Uso del teorema de Bayes en medicina.

Análisis de decisiones clínicas

Uri Torruco García

Melchor Sánchez Mendiola

«Al final, la teoría de las probabilidades no es más que el sentido

común reducido a cálculos.»
PIERRE LAPLACE

«Bajo el teorema de Bayes, ninguna teoría es perfecta. Más bien es

un trabajo en progreso, siempre sujeto a más perfeccionamiento y
pruebas.»
NATE SILVER

Objetivo
Comprender la utilidad del teorema de Bayes en las
decisiones clínicas y sus aplicaciones en medicina, y
describir los conceptos básicos del análisis de decisiones
clínicas, sus ventajas y limitaciones.
Introducción
¿Cómo enfrentar la incertidumbre intrínseca a la toma de decisiones
en medicina? En el capítulo 15 sobre toma de decisiones e
incertidumbre, afirmamos que ambas son inescapables (incluso el no
tomar una decisión es en sí una decisión, con sus consecuencias), y
que los profesionales de la salud en formación y en la práctica deben
desarrollar estrategias para afrontar este reto. Una de las formas de
manejar la incertidumbre es convertirla en probabilidades, utilizando
el lenguaje probabilístico. Al cuantificar la incertidumbre con
expresiones numéricas no eliminamos la incertidumbre, pero la
hacemos manejable, nos podemos comunicar con mayor claridad, y
nos permite utilizar herramientas como el teorema de Bayes para
determinar cuánto se modifica la probabilidad de un evento al
obtener nueva información. En la práctica clínica es útil saber cuándo
la probabilidad de una determinada enfermedad es alta y cuándo es
baja. Por ejemplo, una probabilidad de 0.9 en un paciente nos dice que
la posibilidad de tener la enfermedad es alta (9 de cada 10 pacientes
como este tienen la enfermedad); mientras más nos acerquemos al
número uno, más nos aproximamos a la certeza de que el paciente
tiene la enfermedad. Por otro lado, con una probabilidad de 0.04, la
posibilidad de tener la enfermedad es muy baja (4 de cada 100
pacientes como este tienen la enfermedad o, dicho de otra forma, 96
de cada 100 pacientes con este cuadro clínico no tienen la
enfermedad). A medida que la probabilidad se acerque a 0, podremos
descartar que un paciente padezca la enfermedad (Kassirer
et al., 2009; Sox, 2013a).
El clínico tiene a su alcance herramientas que le permiten disminuir
la incertidumbre acerca de la probabilidad de padecer o no una
enfermedad; las más comunes son las pruebas de laboratorio e
imagen, pero también los signos y síntomas pueden ayudarnos. Con
estos auxiliares es posible modificar la probabilidad estimada al inicio
de la atención del paciente y antes del uso de las herramientas
diagnósticas paraclínicas. Tras la obtención de datos clínicos y
paraclínicos podemos saber si la probabilidad se ha modificado hacia
un valor alto o uno bajo; cuanto más se acerque a 0 o a 1, la
información obtenida será de mayor utilidad para diagnosticar al
paciente como enfermo, sano o saber si es necesario utilizar pruebas
complementarias (Kassirer et al., 2009; Sox et al., 2013a).
Una herramienta de utilidad para calcular la probabilidad de un
evento y saber cómo se modifica esta después de una prueba la
desarrolló en el siglo XVIII un clérigo inglés llamado Thomas Bayes,
quien murió antes de que la utilidad de sus trabajos se vislumbrara;
de manera póstuma se publicaron algunas de sus obras, y de ello
surgió el teorema de Bayes. Hoy en día, los fundamentos del teorema
de Bayes se utilizan en muchas ramas de la ciencia, y en la medicina
se puede aplicar a los procesos diagnósticos (Sox et al., 2013b).
En este capítulo se describen y analizan algunos conceptos básicos
de la toma de decisiones bajo condiciones de incertidumbre en
medicina, sobre todo los que siguen la lógica del teorema de Bayes.

