Curso MBE IV Medicina Universidad de Valparaíso ... · Curvas ROC • Tradicionalmente cuando se...
Transcript of Curso MBE IV Medicina Universidad de Valparaíso ... · Curvas ROC • Tradicionalmente cuando se...
Características operativas de test diagnósticos
Curvas ROCDr. Claudio Puebla
Curso MBEIV Medicina
Universidad de Valparaíso
Curvas ROC
• De gran desarrollo en los últimos años en el proceso
diagnóstico.
• Útiles para test cuantitativos.
• Ejemplo: ferritina plasmática, CK total, amilasa, ADA
líquido pleural, o cuestionarios, escalas, etc.
Curvas ROC• Tradicionalmente cuando se tenía un test cuantitativo, se
elegía el mejor cut-off o punto de corte, que combinaba la mejor sensibilidad y especificidad del test (mayor rendimiento).
• Sin embargo, esto significa una pérdida de información, al transformar una variable continua en dicotómica. Habitualmente una sensibilidad de 85 %, con especificidad de 74 %.
• Ejemplo: ADA mayor o menor de 40 UI/l en diagnóstico de TBC pulmonar. Ferritina menor de 50 en diagnóstico de anemia ferropénica.
El mejor punto de corte
Especificidad de 75 % Sensibilidad 78 %
sanos enfermos
mejor rendimiento(a + d) / (a + b + c + d)
3 valoresPodemos elegir 3 valores
Así tendríamos un valor central que combine el mejor rendimiento del testY una valor más bajo que nos de 100 % de sensibilidad (útil para descartar)
Y uno alto que nos de 100 % de especificidad (útil para confirmar)
sanos enfermos
Múltiples puntos de cortesO múltiples valores
Y determinar la sensibilidad y especificidad en cada punto
sanos enfermos
Sensibilidad y especificidad según diferentes puntos de corte
• 12 = 100 % 20 %
• 23 = 98 % 34 %
• 35 = 90 % 50 %
• 45 = 84 % 62 %
• 78 = 78 % 75 % mejor rendimiento
• 99 = 47 % 89 %
• 120 = 10 % 100 %
Resultado del testmg/ml
Sensibilidad Especificidad
Curvas ROCReceiver operating characteristic
• Podemos graficar los diferentes puntos de corte de las características operativas del test. Es decir su sensibilidad y especificidad.
• El gráfico es una relación entre los verdaderos positivos y falsos positivos.
• Verdaderos positivos = sensibilidad (en eje y)• Falsos positivos = 1- especificidad (eje x )
• La curva nos da una idea del rendimiento del test.
Curvas ROCReceiver operating characteristic
• Las curvas ROC del punto de vista estadístico, relacionan una variable continua que actúa como predictora (en este caso el test cuantitativo), con una dicotómica ( en este caso enfermedad).
• No sólo sirven para el proceso diagnóstico, son muy útiles para definir utilidad de variables pronóstica.
• Ejemplo: score de Ranson en pancreatitis aguda o score de APACHE para gravedad en UCI.
• La gran ventaja es que nos pueden entregar más valores que nos puedan servir en el diagnóstico.
Gráfico de la curva ROC
Tasa de falsos positivos = ( 1 – especificidad)
TasaVerdaderos
Positivos=
Sensibilidad
100 %
100 %0 %
3545
99
78
120
Área bajo la curva ROC• Se puede calcular el área bajo la curva.
• A mayor valor, mejor es el test.
– Máximo 1 perfecto– Mayor de 0,9 excelente test– 0,8 a 0,9 buen test– 0,7 a 0,8 regular test– 0,5 a 0,7 mal test– 0,5 no relación– < 0,5 relación inversa ( a mayor valor menos
probable la enfermedad).
Área bajo la curva ROC
• Valores menores de 0,5, muestran una relación inversa.
• Es decir, a más alto el valor del test, menos probable que ocurra la enfermedad.
• Habitualmente se grafican al revés, por lo que no es usual de ver. Ejemplo: ferritina y anemia ferropénica
• Siempre ver ambos, tanto gráfico y área bajo la curva