Medicina general
Calculadora de falsos positivos (a partir de especificidad y prevalencia)
Esta calculadora estima qué proporción de las personas que evalúas va a recibir un resultado positivo siendo sanas: falsos positivos = (1 − especificidad) × (1 − prevalencia), la descomposición estándar de la tabla 2×2 de una prueba diagnóstica. Entrega además los verdaderos negativos —especificidad × (1 − prevalencia)—, la tasa de falsos positivos, FP / (FP + VN), y el conteo por cada 1000 personas evaluadas. Hay un resultado que conviene tener claro de entrada: esa tasa se reduce algebraicamente a 1 − especificidad y no cambia con la prevalencia, porque el factor (1 − prevalencia) se cancela entre numerador y denominador. Lo que sí depende de la prevalencia es el número absoluto de falsos positivos que aparecen en el total evaluado, y por eso ese es el resultado principal. Sirve para dimensionar la carga de estudios confirmatorios antes de montar un tamizaje, no para interpretar el resultado de un paciente que ya dio positivo.
Calculadora de falsos positivos (a partir de especificidad y prevalencia)
Fecha: ________________ · Paciente: ______________________________
Calculadora
Completa todos los campos para ver el resultado.
Herramienta de referencia para profesionales de la salud, con fines educativos. No sustituye el juicio clínico ni establece un diagnóstico o un tratamiento: la decisión sobre un paciente concreto es del médico que lo atiende.
¿Te pareció útil esta herramienta?
Límites de esta herramienta
- La tasa de falsos positivos que entrega es, algebraicamente, 1 − especificidad, y no depende de la prevalencia: el factor (1 − prevalencia) está en el numerador y en el denominador de FP / (FP + VN) y se cancela. Si esperabas que esa tasa subiera al bajar la prevalencia, lo que en realidad cambia es el número absoluto de falsos positivos sobre el total evaluado, no la proporción entre los sanos.
- No calcula el valor predictivo positivo, que es lo que suele querer saberse frente a un paciente que ya dio positivo. Para eso hace falta la sensibilidad: VPP = (sensibilidad × prevalencia) / (sensibilidad × prevalencia + (1 − especificidad) × (1 − prevalencia)). Esta herramienta aporta solo el segundo término del denominador.
- Las proporciones que entrega son valores esperados en una población, no una predicción para una persona. Describen cuántos falsos positivos aparecerían en promedio si aplicaras la prueba a un grupo con esa prevalencia; no dicen nada sobre un individuo en particular.
- Supone que la especificidad publicada se traslada sin cambios a tu población. La literatura sostiene que la sensibilidad y la especificidad se mantienen estables entre poblaciones con distinta prevalencia, mientras que los valores predictivos sí cambian con ella; aun así, la especificidad que ingreses debe provenir de un estudio con una prueba, un umbral y un patrón de referencia comparables a los tuyos.
- La especificidad depende del punto de corte con que se define un resultado positivo. Mover el umbral desplaza el par sensibilidad-especificidad a lo largo de la curva ROC —cuyo eje horizontal es precisamente 1 − especificidad—, así que una especificidad tomada de un umbral distinto al que vas a aplicar invalida el cálculo.
- Con una prevalencia del 100% el cálculo no está definido: no queda nadie sin la enfermedad, el divisor FP + VN vale cero y no puede haber falsos positivos. La calculadora no imprime un número en ese caso, avisa.
- No modela pruebas repetidas ni algoritmos de tamizaje en varias etapas. Cada resultado corresponde a una sola aplicación de una sola prueba con un solo umbral.
- No incorpora ningún juicio de valor: no clasifica el resultado en bandas ni dice cuántos falsos positivos son «demasiados». Ese límite depende de la enfermedad, del costo y del riesgo del estudio confirmatorio y del daño de una alarma falsa, y ninguna de las fuentes consultadas publica umbrales.
Fuentes. Shreffler J, Huecker MR. Diagnostic Testing Accuracy: Sensitivity, Specificity, Predictive Values and Likelihood Ratios. StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; actualizado el 6 de marzo de 2023. Fuente de las definiciones de especificidad, TN/(TN+FP), y del efecto de la prevalencia sobre los valores predictivos. (enlace) · Agency for Healthcare Research and Quality. Methods Guide for Medical Test Reviews, apéndice: tabla 2×2 empleada en el cálculo de las medidas de desempeño de una prueba. NCBI Bookshelf. Fuente de la tabla 2×2 y de las fórmulas de sensibilidad, especificidad, VPP y VPN. (enlace) · Monaghan TF, Rahman SN, Agudelo CW, Wein AJ, Lazar JM, Everaert K, Dmochowski RR. Foundational Statistical Principles in Medical Research: Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value. Medicina (Kaunas). 2021;57(5):503. Fuente de la estabilidad de la sensibilidad y la especificidad frente a cambios de prevalencia, y de la dependencia de los valores predictivos. (doi:10.3390/medicina57050503) · MedCalc Statistical Software. Manual: ROC curve analysis — predictive values. Imprime la forma bayesiana del valor predictivo positivo, VPP = (sensibilidad × prevalencia) / (sensibilidad × prevalencia + (1 − especificidad) × (1 − prevalencia)), en la que aparecen los mismos términos que calcula esta herramienta. (enlace) · Mercaldo ND, Lau KF, Zhou XH. Confidence intervals for predictive values with an emphasis to case-control studies. Statistics in Medicine. 2007;26(10):2170-2183. Referencia de la formulación de los valores predictivos en función de sensibilidad, especificidad y prevalencia. (doi:10.1002/sim.2677) · MSD Manuals — calculadora clínica «Índice de falsos positivos a partir de especificidad y prevalencia» (motor EBMcalc). Consultada únicamente como referencia de implementación para fijar qué salidas entrega la herramienta; las ecuaciones se verificaron de forma independiente contra las fuentes metodológicas citadas arriba y coinciden con ellas. (enlace) · Contenido revisado el 18 de julio de 2026.