Caso clínico
Un hombre de 26 años, previamente sano, acude a urgencias por
dolor abdominal. Hace 14 horas inició con dolor alrededor del área
umbilical que se localizó en la fosa ilíaca derecha en las siguientes 8
horas. Ha tenido fiebre de 38 °C, anorexia, náusea y vómito en dos
ocasiones. En la exploración física se documenta dolor en la fosa
ilíaca derecha con signo de rebote dudoso. En sus estudios de
laboratorio hay 8 900 leucocitos/mm3 y neutrófilos del 95%.
Al calcular la puntuación en la escala de Alvarado para detectar
apendicitis se obtuvieron 8 de 10 puntos posibles. La escala de
Alvarado es una de las más utilizadas para diagnosticar apendicitis y
se considera positiva a partir de 7 puntos (Cedillo-Alemán et al., 2012;
McKay y Shepherd, 2007; Simel y Rennie, 2008).
El paciente fue sometido a cirugía sin otros estudios
complementarios. Durante el evento quirúrgico se encontró el
apéndice perforado, se resecó, se lavó la cavidad abdominal y, tras
completar el procedimiento, se prescribieron antibióticos. El paciente
fue dado de alta en 48 horas. Cinco días después del alta desarrolló
fiebre vespertina, ataque al estado general y dolor abdominal en el
sitio de la intervención, pero decidió acudir a revisión 1 semana
después y a un hospital distinto. El paciente ingresó en malas
condiciones generales, deshidratado y febril, y se calculó su escala de
gravedad de APACHE II en 8 puntos, lo cual le confiere una
mortalidad hospitalaria del 8%. Como parte del abordaje se realizó
tomografía de abdomen, que identificó dos abscesos, ambos cercanos
al sitio intervenido; uno de ellos tenía un volumen calculado de
25 mL y el otro de 18 mL, no se comunicaban y estaban muy bien
definidos.
Para drenar los abscesos, el cirujano de guardia propuso operarlo
nuevamente y, por el contrario, el radiólogo de guardia sugirió
drenaje percutáneo. ¿Cuál es la mejor opción?
Revisión teórica
Para una prueba diagnóstica, todos quisiéramos que los pacientes con
resultado positivo estuvieran «de verdad» enfermos, es decir, que el
100% de los pacientes que tuvieran el resultado positivo estuvieran
realmente enfermos, y que los que resultaran negativos estuvieran
«verdaderamente sanos». Sin embargo, para fines prácticos, no existen
pruebas diagnósticas con estas características; en los fenómenos
biológicos no es posible eliminar la incertidumbre y no hay pruebas
perfectas. Las probabilidades nos permiten cuantificar en qué
proporción nuestras predicciones se alejan de lo ideal; dicho de otra
forma: nos permiten «reducir la incertidumbre acerca de la
incertidumbre».
Para abordar el teorema de Bayes es indispensable explicar el
término «probabilidad condicional». Cuando un evento está ligado a
que suceda otro, eso se llama «probabilidad condicional»; es la
probabilidad de que el evento «A» sea verdadero dado que el evento
«B» es verdadero. En la medicina clínica podemos describirlo así: la
probabilidad de padecer la enfermedad «A» aumenta o disminuye si
la prueba (hallazgo clínico o paraclínico) «B» está presente o ausente
(Elstein et al., 2002; Elstein, 2009; Feinstein, 1995; Kassirer et al., 2009;
Sox et al., 2013b).
La notación de la probabilidad condicional es la siguiente:

