Medicina Basada en la Evidencia

Medidas epidemiológicas – 254 – En resumen, debemos tener claro que, modificando el punto de corte, si la sensibilidad aumenta, la especifici- dad disminuye, y viceversa. Por lo tanto, lo óptimo sería que definamos un punto donde exista un adecuado equilibrio de sensibilidad, especificidad, valores verdaderos y falsos. Ese punto de- penderá del tipo de enfermedad que se quiere diagnosti- car, del coste de la importancia relativa del diagnóstico y del impacto que podrían tener los valores falsos positivos y falsos negativos ( Figura 1c ). El escenario ideal que todos queremos es que el modelo no dé falsos positivos ni fal- sos negativos; sin embargo, eso no es lo que pasa en la vida real, ya que cualquier modelo no será 100% exacto. Para solucionar el problema de saber cuál es el punto de corte que más nos conviene, disponemos de una he- rramienta denominada curva de características opera- tivas para el receptor, conocida como curva ROC por su acrónimo en inglés ( Receiver Operating Characteristic ). Se utiliza este nombre porque es una comparación de dos características operativas (S y E), según cambiamos el umbral de decisión o punto de corte. En ella se repre- senta la relación entre la proporción de verdaderos po- sitivos (sensibilidad) y la proporción de falsos positivos (1-especificidad) de una prueba. En una curva ROC se representa la relación entre la proporción de verdaderos positivos y la proporción de falsos positivos El análisis de la curva ROC resulta útil para seleccionar los modelos posiblemente óptimos y descartar mode- los subóptimos. Además, se relaciona de forma directa con el análisis de coste/beneficio en la toma de deci- siones diagnósticas. En términos generales, los verda- deros positivos se asumen como beneficios y los falsos positivos, como costes. Al igual que la sensibilidad y la especificidad, las ca- racterísticas de la curva ROC no se ven afectadas por la prevalencia de la enfermedad en la población. ¿CÓMO CONSTRUIR UNA CURVA ROC? Las curvas ROC se representan siempre como un cua- drado ( Figura 2 ), donde el eje de las ordenadas (eje y) corresponde a los verdaderos positivos (S) y el eje de las abscisas (eje x) corresponde a los falsos positivos (1-E). Ambos ejes presentan divisiones que van de 0 a 1 (0 a 100, si se expresa en porcentaje). Entre ambos ejes se traza una curva según cada valor que se tome como po- sible punto de corte. Así, cada punto representa la pro- babilidad de diagnosticar correctamente a sanos y en- fermos. Una línea diagonal divide el área de la curva ROC en 2 partes. Los puntos que se encuentran por encima de ella representan los buenos resultados de clasificación (mejores que el azar), mientras que los puntos que se en- cuentran por debajo de ella corresponden a resultados pobres (peores que el azar). Por lo tanto, la diagonal del gráfico representa la curva que se produciría si el umbral de la prueba no tuviese capacidad discriminatoria, dado que se superponen los valores buenos y malos. Por este motivo, se le denomina línea de no discriminación. Veamos un ejemplo: Para explicar este punto en forma práctica utilizare- mos un ejemplo ficticio del uso de PCT para distinguir entre infección vírica y bacteriana, a partir de los re- sultados que aparecen en la Tabla 1 . Para visualizar de forma gráfica cómo hacer una curva ROC, dentro de cada intervalo de los valores de PCT comenzamos a colocar los casos de infección bacteriana (verdaderos positivos) sobre el eje vertical (hacia arriba en el grá- fico) y los casos de infección vírica (falsos positivos) hacia la derecha en horizontal, tal como se muestra en la Figura 3 . En cada intervalo, los verdaderos posi- tivos nos acercan a la esquina superior izquierda del gráfico, mientras que los falsos positivos nos alejan. Obtenemos así la curva para este ejemplo. Para mostrar este proceso en términos numéricos, uti- lizaremos los mismos datos de la Tabla 1 . A partir de ellos elaboramos las tablas de contingencia para cada uno de los puntos de corte y calculamos la S, E y (1-E) para cada uno ellos ( Tabla 2 ). Posteriormente se cons- truye el gráfico con los datos de S y (1-E). Para mayor fa- a: curva; b: punto de corte óptimo; c: línea de no discriminación. Figura 2. Representación de una curva ROC con puntos de corte ficticios 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 1-especificidad (falsos positivos) a b c >1: 86% >2: 71% >3: 43% Sensibilidad (verdaderos positivos)