Sobre esta herramienta
Aplica el teorema de Bayes para calcular probabilidades condicionales a partir de una probabilidad previa, sensibilidad y especificidad. Muestra los valores predictivos positivo y negativo, útiles para interpretar pruebas diagnósticas (médicas, de drogas, antivirus) y para cualquier problema en el que necesites actualizar una creencia con base en nueva evidencia.
Cómo usar
- Introduce la prevalencia o probabilidad previa (frecuencia de la condición en la población).
- Introduce la sensibilidad de la prueba (cuántos casos positivos reales detecta).
- Introduce la especificidad (cuántos casos negativos reales identifica correctamente).
- Mira los valores predictivos positivo y negativo.
Preguntas frecuentes
- ¿Para qué sirven el valor predictivo positivo y negativo?
- El valor predictivo positivo es la probabilidad de tener realmente la condición, dado que la prueba salió positiva. El valor predictivo negativo es la probabilidad de no tenerla, dado un resultado negativo. Son más útiles en la práctica que la sensibilidad y especificidad por sí solas, porque dicen lo que importa ante un resultado concreto.
- ¿Por qué una prueba muy sensible puede dar muchos falsos positivos?
- Cuando la condición es rara en la población (prevalencia baja), incluso una prueba con 99% de especificidad genera muchos falsos positivos en términos absolutos, porque hay tantos negativos verdaderos que el 1% de error se acumula. Es la paradoja de Bayes y es la razón por la cual las pruebas de cribado deben interpretarse con cuidado.
- ¿Cómo sé qué prevalencia usar?
- Idealmente, viene de estudios epidemiológicos. En diagnóstico médico, varía mucho entre poblaciones: los cribados masivos usan la prevalencia general, mientras que en un paciente con síntomas específicos la probabilidad previa es mayor (se ajusta según el cuadro clínico). Sin un dato real, se puede probar con varios valores para ver la sensibilidad del resultado.