Calculadora de sensibilidad de una prueba diagnóstica

Con la fórmula sensibilidad (%) = verdaderos positivos ÷ (verdaderos positivos + falsos negativos) × 100. Los dos conteos se toman únicamente entre las personas que sí tienen la enfermedad según el estándar de referencia. Por ejemplo, si de 50 pacientes enfermos la prueba resultó positiva en 45 y negativa en 5, la sensibilidad es 45 ÷ (45 + 5) × 100 = 90 %. Eso significa que la prueba detecta a 90 de cada 100 enfermos y se le escapan 10, que son la tasa de falsos negativos.

Miran columnas opuestas de la misma tabla 2×2. La sensibilidad se calcula solo entre los enfermos —verdaderos positivos sobre verdaderos positivos más falsos negativos— y mide cuántos enfermos detecta la prueba. La especificidad se calcula solo entre los sanos —verdaderos negativos sobre verdaderos negativos más falsos positivos— y mide cuántos sanos la prueba deja correctamente fuera. Ninguna depende de la otra aritméticamente, pero en la práctica están en tensión: al mover el punto de corte de una prueba continua, subir la sensibilidad casi siempre baja la especificidad.

SnNout es la regla que enuncia el Centre for Evidence-Based Medicine de Oxford: cuando un signo, síntoma o prueba tiene sensibilidad alta, un resultado negativo tiende a descartar el diagnóstico. La lógica es directa: si a la prueba casi no se le escapa ningún enfermo, un negativo hace poco probable que la enfermedad esté presente. La regla tiene límites importantes y no debe aplicarse de forma automática. Pewsner et al. (BMJ 2004) demostraron que una sensibilidad alta por sí sola no garantiza que un negativo descarte la enfermedad: hay que mirar también la especificidad, y muchos estudios sobreestiman la exactitud por sesgo de espectro, de verificación parcial o de incorporación. Dar por descartado un diagnóstico cuando en realidad no lo está puede tener consecuencias graves, así que la regla orienta pero no reemplaza el razonamiento con probabilidad pretest y razones de verosimilitud.

Porque no existe un corte universal que separe una sensibilidad aceptable de una insuficiente. Qué porcentaje es suficiente depende de qué tan grave sea pasar por alto la enfermedad, de qué alternativas diagnósticas hay y de con qué prueba se compara: un 85 % puede ser excelente para una prueba de tamizaje barata y del todo insuficiente para descartar una condición mortal y tratable. Las propias fuentes hablan de sensibilidad «alta» sin fijarle una cifra. En lugar de inventar una banda que las fuentes no respaldan, la herramienta entrega el porcentaje y deja la interpretación al contexto clínico.

En teoría no, porque se calcula solo dentro del grupo de enfermos y la prevalencia no entra en la fórmula. En la práctica sí varía. Leeflang et al. (CMAJ 2013) analizaron 23 metaanálisis con 416 estudios y encontraron que, dentro de una misma revisión, pasar de la prevalencia más baja a la más alta se acompañaba de cambios de hasta 40 puntos porcentuales en la sensibilidad o la especificidad. Los autores atribuyen el fenómeno a mecanismos como el espectro de pacientes, que afectan a la vez la prevalencia y el desempeño de la prueba. La consecuencia práctica es que una sensibilidad publicada en un entorno no se traslada sin verificación a otro con distinta población.

La tasa de falsos negativos es la proporción de enfermos a los que la prueba se les escapa: falsos negativos ÷ (verdaderos positivos + falsos negativos) × 100. Es el complemento exacto de la sensibilidad, de modo que sensibilidad + tasa de falsos negativos = 100 %. Si la sensibilidad es 90 %, la tasa de falsos negativos es 10 %: de cada 100 enfermos, 10 reciben un resultado negativo pese a tener la enfermedad. Esta calculadora la muestra como fila secundaria porque suele ser la cifra que hace tangible el costo clínico de una sensibilidad insuficiente.

No directamente. La sensibilidad responde «si el paciente está enfermo, ¿qué probabilidad hay de que la prueba salga positiva?», mientras que en la consulta la pregunta es la inversa: «si la prueba salió positiva, ¿qué probabilidad hay de que el paciente esté enfermo?». Esa segunda pregunta la responden los valores predictivos, que sí dependen de la prevalencia, o el cálculo de probabilidad postest a partir de la probabilidad pretest y las razones de verosimilitud. Tratar la sensibilidad como si fuera la probabilidad de enfermedad es un error de razonamiento frecuente.