Preguntas frecuentes
Se parte de la tabla 2×2 de la prueba. Las personas sin la enfermedad son la fracción (1 − prevalencia) del total evaluado. De ellas, la prueba clasifica correctamente como negativas a una proporción igual a la especificidad, y se equivoca con el resto. Entonces los falsos positivos son FP = (1 − especificidad) × (1 − prevalencia) y los verdaderos negativos VN = especificidad × (1 − prevalencia), ambos expresados como fracción del total evaluado. Por ejemplo, con una prevalencia del 2% y una especificidad del 95%: FP = 0,05 × 0,98 = 0,049, es decir 4,9% del total, o 49 falsos positivos por cada 1000 personas evaluadas.
Porque el factor (1 − prevalencia) aparece en el numerador y en el denominador y se cancela. La tasa es FP / (FP + VN) = (1 − E)(1 − P) / [(1 − E)(1 − P) + E(1 − P)], y al simplificar queda (1 − E) / [(1 − E) + E] = 1 − especificidad. Ese es justamente el valor que ocupa el eje horizontal de una curva ROC. La prevalencia sí cambia otra cosa: cuántos falsos positivos aparecen sobre el total evaluado. Con especificidad del 95%, en una población con prevalencia del 2% son 49 por cada 1000 evaluados, y con prevalencia del 40% son apenas 30 por cada 1000, porque hay menos personas sanas a las que equivocarse.
Son dos preguntas distintas sobre la misma tabla. La tasa de falsos positivos mira solo a las personas sanas y pregunta qué proporción de ellas da positivo: FP / (FP + VN) = 1 − especificidad. El valor predictivo positivo mira solo a los que dieron positivo y pregunta qué proporción de ellos realmente tiene la enfermedad: VP / (VP + FP). El primero es una propiedad de la prueba y no depende de la prevalencia; el segundo depende fuertemente de ella. La forma bayesiana del VPP es (sensibilidad × prevalencia) / (sensibilidad × prevalencia + (1 − especificidad) × (1 − prevalencia)), y el término (1 − especificidad) × (1 − prevalencia) que aparece ahí es exactamente el resultado principal de esta calculadora.
Porque en tamizaje casi toda la población evaluada está sana, y el error se aplica sobre ese grupo enorme. Con una prevalencia del 0,1% y una especificidad del 99%, los falsos positivos son 0,01 × 0,999 = 0,00999, es decir unos 10 por cada 1000 evaluados, mientras que las personas realmente enfermas son apenas 1 por cada 1000. Aunque la prueba se equivoque solo con el 1% de los sanos —tal como promete su especificidad—, termina generando alrededor de diez alarmas falsas por cada caso verdadero. Esa es la cuenta que hay que hacer antes de decidir si un programa de tamizaje es sostenible: cada falso positivo se traduce en un estudio confirmatorio.
La unidad canónica de ambos campos es la fracción, es decir, un número entre 0 y 1: una prevalencia del 2% se escribe 0,02 y una especificidad del 95% se escribe 0,95. Si prefieres trabajar en porcentaje, cambia el selector de unidad del campo y escribe 2 y 95 directamente; la calculadora convierte multiplicando por 0,01. Los resultados se muestran siempre en porcentaje del total evaluado, más el conteo por cada 1000 personas. Si escribes un valor fuera del rango de 0 a 1 en fracción, la calculadora no imprime un número: te avisa, porque una probabilidad fuera de ese intervalo no puede provenir de ninguna población real.
No hay una respuesta general y por eso esta calculadora no clasifica el resultado en bandas de riesgo. El límite aceptable depende de la enfermedad, del costo y del riesgo del estudio confirmatorio —no es lo mismo repetir un examen de sangre que indicar una biopsia—, del daño psicológico de una alarma falsa y de la capacidad instalada del sistema para absorber los estudios adicionales. Ninguna de las fuentes metodológicas consultadas publica umbrales de «tasa aceptable de falsos positivos». Lo que la herramienta te da es la magnitud del problema en números concretos; la decisión sobre si esa magnitud es tolerable es clínica y de política de salud, no estadística.
Menos cuentas, más consulta.
Cliini escucha tu consulta y entrega la nota estructurada con códigos sugeridos, récipe e indicaciones — lista para tu historia clínica.