Resumen Capítulo 22: Teorema de Bayes y Análisis de decisiones clínicos.

• ·         Alumna: Sarahí Muñiz Galindo.
• ·         Docente: Dr. Jorge Francisco Osorio Ocampo.
• ·         Grupo: 02.
• ·         Licenciatura de Médico Cirujano.

Es una herramienta para calcular la probabilidad de un evento y saber cómo se modifica, fue desarrollada por el clérigo llamado Thomas Bayes, quien murió antes de que este trabajo fuera divulgado y se pusiera a la práctica. La revisión de la teoría abarca el término de probabilidad condicional, que se refiere a cuando existe un evento ligado a que suceda otro (la probabilidad de padecer una enfermedad “A” aumenta o disminuye si la prueba “B” está presente), por ello para conocer la probabilidad de padecer una enfermedad después de una prueba es necesario: Conocer la probabilidad de la enfermedad, la probabilidad del resultado positivo, si el paciente está enfermo, y la probabilidad del resultado positivo de la prueba si el paciente está enfermo. Todo lo anterior se calcula mediante la siguiente fórmula:

Donde:

p[E|+1 Enfermedad condicionada a prueba positiva.

p[E]  Probabilidad de que un individuo padezca una enfermedad, casi siempre corresponde a la prevalencia y se obtiene de la bibliografía médica o experiencia clínica.

p[+|E]  Proporción de persona con prueba positiva y padecen la enfermedad “verdaderos positivos” (sensibilidad).

p[no E] Proporción de personas con prueba positiva que no están enfermos.

p [+ | no E ]  Proporción de personas que tienen la prueba positia pero no están enfermas.

Dentro de la representación gráfica del teorema de Bayes, se encuentra el ÁRBOL, para conformarlo debemos tomar en cuenta la población de la cual se inicia, al final del árbol tenemos el número de pacientes clasificados según padecen la enfermedad y la positividad de la prueba en verdaderos positivos, falsos negativos, falsos positivos y verdaderos negativos. Teniendo que así la división de verdaderos positivos entre la suma de todos los positivos dará la probabilidad de que un paciente de nuestra población esté enfermo, y la división de los falsos negativos entre la suma de todos los negativos nos dará la probabilidad de que un paciente de nuestra población padezca la enfermedad. Otra forma de representación gráfica del teorema son las TABLAS DE 2x2, en la cual en las columnas tenemos el encabezado de los datos reales y los haremos corresponder con los datos de la prueba diagnóstica, que están en las filas, de la misma manera que en el árbol, se obtendrán los datos de la población verdaderamente enferma. Otro uso que se le da al teorema de Bayes en como monograma, que es un instrumento que requiere que conozcamos la probabilidad previa de la prueba  el cociente de la probabilidad o Likelihood Ritio (LR), el cual se obtiene mediante la división de la probabilidad de que la prueba sea positiva en la persona enferma (sensibilidad) entre proporción de falsos positivos o la resta de 1 menos la especificidad.

La forma negativa del cociente de probabilidad se obtiene con la división de falsos negativos entre verdaderos positivos.

TEOREMA DE BAYES.
VENTAJAS.	DESVENTAJAS.
Herramienta de utilidad. Puede definir las conductas diagnósticas o terapéuticas cuto resultado es complicado anticipar empíricamente y puede ser de utilidad al momento de individualizar problemas clínicos a nivel poblacional.	Para su cálculo se requieren datos de las enfermedades que no siempre están disponibles. Requiere  ingresar desde un principio todos los diagnósticos probables. Requiere juicio clínico.

ANÁLISIS DE DECISIONES.
VENTAJAS.	DESVENTAJAS.
Permite asignar valores a cada probabilidad. Compara objetivamente diversos desenlaces. Permite incorporar al paciente a las decisiones. Posibilita el cálculo ante diversos escenarios.	Pierde utilidad en problemas desconocidos del todo. Obliga a definir de manera precisa un problema. Si lo realiza una persona sin experiencia, puede pasar por alto desenlaces relevantes.

PASOS PARA REALIZAR LA REPRESENTACIÓN DE ÁRBOL.

1. Definición del problema.
2. Identifique alternativas de acción: Al simplificar demasiado se puede obtener poca información que no tendría suficientes elementos para resolver sus problemas, información irrelevante.
3. Se esquematizan los desenlaces clínicos probables, los cuales se simbolizan con un círculo.
4. Asigne probabilidades a cada desenlace: Esa probabilidad se obtiene de las fuentes como la bibliografía médica, si no hay evidencia confiable, la opinión de los expertos es válida.
5. Asigne los valores (utilidades): Esta parte subjetiva del proceso; los valores van de 0 a 1 y representan el juicio que el paciente, el médico o ambos otorgan al desenlace.  Entre más se acerque al 1 la posibilidad de que el paciente presenta la enfermedad es alta.
6. Estime el valor esperado: Calcule las probabilidades de cada rama en sentido inverso, multiplicando la probabilidad de las ramas desde la derecha hacia el origen del árbol (fold back) y anotándolo a la derecha de cada nodo de decisión, con la probabilidad de cada rama, se multiplica por el valor de la mima rama, la suma del resultado de la multiplicación de las probabilidades por el valor es la utilidad esperada de cada nodo.
7. Realice el análisis de sensibilidad: El parámetro de valor nos da un amplio margen de acción. La variación del valor y su efecto en el cálculo final para las distintas ramas se llama análisis de sensibilidad.
8. Tomar la decisión: Después de su análisis de sensibilidad y el conteo de la utilidad esperada, decidir por el que tenga mayor utilidad esperada.

En conclusión tanto el teorema de Bayes como le análisis de decisiones clínicas pueden ayudarnos en la práctica médica, que nos facilitan el trabajo y tal vez a través de estas herramientas podamos encontrar las respuestas a las preguntas clínicas comunes.

Bibliografía:

• ·         Sánchez Mendiola M, Martínez Franco AI. Informática Biomédica. 2a ed. España: ELSEVIER;2014