultado positivo de la prueba (P+) z También se puede calcular el odds posterior de la enfermedad dado un valor “X” de SGOT eg X= 75 “Likelihood Likelihood ratios ratios”. Cocientes de verosimilitud. Calcular dentro de cada rango g de SGOT 27 SGOT “x” x E+ E E- LR(x) 0-49 0 49 12 37 (12/48)/(37/46)=0,31 (12/48)/(37/46) 0,31 50-99 11 5 100-149 9 4 150+ 16 0 Total 48 46 “Likelihood ratios” 28 SGOT “x” 0 49 0-49 E+ E E- LR(x) 12 37 0 31 0,31 50-99 11 5 2,11 , 100-149 9 4 2,16 150+ 16 0 Inf. Total 48 46 LR <1 Æ disminuir la probabilidad de la enfermedad (dado el resultado de la prueba) LR >1 Æ aumentar la probabilidad de la enfermedad (dado el resultado de la prueba) La fórmula de Bayes y p para calcular el odds posterior dado un valor “X” de SGOT Pr( E + | X ) Pr( E +) Pr( X | E + ) = * Pr( E − | X ) Pr( E −) Pr( X | E −) 29 Odds p posterior de IM 30 SGOT “X” E+ E E- LR(X) 0-49 0 49 12 37 0 31 0,31 50-99 11 5 2,11 100-149 9 4 2,16 150+ 16 0 Inf. Total 48 46 Odds posterior Probabilidad posterior Cálculo de odds posterior cuando prevalencia = 20% SGOT=75 y la p z z LR | (50<SGOT<100) = 2,11 2 11 Prevalencia = 20% – z Odds p posterior = Pr(E+| ( | X)) / Pr(E( | X)) – – 31 Odds prior de la enfermedad= Pr(E+)/P(E-)= 0,25 = 0,25 x 2,11= 0,53 Probabilidad p posterior = 0,53/1,53 , , = 35% Odds posterior de IM cuando la prevalencia = 20% p 32 SGOT X E+ E E- LR(X) 0-49 0 49 12 37 0 31 0,31 50-99 11 5 2,11 100-149 9 4 2,16 150+ 16 0 Inf. Total 48 46 Odds posterior Probabilidad posterior 0,53 0,35 Odds posterior de IM cuando la prevalencia = 20% p 33 SGOT “x” x E+ EE LR(x) Odds posterior Probabilidad posterior 0-49 0 49 12 37 0,31 0,08 0,07 50-99 11 5 2,11 0,53 0,35 100-149 9 4 2,16 0,54 0,35 150+ 16 0 Inf. Inf. ≈1,00 Total 48 46 Parte 3 z z 34 La relación entre sensibilidad y especificidad La curva de ROC Relación entre sensibilidad y p especificidad z z z z z z 35 Sensibilidad está medida en pacientes con la enfermedad Especificidad está medida en pacientes sin la enfermedad Por tanto, son independientes DADO UN CRITERIO DE POSITIVISMO Una prueba tendría una sensibilidad alta y especificidad alta, o sensibilidad baja y especificidad baja o sensibilidad baja y especificidad alta. etc Cambiar el criterio de positivismo p z z z 36 En SGOT, SGOT la elección de un criterio de positivismo más alto, reduciría la sensibilidad y mejoraría la especificidad Cambiar el criterio de positivismo Æ vincular sensibilidad y especificidad: “a trade-off” Ejercicio. Calcular sensibilidad y especificidad para SGOT ≥50 & SGOT ≥150 SGOT ≥ 50 SGOT≥50 SGOT 50 SGOT<50 Total z z 37 Con IM 36 12 48 Sin IM 9 37 46 Sensibilidad. 36/48 = 0,75 Especificidad. 37/46 = 0,804 SGOT ≥100 SGOT≥100 SGOT 100 SGOT<100 Total z z 38 Con IM 25 23 48 Sin IM 4 42 46 Sensibilidad. 25/48=0,521 Especificidad. 42/46=0,913 SGOT ≥150 SGOT≥150 SGOT 150 SGOT<150 Total z z 39 Con IM 32 16 48 Sin IM 0 46 46 Sensibilidad. 32/48 = 0,333 Especificidad. 46/46 = 1 Resumen de resultados en función del p criterio de positivismo 40 Criterio Sensibilidad Especificidad SGOT ≥50 50 0 75 0,75 0 80 0,80 SGOT ≥100 0,52 0,91 SGOT ≥150 0,33 1,00 La curva de rendimiento diagnóstico ( (ROC) ) 1 Tasa de VP (sensibilidad) 0.8 Umbral = 50 0.6 0.4 Umbral = 100 0.2 Umbral = 150 0 0 41 0.2 0.4 0.6 0.8 1 Tasa de falsos positivos (1-especificidad) Ejercicio. Dibujar e interpretar la curva para cada prueba p A,, B,, C de ROC p E + E + Resultado de la prueba A E- E- E + 42 E- Resultado de la prueba B Resultado de la prueba C Interpretación