donde la letra p es la probabilidad y la línea vertical quiere decir

«condicionado a»; por lo tanto, la expresión se lee como «la
probabilidad de que el evento A suceda condicionada a que suceda el
evento B». La expresión completa de la probabilidad condicional es la
siguiente:
 lo que se lee como: «El cociente de la probabilidad de que A y B
sean ciertas, dividida por la probabilidad de que B sea cierta» (Elstein
et al., 2002; Elstein, 2009; Feinstein, 1995; Kassirer et al., 2009; Sox et
al., 2013b).
Si trasladamos las expresiones de la probabilidad condicional a
nuestro problema clínico, ¿cuál es la probabilidad de que nuestro
paciente tenga apendicitis si su puntuación es ≥ 7 en la escala de
Alvarado?
Para calcular la probabilidad de padecer una enfermedad después
de una prueba con el teorema de Bayes es necesario estimar la
probabilidad previa de la enfermedad, la probabilidad del resultado
positivo de la prueba si el paciente está enfermo y la probabilidad del
resultado positivo de la prueba si el paciente está sano.
Ya que nuestra intención no es desarrollar el teorema de Bayes en
detalle en este capítulo, nos limitaremos a mostrar el teorema en su
versión final, describir la notación y explicar cómo las variables
pueden sustituirse por valores que podemos obtener de la clínica:

p[E|+] significa enfermedad condicionada a la prueba positiva; es

decir, la probabilidad de estar realmente enfermo si se tiene una
prueba diagnóstica positiva.
p[E] es la probabilidad de que un individuo padezca una
enfermedad. Esta probabilidad corresponde a la prevalencia de la
enfermedad en la población de estudio y solemos obtenerla de la
bibliografía médica o la experiencia clínica.
p[+|E] se refiere a la proporción de personas que tienen la prueba
positiva y que además padecen la enfermedad (verdaderos positivos);
por lo tanto, excluye a los que tienen la prueba positiva y no tienen la
enfermedad. Este valor es la sensibilidad de la prueba.
p[no E] es la proporción de personas que no están enfermas.
p[+|no E] es la proporción de personas que tienen la prueba
positiva, pero no están enfermas.
Si sustituimos los valores por datos que podemos obtener de la
clínica, tenemos lo siguiente:

Esta fórmula contiene elementos que son familiares a los médicos

clínicos. Si tenemos la probabilidad previa a la prueba (que, como
dijimos, habitualmente es la prevalencia), la sensibilidad y la
especificidad de la prueba, podremos calcular con el teorema de Bayes
la probabilidad de que una persona esté enferma si la prueba resulta
positiva o negativa (es decir, la probabilidad posterior a la obtención
de nueva información) (Elstein et al., 2002; Elstein, 2009; Feinstein,
1995; Kassirer et al., 2009; Sox et al., 2013b).
Representación gráfica del teorema de Bayes
No es sencillo visualizar la información necesaria para el cálculo del
teorema de Bayes al ver fórmulas y ecuaciones. Una estrategia que
facilita su comprensión son las representaciones gráficas. Utilizaremos
el caso clínico de dolor abdominal como ejemplo para desarrollar un
árbol y una tabla de 2 × 2.

Árbol
Para conformar el árbol debemos tomar en cuenta la población de la
cual se inicia. Mientras mejor definida esté, más fácil será obtener los
datos necesarios para su cálculo. En nuestro caso, la población de
inicio son personas jóvenes con dolor abdominal que acuden a un
servicio de urgencias, y con fines didácticos elegimos el número de 1
000 personas (Figura 17.1). En el extremo izquierdo de la figura se
ilustran los casos con apendicitis, y en el derecho, los casos sin ella
(Kassirer et al., 2009; Sox et al., 2013b).

FIGURA 17.1 Árbol para calcular el teorema de Bayes.

