Presentación formas básica

Nomograma de Fagan y Curva de ROC

Dayana Priscila Gonzalez Arreaga

El nomorama de Fagan se utiliza para obtener la probabilidad postest a partir de la probabilidad pretest y razón de probabilidad.

Nomograma de Fagan

El uso del monograma es muy simple: basta con colocar una regla en la probabilidad pretest que está a la izquierda, luego cotejamos la regla con la razón de probabilidad correspondiente, que está en el centro del monograma, y la alineamos con la probabilidad postest, que está a la derecha.

Razón postest + 1

Razón postest

Probabilidad posterior a la prueba =

Razón antes de la prueba X Razón de la probabilida (+, -)

Razón pre test =

Razón pre test =

1 - Probabilidad antes de la prueba

Probabilidad antes de la prueba

Supongamos que la probabilidad pre test de una determinada enfermedad es 0.25 y que las razones de probabilidad positiva y negativa de la prueba elegida son 5 y 0,4, respectivamente.

Ejemplo:

La razón de probabilidad de la ecografía en la detección de la dislocación traumática del cristalino se estimó en 49,5 en un estudio de Haghighi et al. Considerando una probabilidad previa a la prueba de 15% de dislocación del cristalino en una población de ejemplo, calcule la probabilidad posterior a la prueba de dislocación del cristalino en pacientes con ceguera unilateral después de un traumatismo ocular directo y un hallazgo positivo en la ecografía para dislocación del cristalino.

Ejercicio:

Curva de ROC

La curva ROC es una herramienta estadística que se utiliza para evaluar la capacidad discriminativa de una prueba diagnóstica dicotómica entre grupos. Se trata de curvas en las que se presenta la sensibilidad en función de los falsos positivos (complementario de la especificidad) para distintos puntos de corte.

Objetivos de la curva de ROC:

• Determinar el punto de corte en el que se alcanza la sensibilidad y especificidad más altas
• Evaluar la capacidad discriminativa del test diagnóstico
• Comparar la capacidad discriminativa de 2 o más test diagnósticos que expresan sus resultados como escalas continuas

La sensibilidad se refiere a la proporción de individuos enfermos que tienen el resultado de la prueba innovadora positiva; la especificidad considera la proporción de individuos no enfermos que tienen el resultado de la nueva prueba negativa.Para construir esta curva es necesario calcular la sensibilidad y la especificidad para todos los posibles puntos de corte.

El mejor punto de corte es aquel que garantiza la mejor área bajo la curva, que incluye la mejor sensibilidad o especificidad que garantiza el mejor desempeño de la prueba.

• Las pruebas que consiguen una buena distinción se agrupan en el extremo superior izquierdo de la curva ROC.

• Las pruebas con peor rendimiento presentan curvas más cercanas a la diagonal.

• La diagonal muestra la relación entre las tasas de verdaderos positivos y falsos positivos de una prueba sin utilidad, una que no aportará ninguna información adicional a lo que ya se conocía antes de realizar la prueba.

En la curva ROC existe un área denominada área bajo la curva (ABC) que mide la facultad discriminativa del test, es decir, su capacidad de diferenciar sujetos sanos entre enfermos.

• Una prueba con discriminación perfecta estaría representada por una curva ROC situada en el lado izquierdo y superior del gráfico.
• Si la curva no fuera discriminativa, estaría representada por la diagonal del gráfico.

Los test a comparar deben ser medidos simultáneamente, aplicados sobre los mismos sujetos y contrastados con el mismo patrón oro.Las curvas ROC también pueden ser útiles para comparar la capacidad diagnóstica de dos o más pruebas de detección o para evaluar la capacidad predictiva de dos o más marcadores para la misma enfermedad. En general, la prueba con el ABC más alta puede considerarse mejor.

Comparar la capacidad discriminativa de 2 o más test diagnósticos

El PNB es más sensible y específico, con un gran área bajo la curva (0,89) en comparación con la fracción de eyección (0,78). También es más fácil y rápido obtenerlo durante una urgencia, las características de la prueba son importantes en situaciones clínicas cuando se requieren resultados rápidos.

Las curvas ROC son una herramienta útil en la evaluación del desempeño de una prueba diagnóstica, permiten, de modo sencillo, establecer un punto de corte para una variable cuantitativa, donde se obtiene la mejor sensibilidad y especificidad, dependiendo del objetivo de la prueba; Además, el área bajo la curva es una forma simple y gráfica de resumir la precisión diagnóstica general de la prueba. Mediante el uso de curvas ROC se puede realizar la comparación del rendimiento diagnóstico de dos o más pruebas, el cual se deberá definir considerando el área bajo la curva y los intervalos de confianza de cada una de las pruebas.

• Razón previas a la prueba = 0,15 / (1-0,15) = 0,18
• Razón posteriores a la prueba = 0,18 × 49,5 = 8,91
• Probabilidad posterior a la prueba = 8,91 / (8,91 + 1) = 0,90= 90%

• Razón previas a la prueba = 0,25/ (1-0,25) = 0,33
• Razón posteriores a la prueba = 0,33 × 0,4 = 0,132
• Probabilidad posterior a la prueba = 0,132 / (0,132 + 1) = 0,117 = 11,7%

• Razón previas a la prueba = 0,25/ (1-0,25) = 0,33
• Razón posteriores a la prueba = 0,33 × 5 = 1,65
• Probabilidad posterior a la prueba = 1,65 / (1,65 + 1) = 0,625 = 62,5 %

0,5: el modelo no tiene capacidad discriminativa. 0,5-0,6: test malo. 0,6-0,75: test regular. 0,75-0,9: test bueno. 0,9-0,97: test muy bueno. 0,97-1: test excelente.