p de curva de ROC 1 sensibilidad Área bajo la curva ((AUC)) = 0,5 45º 43 0 1 1- especificidad Interpretación p de curva de ROC 1 sensibilidad Área = 1 45º 44 0 1 1- especificidad Interpretación p de curva de ROC 1 0,5 < Área < 1 sensibilidad Área = Probabilidad de hacer un buen diagnóstico de 2 personas, una con la enfermedad y otra sin i lla enfermedad f d d 45º 45 0 1 1- especificidad Interpretación p de curva de ROC 1 sensibilidad Gradiente de la curva de ROC = LR a esta coordinada 45º 46 0 McNeil et al (1975) NEJM 293:211-215 1 1- especificidad “Likelihood Likelihood ratios ratios”. Cocientes de verosimilitud. Calcular dentro de cada rango g de SGOT 47 SGOT x E+ E E- LR (x) 0-49 0 49 12 37 (12/48)/(37/46)=0,31 (12/48)/(37/46) 0,31 50-99 11 5 100-149 9 4 150+ 16 0 Total 48 46 “Likelihood ratios” 48 SGOT E+ E E- LR(x) 0-49 0 49 12 37 0,31 50-99 11 5 2,11 100-149 9 4 2,16 150+ 16 0 Inf. Total 48 46 LR <1 Æ disminuir la probabilidad de la enfermedad (dado el resultado de la prueba) LR >1 Æ aumentar la probabilidad de la enfermedad (dado el resultado de la prueba) La relación entre la curva de ROC y el LR 1 Tasa de VP (sensibilidad) 0.8 Umbral = 50 0.6 0.4 LR = 0,31 Umbral = 100 0.2 Umbral = 150 0 0 49 0.2 0.4 0.6 0.8 1 Tasa de falsos positivos (1-especificidad) Ejercicio j z 50 Dibujar una curva ROC para la prueba de presión ocular (“Schiotz tonometría”) para identificar pacientes con glaucoma Presión ocular 0.3 E+ Probabilidad 0.25 0.2 0.15 0.1 0.05 00 -0.05 -0.1 -0.15 E_ -0.2 -0.25 -0.3 51 -0.35 -0.4 -0.45 0-1 0-1 1-2 1-2 2-3 2-3 3-4 3-4 4-5 4-5 5-6 5-6 6-7 6-7 7-8 7-8 8-9 8-9 9-10 9-10 10-11 10-11 11-12 11-12 Presión intraocular más baja (menos riesgo de ceguera) Presión ocular 52 Resultado de la prueba E+ (%) E- (%) 0-1 0.018 0 12 1-2 0 016 0.016 0 2-3 0.023 0 3-4 0.073 0.001 45 4-5 0 181 0.181 0 005 0.005 5-6 0.277 0.042 6-7 0.166 0.14 7-8 0.246 0.394 8-9 0 0.247 9-10 0 0.119 10-11 0 0.042 11-12 0 0.01 Total 1 1 Presión ocular 53 Resultado de la prueba E+ E- FP VP 0-1 0.018 0 0 0.018 12 1-2 0 016 0.016 0 0 0 034 0.034 2-3 0.023 0 0 0.057 3-4 0.073 0.001 0.001 0.13 73.00 4-5 0.181 0.005 0.006 0.311 36.20 5-6 0.277 0.042 0.048 0.588 6.60 6-7 0.166 0.14 0.188 0.754 1.19 7-8 0.246 0.394 0.582 1 0.62 8-9 0 0.247 0.829 1 0.00 9-10 0 0.119 0.948 1 0.00 10-11 0 0.042 0.99 1 0.00 11-12 0 0.01 1 1 0.00 LR Curva ROC Curva ROC 1 0.9 0.8 0.7 Valo or VP 0.6 0.5 0.4 8<Criterio<9 7<Criterio<8 Sensibilidad=0,75 Especificidad=1 0 19=0 81 Especificidad=1-0,19=0,81 0.3 0.2 Sensibilidad=1 Especificidad=1-0,58=0,42 0.1 0 0 0.1 0.2 0.3 0.4 0.5 Valor FP 54 0.6 0.7 0.8 0.9 1 Parte 4. El criterio de positivismo p para p una prueba p óptimo z z z z z z z z z 55 Por ejemplo. ejemplo Pacientes sospechosos de IM Tu hospital tiene una prueba para IM El hospital usa la prueba con un LR+ = 2 Se trata el paciente según el resultado de la prueba Supón que la probabilidad previa = 20% D Después é d de una prueba b P+ P+, la l probabilidad b bilid d posterior t i E+| P+ Æ 33% El hospital p q quiere q que revises su p política ¿ Es correcto su criterio de positivismo? ¿ De que factores depende tu decisión? La elección del criterio de positivismo p optimo E+ FN Resultado de la prueba E- 56 FP Resultado X1 La elección del criterio de positivismo p optimo E+ FN Resultado de la prueba E- 57 FP X2 es un separador más especifico que X1 La elección del criterio de positivismo p optimo E+ FN LR(X2) mayor que LR(X1) Resultado de la prueba E- 58 FP X2 es un separador más especifico