ANÁLISIS DE DATOS PROBABILIDAD Aplicación : Prueba diagnóstica Deseamos estudiar una prueba o test para diagnosticar una enfermedad (ej. Elisa): Sea los eventos: D = estar enfermo -D = no estar enfermo S = presencia de síntomas -S = ausencia de síntomas P(D) = enfermos/ pob. expuesta = Prevalencia P(S/D) = prob. de tener síntomas dado que se está enfermo P(S/-D) = prob. de tener síntomas dado que no se está enfermo P(S/D) + P(-S/D) = 1 P(S/-D) + P(-S/-D) = 1 sensibilidad falso - falso + especificidad a_dat538/jsc
ANÁLISIS DE DATOS PROBABILIDAD Aplicación : Prueba diagnóstica Lo que necesitamos en salud es preguntarnos: P(D/S) = prob. de estar enfermo dado que se tienen síntomas por lo que utilizamos el Teorema de Bayes : P(D/S) = P(D) x P(S/D) / {P(S/D) x P(D) + P(S/-D) x P(-D)} donde : P(-D) = 1 - P(D) a_dat539/jsc
ANÁLISIS DE DATOS PROBABILIDAD Aplicación : Prueba diagnóstica Se quiere estudiar una prueba diagnóstica que se ha ensayado en sujetos con la enfermedad. Se encontró que la prueba resultó positiva en el 95% de las veces. En el 3% de las veces la prueba dio positiva cuando en verdad se trataba de sujetos sin la enfermedad. Si la prevalencia de la enfermedad es del 1%, ¿cual es la prob. de que un sujeto se encuentre enfermo dado que la prueba efectivamente de un resultado positivo? P(D/S) = P(D) x P(S/D) / {P(S/D) x P(D) + P(S/-D) x P(-D)} = 0.01 x 0.95 / {0.95 x x ( )} = 0.24 interpretación: del total de pruebas + el 24% de los sujetos está enfermo. Este resultado se conoce como valor predictivo (+) P(-D/S) = 1 - P(D/S) => valor predictivo (-) = = 0.76 a_dat540/jsc