 Se estima que, en el grupo poblacional de nuestro paciente, el 25%
de las personas que acuden a un hospital por dolor abdominal
padecen apendicitis. Por eso, en la Figura 17.1, A, el total de pacientes
se multiplica por 0.25, con lo cual determinamos la cantidad de
personas que padecen apendicitis. El total de pacientes sin apendicitis
lo obtenemos restando a 1 000 todos los que padecen apendicitis o
bien multiplicando por la resta del 100% menos el 25%
correspondiente a los que padecen apendicitis (Cedillo-Alemán
et al., 2012; McKay y Shepherd, 2007; Simel y Rennie, 2008).
De las 250 personas que padecen apendicitis, el 66% tienen más de 7
puntos en la escala de Alvarado, como nuestro paciente; esta cifra es
la sensibilidad de la prueba (Figura 17.1, B). Por eso, para saber
cuántos pacientes con apendicitis tienen más de 7 puntos en la escala
de Alvarado se multiplica por 0.66. A su vez, para determinar cuántos
pacientes de los que padecen apendicitis tienen la prueba negativa,
restamos los que tienen la prueba positiva y apendicitis del total de
250 personas con apendicitis, o multiplicamos 250 por 0.34, es decir, el
restante 34% de los pacientes que sí padecen apendicitis, pero tienen
la prueba negativa (Figura 17.1, B) (Cedillo-Alemán et al., 2012;
McKay y Shepherd, 2007; Simel y Rennie, 2008).
De las 750 personas que no padecen apendicitis, el 8% puede tener
una puntuación mayor de 7 en la escala de Alvarado (Figura 17.1, C);
para obtener el número de pacientes en esa categoría se multiplica el
total de los pacientes sin apendicitis por 0.08. El número de los
pacientes con prueba negativa y sin apendicitis se calcula restando 60
(los que tienen la prueba positiva y no padecen apendicitis) del total
de 750 personas sin apendicitis, o bien multiplicando 750 por 0.92, es
decir, el restante 92% de los pacientes que no padecen apendicitis y
tienen la prueba negativa. La especificidad de la prueba es de 0.92.
Al final del árbol está el número total de pacientes clasificados
según la presencia o ausencia de la enfermedad y la positividad o
negatividad de la prueba en verdaderos positivos, falsos negativos
(Figura 17.1, D), falsos positivos y verdaderos negativos (Figura 17.1,
E). Al dividir los pacientes verdaderos positivos (165) entre el total de
personas con la prueba positiva (165 + 60 = 225) nos da la probabilidad
de que un paciente con 7 o más puntos en la escala de Alvarado tenga
apendicitis: 0.73, lo que se interpreta como «un paciente con prueba
positiva (7 o más puntos en la escala de Alvarado) tiene una
probabilidad del 73% de padecer apendicitis» (Cedillo-Alemán
et al., 2012; McKay y Shepherd, 2007; Simel y Rennie, 2008).
Al dividir los pacientes falsos negativos (85) entre la suma de todos
los negativos (85 + 690 = 775) nos da la probabilidad de que un
paciente con menos de 7 puntos en la escala de Alvarado tenga
apendicitis: 0.1, lo que se interpreta como «un paciente con prueba
negativa (7 o menos puntos en la escala de Alvarado) tiene una
probabilidad del 10% de padecer apendicitis» (Cedillo-Alemán
et al., 2012; McKay y Shepherd, 2007; Simel y Rennie, 2008).

Tablas de 2 × 2
Otra forma de ordenar los datos para un análisis bayesiano son las
tablas de 2 × 2 (Tabla 17.1). En las columnas están los pacientes con y
sin apendicitis, y en las filas, los pacientes con la prueba de Alvarado
positiva y negativa.

Tabla 17.1

Tabla de 2 × 2 para calcular el teorema de Bayes

Del total de personas con dolor abdominal (Tabla 17.1, A), el 25%
de ellas tienen apendicitis (Tabla 17.1, B), y el 75%, no (Tabla 17.1, C).
De los pacientes con apendicitis, solo el 66% tienen la prueba positiva;
es decir, 250 multiplicado por 0.66 (sensibilidad de la prueba) es 165,
el número de verdaderos positivos (Tabla 17.1, D). De los pacientes
con apendicitis, el 34% tienen la prueba negativa; esto es, 250
multiplicado por 0.34 da 85, el número de falsos negativos (Tabla 17.1,
E).
De los pacientes que NO padecen apendicitis, el 8% tienen 7 o más
puntos en la escala de Alvarado. Entonces, 750 multiplicado por 0.08
es 60 (Tabla 17.1, F), el número correspondiente a los falsos positivos.
De los pacientes que no padecen apendicitis, el 92% tienen menos
de 7 puntos en la escala de Alvarado; por lo tanto, al multiplicar 750
por 0.92 (sensibilidad de la prueba) nos da el total de verdaderos
negativos, que es 690 (Tabla 17.1, G).
Como en el árbol, la división de verdaderos positivos (Tabla 17.1,
D) entre la suma de todos los positivos (Tabla 17.1, H) nos da la
probabilidad posterior a la prueba si la puntuación en la escala de
Alvarado es ≥ 7 (73%). De la misma forma, la división de los falsos
negativos (Tabla 17.1, E) entre todos los negativos (Tabla 17.1, I) nos
mostrará la probabilidad de apendicitis si nuestro paciente tuviera < 7
puntos en la escala de Alvarado (10%).
Los valores obtenidos por el teorema de Bayes son los mismos que
suelen denominarse «valor predictivo positivo» y «valor predictivo
negativo» en una prueba diagnóstica.