que X1 Factores relevantes p para la decisión z z Prevalencia de la enfermedad (rara o común) Consecuencias de errores: falsos positivos y falsos negativos – – – 59 Efectividad de tratamientos Riesgos de tratamientos ¿Costes de los tratamientos? Ejercicio: j Consecuencias de error z ¿Qué criterio de postivismo (más especifico / más sensible) elegirías si – – – – – 60 El ttratamiento t i t titiene más á riesgo? i ? Las consecuencias sin tratamiento son más graves? La prevalencia disminuye? L prevalencia La l i aumenta? t ? El tratamiento es más caro? Consecuencias de error z ¿Qué X elegirías si – El tratamiento es arriesgado? z – Las consecuencias sin tratamiento son graves? z – FP más probableÆ X más especifico para evitar FP L prevalencia La l i aumenta? t ? z 61 Para evitar FN Æ X más sensible La prevalencia disminuye? z – Consecuencias peores para un FP Æ X más especifico FN más probableÆ X más sensible para evitar FN Ejemplo: Criterio de positivismo p de un prueba p para p encontrar IM óptimo z Consecuencias – – VN : Buena salud FP : Adversos efectos de fármacos (hemorragia) z – VP : Prognosis g bastante buena z – 62 Tasa de mortalidad 20 por 100 personas FN : Riesgo alto de mortalidad z z Tasa de mortalidad 3 por 100 personas Tasa de mortalidad 50 por 100 personas Objetivo: Minimizar la tasa de mortalidad Análisis de la decisión para la elección positivismo óptimo p del criterio de p Designación de X como una P+ P Resultado d lla de prueba = X E+ P(E+|X) EP(E-|X) Consecuencias de FP Decisión E+ P(E+|X) ( | ) Designación de X como una P- EP(E-|X) 63 Consecuencias de VP Consecuencias d FN de Consecuencias de VN Probabilidad posterior de IM cuando la prevalencia = 20% p SGOT X E+ E E- LR(X) 0-49 0 49 12 37 0 31 0,31 50-99 11 5 2,11 Odds posterior Probabilidad posterior 0,53 0,35 =(11/48)/ =(0,2/0,8)*2,11 (5/46) 64 100-149 100 149 9 4 2,16 150+ 16 0 Inf. Total 48 46 =0,53/1,53 Análisis de la decisión para la elección positivismo optimo p del criterio de p Prevalencia 20% E+ Designación P+ 0,35 EResultado d lla de prueba SGOT = 75 0.03 0,65 Decisión E+ 0,35 Designación P- E0,65 65 0 20 0.20 0.50 0 Análisis de la decisión para la elección positivismo optimo p del criterio de p Prevalencia 20% Designación P+ Tasa media T di de d mortalidad = 0,09 Resultado d lla de prueba SGOT = 75 0 20 0.20 0,35 E- 0.03 0,65 Decisión Tasa media de mortalidad t lid d = 0,17 0 17 66 E+ E+ 0,35 Designación P- E0,65 0.50 0 Análisis de la decisión para la elección positivismo optimo p del criterio de p z z 50< SGOT <100 debe designar una resultado positivo Ejercicio – 67 Comparar las tasas de mortalidad si determinas un valor de SGOT < 50 como “negativo” frente a la opción de determinar un valor de SGOT < 50 como “positivo” positivo Criterio de positivismo óptimo. Prevalencia = 20% 68 SGOT X LR(X) Probabilidad Mortalidad posterior de si XÆP+ la enfermedad f d d Mortalidad si XÆP- 0-49 0,31 0,07 0.042 0.036 50-99 2,11 0,35 0,089 0,173 100-149 2,16 0,35 0,090 0,175 150+ Inf. ≈1,00 0.200 0.500 La fórmula de Bayes para calcular el p Likelihood Ratio óptimo Pr( X | E + ) ⎛ Pr( E −) ⎞ ⎛ CVN − CFP ⎞ =⎜ ⎟ *⎜ ⎟ Pr( X | E −) ⎝ Pr( E +) ⎠ ⎝ CVP − CFN ⎠ LR óptimo = ( 1/ Odds prior ) * “consecuencias” consecuencias Por ejemplo: 69 LR óptimo = LR óptimo = 0.8/0.2 * (0-0,03) / (0,2 – 0,5) 4 x 0,1 = 0,4 Weinstein M, Fineberg H. Clinical Decision Analysis. Philadelphia: W B Saunders; 1980. Likelihood Ratio y el criterio de positivismo óptimo p p z ¿Cómo cambiaría sus conclusiones