Cuando las pruebas de enfermedades raras engañan
Un paciente preocupado por la enfermedad celíaca se realiza la serología de transglutaminasa tisular (tTG). La prueba tiene un 95 % de sensibilidad (detecta el 95 % de los casos verdaderos de celiaquía) y un 98 % de especificidad (identifica correctamente al 98 % de las personas no celíacas). Resultado: positivo. ¿Tiene el paciente enfermedad celíaca?
Interpretación ingenua: un 98 % de especificidad sugiere solo un 2 % de tasa de falsos positivos. Conclusión: probablemente celíaco. Pero este razonamiento ignora la probabilidad previa: la verosimilitud pretest de la enfermedad en esta población.
El teorema de Bayes actualiza matemáticamente las probabilidades tras las pruebas: probabilidad posterior = (sensibilidad × probabilidad previa) / [sensibilidad × probabilidad previa + (1−especificidad) × (1−probabilidad previa)]. Esta fórmula simple revela por qué la interpretación de las pruebas depende de la probabilidad previa.
En la población general de EE. UU., la prevalencia de enfermedad celíaca es del 0,7 % (probabilidad previa = 0,007). Sustituyendo valores: probabilidad posterior = (0,95 × 0,007) / [0,95 × 0,007 + 0,02 × 0,993] = 0,0067 / (0,0067 + 0,0199) = 25 %. Una prueba positiva eleva la probabilidad de enfermedad del 0,7 % al 25 %: un aumento sustancial, pero aún un 75 % de probabilidad de falso positivo.
Por el contrario, la prueba en pacientes de alto riesgo (antecedentes familiares, síntomas gastrointestinales marcados) podría tener una probabilidad previa del 20 %. Misma prueba positiva: probabilidad posterior = (0,95 × 0,20) / [0,95 × 0,20 + 0,02 × 0,80] = 0,19 / (0,19 + 0,016) = 92 %. Ahora la prueba positiva confirma con alta probabilidad la presencia de la enfermedad.
Los valores predictivos captan esto de forma más intuitiva que la sensibilidad y especificidad. El valor predictivo positivo (VPP) es la probabilidad de enfermedad dado un resultado positivo; el valor predictivo negativo (VPN) es la probabilidad de ausencia de enfermedad dado un resultado negativo. Ambos dependen directamente de la prevalencia.
Para el cribado celíaco en la población general con un 0,7 % de prevalencia, una prueba con 95 % de sensibilidad y 98 % de especificidad tiene VPP = 25 % y VPN = 99,9 %. Para el cribado en una población de alto riesgo (20 % de prevalencia), VPP = 92 % y VPN = 99 %.
Muchas pruebas diagnósticas tienen bajo VPP en enfermedades de baja prevalencia. La serología de Lyme en áreas no endémicas produce mayoritariamente falsos positivos. La elevación de troponina cardíaca en pacientes críticos no cardíacos típicamente refleja otras causas. Las pruebas positivas para enfermedades raras en poblaciones asintomáticas son frecuentemente falsas.
El pensamiento bayesiano transforma la práctica clínica. Antes de solicitar una prueba, pregunta: ¿cuál es la probabilidad pretest en este paciente? Si es muy baja (enfermedad rara, síntomas mínimos), incluso una prueba positiva puede sugerir solo un 10-30 % de probabilidad de enfermedad. Si es muy alta (presentación clásica, población de alto riesgo), la prueba se vuelve más confirmatoria que diagnóstica.
Las asociaciones microbioma-enfermedad ilustran este principio. La investigación asocia el déficit de Faecalibacterium con la enfermedad inflamatoria intestinal. Pero Faecalibacterium también cambia con la dieta, los antibióticos y numerosas otras condiciones. Usar solo la abundancia de Faecalibacterium para diagnosticar EII en una población de baja prevalencia (síntomas generales) produce mayoritariamente falsos diagnósticos. En pacientes de alta prevalencia (diarrea crónica, sangre en heces, antecedentes familiares), la asociación se vuelve más útil.
Las pruebas secuenciales mejoran la precisión diagnóstica. Solicita una primera prueba en pacientes de baja probabilidad; si es positiva, sigue con una prueba confirmatoria más específica. Este enfoque reduce el seguimiento innecesario y la ansiedad por falsos positivos.
Comprender el pensamiento bayesiano —que los resultados de las pruebas significan cosas diferentes según la probabilidad previa— es fundamental para interpretar la medicina moderna de forma inteligente.