Uso del teorema de Bayes con nomograma

Otra forma de usar el teorema de Bayes en la práctica clínica cotidiana
es mediante el nomograma de Fagan (Figura 17.2) (Fagan, 1975). Este
instrumento requiere que conozcamos la probabilidad previa a la
prueba y el cociente de probabilidades. En el caso de apendicitis en un
paciente joven con dolor abdominal que acude a un hospital,
conocemos la probabilidad de tener apendicitis antes de usar la escala
de Alvarado (25%), cifra obtenida de la literatura médica; ahora
revisaremos cómo se calcula el cociente de probabilidades (LR,
likelihood ratio).
 FIGURA 17.2 Cálculo del cociente de probabilidades. LR,
likelihood ratio.

La forma positiva del LR (Figura 17.2, A) se obtiene mediante la

división de la probabilidad de que la prueba sea positiva en la
persona enferma (sensibilidad) entre la probabilidad de que la prueba
sea positiva en personas sin la enfermedad (proporción de falsos
positivos, que es igual a uno menos la especificidad). La forma
negativa (Figura 17.2, B) se obtiene al dividir la probabilidad de que la
prueba sea negativa en personas enfermas (proporción de falsos
negativos) entre la probabilidad de que la prueba sea negativa en
personas sin la enfermedad (verdaderos negativos o especificidad)
(Feinstein, 1995; Kassirer et al., 2009; Sox et al., 2013b).
Sustituyendo los datos que se requieren para el LR+ (Figura 17.2,
A), tenemos que la probabilidad de que la prueba sea positiva en la
persona enferma es de 0.66; ese valor se anota en el numerador. En el
denominador se anotan los falsos positivos, que se calculan restando a
uno la especificidad de la prueba. En nuestro caso, solo 0.08 pacientes
sin apendicitis tienen 7 o más puntos en la escala de Alvarado.
Pueden usarse indistintamente porcentajes o decimales, solo hay que
ser consistente con las mismas unidades. El resultado del LR+ es 8.25,
es decir, la prueba sale positiva 8.25 veces más en los
pacientes enfermos que en los sanos. Si el LR+ de una prueba fuera
igual a 1, eso significaría que la prueba es positiva con la misma
frecuencia en los pacientes enfermos que en los sanos, por lo que un
resultado de la prueba positiva no serviría de nada y no modificaría la
probabilidad posprueba. Para que una prueba diagnóstica sea útil, se
requiere que su LR+ sea mayor que la unidad.
Para el LR– (Figura 17.2, B), en el numerador, la probabilidad de
que la prueba sea negativa en las personas enfermas es de 0.34 (falsos
negativos); este valor lo podemos obtener restando 1 menos la
sensibilidad (1 – 0.66). En el denominador se pone la especificidad de
la prueba. El resultado del LR– es 0.36, es decir, la prueba sale
negativa con mayor frecuencia en los pacientes sanos que en los
enfermos, lo cual es lógico (Feinstein, 1995; Kassirer et al., 2009; Sox et
al., 2013b). Si el LR– de una prueba fuera igual a 1, eso significaría que
la prueba es negativa con la misma frecuencia en los pacientes
enfermos que en los sanos, en ese caso el resultado de la prueba
negativa no modificaría la probabilidad posprueba. Para que una
prueba diagnóstica negativa contribuya a descartar una enfermedad,
el LR– debe ser menor de 1.
Afortunadamente, el reporte de los LR o los datos necesarios para
su cálculo (sensibilidad y especificidad) en los artículos de
investigación publicados sobre pruebas diagnósticas es cada día más
frecuente. Sin embargo, hay que ser cautos en su aplicabilidad en
diferentes contextos.
Ahora tenemos los datos que se requieren para usar el nomograma.
En la columna de la izquierda de la Figura 17.3, A (línea continua)
señalamos la probabilidad previa a la prueba (0.25), y trazamos una
línea recta hacia la columna intermedia (Figura 17.3, B, línea continua)
que corresponde al valor del LR. Ya que la prueba es positiva (≥ 7
puntos en la escala de Alvarado) en nuestro paciente, usaremos el LR+
(8.25) y haremos la lectura en la columna de la derecha (Figura 17.3,
C, línea continua); el resultado es aproximadamente 0.73. Esto
significa que la probabilidad previa de 0.25 se convierte en una
probabilidad posterior (después de la prueba) de 0.73 al encontrar la
prueba positiva, un incremento del 48%. Si la prueba fuera negativa (<
7 puntos en la escala de Alvarado) en nuestro paciente, en la columna
de la derecha tendríamos la misma probabilidad previa (0.25), en la
columna del LR pondríamos el valor del LR– (0.36) y en la columna de
la probabilidad posterior tendríamos la probabilidad de padecer
apendicitis: 0.10 (línea discontinua). Al obtener la prueba negativa, la
probabilidad de la enfermedad disminuye 15%.
FIGURA 17.3 Nomograma de Bayes. Las probabilidades
previa y posterior están expresadas en números del 0 al
99, como porcentajes (p. ej., 50% de probabilidad previa o
posterior es una probabilidad de 0.5; y 0.5% de
probabilidad previa o posterior equivale a una probabilidad
de 0.005, es decir, la mitad de 1%).
 Existen muchos recursos en Internet para hacer los cálculos del
teorema de Bayes. Presentamos algunos enlaces para el cálculo de
tablas de 2 × 2 y otros para utilizar el nomograma:

•h p://[Link]/cgi-bin/[Link].
•h p://[Link]/quickcalcs/[Link].
•h p://[Link]/[Link].
•h p://[Link]/[Link].
Prevalencia y teorema de Bayes
El teorema de Bayes tiene una estrecha relación con la prevalencia de
la condición que se pretende diagnosticar. En condiciones de muy
baja prevalencia, aunque la prueba diagnóstica sea positiva, no
aumentará sustancialmente la probabilidad posterior de la
enfermedad; sin embargo, la negatividad de la prueba tendrá gran
posibilidad de descartarla. Las enfermedades reumatológicas y la
infección por el virus de la inmunodeficiencia humana (VIH) son un
ejemplo de ello (Feinstein, 1995; Kassirer et al., 2009; Sox et al., 2013b).
Al contrario, cuando la prevalencia es alta, la prueba positiva
aumenta muchísimo la probabilidad del diagnóstico; de igual forma,
la negatividad de la prueba no será suficiente para descartarla, ya que
la probabilidad posterior seguirá estando alejada de cero.
Para probar este concepto, haga el siguiente ejercicio con el
nomograma de la Figura 17.3.
Suponiendo que la probabilidad previa a la prueba de que nuestro
paciente padezca apendicitis es de 0.01, ¿cuál es la probabilidad
posterior si la prueba sale positiva, con el LR+ de 8.25? ¿Cuál es la
probabilidad posterior si la prueba es negativa, con LR– de 0.36?
Ahora aumente el LR+, manteniendo la probabilidad previa en 0.01.
¿Cuán alto tendría que ser el LR+ para igualar el 0.73 de probabilidad
posterior obtenido inicialmente?
Ventajas y desventajas del uso clínico del
teorema de Bayes
En la práctica clínica, el teorema de Bayes puede ser una herramienta
de gran utilidad (Glasziou, 2001). Puede ayudar a definir conductas
diagnósticas o terapéuticas cuyo resultado es complicado anticipar
empíricamente, arrojar luz ante decisiones controversiales y
estrategias a nivel poblacional, e individualizar problemas clínicos a
nivel poblacional. Algunas de las ventajas de su uso son: obliga al
médico a reflexionar sobre lo que piensa del diagnóstico del paciente,
ya que se requiere una estimación cuantitativa de la probabilidad
diagnóstica antes de obtener nueva información; requiere que el
clínico se acostumbre a utilizar las propiedades cuantitativas de
desempeño de las pruebas diagnósticas, que habitualmente están
publicadas en la literatura médica; propicia que el profesional de la
salud incorpore explícitamente la incertidumbre en sus procesos
mentales diagnósticos y terapéuticos, de manera cuantitativa; no es
necesario hacer muchos cálculos, ya que existe software que se encarga
de la tarea matemática; promueve que las premisas en que se basan
las decisiones médicas se hagan explícitas, lo que puede ayudar a la
transparencia de las mismas; puede contribuir a que la comunicación
entre los diversos especialistas que manejan a un enfermo sea más
efectiva, y que las decisiones que se anoten en el expediente clínico
sean más claras y reproducibles; facilita el que se haga el ejercicio de