en el caso de que: – – z 70 La ttasa de L d prevalencia l i d de IM es más á b baja j El prognosis después el tratamiento de un IM sea mejor? ¿Qué otros factores son importantes en la d i ió ? decisión? Caso Practico 1 z 71 Apendectomía Parte 5 z Meta análisis Meta-análisis – z 4 Métodos – – – – 72 Síntesis de los resultados de varios estudios Unir los datos Análisis de sensibilidad y especificidad independientemente Análisis de Likelihood Ratios Análisis de Diagnostic Odds Ratio ¿ ¿Unir los datos? Calcular sensibilidad y especificidad para cada estudio y los g p Comentar. datos agrupados. E+ E E- Estudio1 P+ 100 10 P P- 300 90 Total 400 100 Estudio2 P P+ 30 100 P- 10 100 Total 40 200 P+ 130 110 P- 310 190 Total 440 300 Total 73 Sens Espec ¿ ¿Unir los datos? Calcular sensibilidad y especificidad para cada estudio y los g p Comentar. datos agrupados. E+ E E- Estudio1 P+ 100 10 P P- 300 90 Total 400 100 Estudio2 P P+ 30 100 P- 10 100 Total 40 200 P+ 130 110 P- 310 190 Total 440 300 Total 74 Sens Espec 0,25 0,9 0,75 0,5 0,29 0,63 Método 1. Problema con datos g p agrupados. 1 Estudio 2 sensibilidad Datos agrupados 45º 75 0 Estudio 1 1 1- especificidad Datos de sensibilidad y especificidad de 20 estudios. Deeks 2001 76 Estimates from 20 studies of sensitivity and specificity of measurement of endometrial thicknesses of more than 5 mm using endovaginal ultrasonography for detecting endometrial cancer.. Desafíos de un meta-análisis z Variabilidad en los resultados – – De carácter aleatorio D carácter De á sistemático i ái z z 77 Debido a diferencias entre los estudios (p.e características de los pacientes) Debido a diferencias en el criterio de positivismo entre los estudios Heterogenidad g entre los estudios Tasa de VP 1 0.8 0.6 0.4 0.2 0 0 78 0.2 0.4 0.6 0.8 Tasa de FP 1 Método 2 z z Meta-análisis Meta análisis independientes de los datos de sensibilidad y los datos de especificidad Resultados – – – – 79 Sensibilidad 0,96 ( 95% intervalo de confianza 0,93 a 0,99) Especificidad 0,61 ( 95% intervalo de confianza 0,55 a 0,66) Heterogenidad g entre los estudios Tasa de VP 1 0.8 0.6 0.4 0.2 0 0 80 0.2 0.4 0.6 0.8 Tasa de FP 1 Problemas del meta-análisis de sensitividad y especificidad por p separado z 81 No se tuvo en cuenta la heterogeneidad sistemática entre los estudios Método 3. Promedios de los Likelihood positivos y negativos g ratios p z z Supone que los Likelihood Ratios son similares entre los estudios Resultados – – – – 82 Likelihood Ratio positivo 2,54 ( 95% intervalo de confianza 2,16 a 2,98) Likelihood Ratio negativo 0,09 ( 95% intervalo de confianza 0,06 a 0,13) Meta-análisis con Likelihood Ratios constante. ((Sensibilidad estimado)) Tasa de VP 1 0.8 LR- constante = 0,09 0.6 LR+ constante = 2,54 0.4 0.2 0 0 83 0.2 0.4 0.6 0.8 Tasa de FP 1 Interpretar p los resultados de LR+ y LRz z z 84 Supone que la prevalencia de cáncer endometrial en esta populación es 13% Calcular el odds posterior de la enfermedad de un paciente quien resultó P+ Calcular el odds posterior de la enfermedad de un paciente quien resultó P- Odds posterior p Pr(( E + | P + ) Pr( P P ( E +) P Pr(( P + | E + ) = * Pr( E − | P + ) Pr( E −) Pr( P + | E −) Si resultó ltó P+ Odds posterior de enfermedad = (0,13/0,87)*2,54 = 0,38 Probabilidad posterior = 0 0,38 38 / 1 1,38 38 = 28% Si resultó POdds posterior de enfermedad = (0 (0,13/0,87) 13/0 87)*0 0,09 09 = 0 0,014 014 85 Probabilidad posterior = 0,014 / 1,014 = 1,3% Meta-análisis de Likelihood ratios z z La interpretación de