Calculadora del índice de falsos negativos (sensibilidad y prevalencia)

Con la fórmula 100 × FN / (VP + FN), donde los verdaderos positivos son VP = sensibilidad × prevalencia y los falsos negativos son FN = (1 − sensibilidad) × prevalencia, ambos expresados como proporción de la población. Por ejemplo, con una prevalencia del 10 % y una sensibilidad del 80 %: VP = 0,80 × 0,10 = 0,08 (8 % de la población) y FN = 0,20 × 0,10 = 0,02 (2 % de la población), de modo que el índice es 100 × 0,02 / (0,08 + 0,02) = 20 %. Ese 20 % es la proporción de enfermos a los que la prueba clasifica como negativos. La calculadora acepta los datos en porcentaje o en fracción y hace la conversión antes de aplicar la fórmula.

Porque la prevalencia aparece como factor en el numerador y en los dos términos del denominador, y se cancela. Al sustituir, 100 × (1 − Se) × P / (Se × P + (1 − Se) × P) se reduce a 100 × (1 − Se). Es la misma identidad que publica el apéndice de métricas de la Methods Guide for Medical Test Reviews de la AHRQ: la tasa de falsos negativos es 1 − sensibilidad. La sensibilidad, por definición, se mide solo entre los enfermos —VP / (VP + FN)—, así que cuántos enfermos haya en la población no altera la proporción de ellos que la prueba pierde.

Para los otros tres resultados. La prevalencia determina qué fracción de la población entera queda como verdadero positivo y como falso negativo, que es lo que traduce el índice a una carga real de casos perdidos: un índice del 20 % con prevalencia del 1 % deja 0,2 % de la población sin diagnosticar, y con prevalencia del 40 % deja 8 %. También fija los odds pre-prueba, prevalencia / (1 − prevalencia), que son el punto de partida del cálculo bayesiano de la probabilidad post-prueba.

No, y confundirlos es el error más común. El índice de falsos negativos mira solo a los enfermos y responde a «de los que tienen la enfermedad, ¿a cuántos se les escapa?». El valor predictivo negativo mira a los que dieron negativo y responde a «de los que salieron negativos, ¿cuántos están realmente sanos?»; StatPearls lo calcula como VN / (VN + FN). El primero no depende de la prevalencia y el segundo sí: con una enfermedad rara, un valor predictivo negativo altísimo puede convivir con una sensibilidad mediocre. Para decidir sobre un paciente con resultado negativo, el valor predictivo negativo o la probabilidad post-prueba son los números pertinentes.

Directa. El cociente de probabilidad negativo se define como (1 − sensibilidad) / especificidad, y ese numerador (1 − sensibilidad) es exactamente el índice de falsos negativos expresado en fracción. Dicho de otro modo: el índice dividido entre 100 y luego entre la especificidad da el LR−. La utilidad de dar ese paso es que, según la Centre for Evidence-Based Medicine de Oxford, los odds post-prueba son los odds pre-prueba multiplicados por el cociente de probabilidad, y la probabilidad post-prueba se obtiene como odds post-prueba / (odds post-prueba + 1). Esta calculadora entrega los odds pre-prueba justamente para habilitar ese cálculo; la especificidad, que aquí no se pide, es el dato que falta para completarlo.

Son la probabilidad de enfermedad antes de hacer la prueba, expresada como razón en vez de como porcentaje: prevalencia / (1 − prevalencia), según la definición de la Centre for Evidence-Based Medicine de Oxford. Una prevalencia del 10 % equivale a unos odds pre-prueba de 0,111, es decir, aproximadamente un enfermo por cada nueve sanos. Se usan porque el teorema de Bayes es una simple multiplicación cuando se trabaja en odds: odds post-prueba = odds pre-prueba × cociente de probabilidad. Con una prevalencia del 100 % los odds no están definidos, porque el divisor sería cero, y la calculadora omite esa fila en lugar de mostrar un valor infinito.