LR+ y LR LR- es intuitiva y útil en la práctica clínica Problemas en el meta-análisis – – 86 ¿Cómo elegiría entre LR+ constante o LRconstante? Otra vez el análisis no tuvo en cuenta la dif diferencia i en ell criterio it i d de positivismo iti i entre t llos estudios Método 4. Odds ratio diagnostico ((Diagnostic g odds ratio)) z z Supone que los odds ratio diagnositicos son similares entre los estudios Definición – – – – 87 DOR = LR + / LR – = sensibilidad / (1- sensibilidad) _________________________ especificidad / (1- especificidad) Diagnostic g odds ratio z z z z 88 Es poco probable que el LR no varia entre estudios estudios, porque el LR varia en función del criterio de positivismo Es más probable que el DOR no varia en función del criterio de p positivismo yya q que es una característica de la tecnología Pero resulta difícil aplicar el DOR a la practica clínica La fórmula para calcular el SROC Relación entre DOR y la curva de y ROC)) SROC ((Summary z z z Si el DOR es constante en los estudios (o todo la variación en el DOR es aleatoria): Podemos calcular la sensibilidad en función de especificidad y DOR Odds(TVP) = DOR * odds(TFP) – – – – 89 Donde TVP = tasa de verdadero positivo = sensibilidad TFP = tasa de falso positivo = 1-especificidad Odds(x) = x/(1-x) Summary y ROC. Sensibilidad p prevista Tasa de VP 1 DOR constante = 28 ((95% IC 18,2 a 43,2)) 0.8 El criterio de positivismo variaría entre estudios 0.6 0.4 El análisis supone que otra variabilidad es aleatoria 0.2 0 0 90 0.2 0.4 0.6 0.8 Tasa de FP 1 Conclusión z Meta análisis Meta-análisis – – – – 91 Síntesis de los resultados de varios estudios L supuestos son iinevitables Los i bl Es importante explorar factores que resultan en la variabilidad ariabilidad entre est estudios dios Un factor sería el criterio de positivismo, por ejemplo debido a diferencias en la calibración de ejemplo, las máquinas Comparación p entre dos opciones p z Diseño del estudio – Ensayo clínico aleatorio z z z – Estudio de modelización z z z 92 Validez interna alta Caro y difícil Validez externa puede ser baja Utilizar datos de prevalencia, sensibilidad, especificidad Tener en cuenta que las diferencias en sens y espec pueden ser por diferencias en el criterio de positivismo Modelizar las consecuencias de FP, FN etc. Ensayo y clínico aleatorio: la angina g Overall, O ll death d h or MI was reduced in the routine invasive group [compared [ d with the selective group ; Odd ratio 0.82, Odds 0 82 95% CI 0.72-0.93] 93 Caso práctico 2: Evaluación de ( ) Telemedicina (modelización) z z Pacientes con lesiones de la piel sospechosas de melanoma maligno Opciones para el cribado – – z 94 Telemedicina en atención primaria con una cámara digital y conexión electrónica para enviar las imágenes a un especialista Atención especializada con una cámara digital (dermatoscopia) Evaluar las opciones y hacer recomendaciones para el sistema sanitario Datos de eficacia Telemedicina Atención Especialista 95 Estudio VP Total E+ FP Total EE Browns 83 85 98 171 Moreno Ramirez 14 14 10 47 Cristofolini 29 33 40 187 Soyer 61 65 17 94 Benelli e e 48 8 60 38 341 3 Carli 3 4 1 11 Krahn 35 39 3 41 Stanganelli 51 55 13 207 Lorentzen 40 49 11 183 Drummer 22 23 17 801 Otros datos z z Prevalencia de melanoma maligno en esta populación es 22% Consecuencias – – – – 96 Tasa de mortalidad con tratamiento correcto 2% Tasa de mortalidad sin tratamiento precoz 3,6% Tasa de mortalidad con tratamiento innecesaria ? Qué otros factores sería importantes?