modificar la probabilidad previa para ver el impacto en la
probabilidad posterior y reflexionar sobre el umbral terapéutico o
diagnóstico a rebasar en el caso particular (Kassirer et al., 1987; Mould
et al., 2016; Neapolitan et al., 2016; Sox et al., 2013b; Weinstein
et al., 1980).
Pero el uso del teorema de Bayes también tiene desventajas. Para
empezar, en su cálculo se requieren datos de las enfermedades que no
siempre están disponibles, y disminuye su fortaleza en casos en los
que existe más de un factor relevante para la toma de decisiones
(Feinstein, 1977; Saaty y Vargas, 1998). Si bien hay métodos para
trabajar muchas variables a la vez, en ocasiones resultan muy
complicados, ya que requieren ingresar desde un principio todos los
diagnósticos probables, los diagnósticos deben ser mutuamente
excluyentes y, por último, un individuo experimentado puede
predecirlos con razonable precisión sin especificar valores numéricos.
Otro aspecto que hay que tener en cuenta es que al final de todos los
cálculos se requiere el juicio clínico. Por ejemplo, en el caso de nuestro
paciente con probable apendicitis, ¿a partir de qué porcentaje de
probabilidad de apendicitis intervendría al paciente, con qué
porcentaje haría un estudio de imagen complementario? La respuesta
a estas preguntas se apoya en el juicio del clínico (Saaty y
Vargas, 1998). Otras desventajas comentadas por diversos autores son
las siguientes: potencial de «deshumanizar» la práctica de la medicina
al convertir los datos de los pacientes en números enfocarse
principalmente en la parte cuantitativa; disminución del llamado «arte
de la medicina», que tradicionalmente ha sido parte importante de la
formación de los profesionales de la salud; toma demasiado tiempo y
el familiarizarse con su uso requiere intenso entrenamiento; al no
formar parte su uso cotidiano de la cultura organizacional de los
hospitales, es difícil ir «contra la corriente» y hacer las cosas de
manera diferente a como las realizan la mayoría de los médicos en la
práctica, y con frecuencia la estimación de la probabilidad previa y de
los elementos que conforman la ecuación del teorema de Bayes
parecen «adivinanzas educadas» a los ojos de los que no están
familiarizados con el tema, que carecen de rigor científico y
metodológico (Cebul, 1984; Eddy y Clanton, 1982; Feinstein, 1977;
Schwar , 1979).
Análisis de decisiones en medicina
Además de su uso en la interpretación de las pruebas diagnósticas, el
teorema de Bayes tuvo un gran impacto en el desarrollo de la
metodología de análisis de decisiones. Los principales pioneros en el
uso del análisis de decisiones en medicina fueron Weinstein (1980),
Pauker y Kassirer (1987). Para apoyar la explicación del análisis de
decisiones, sigamos con la historia de nuestro caso clínico.
El método de análisis de decisiones puede aportar elementos para
la resolución de un problema como el descrito. La estrategia del
análisis de decisiones comprende la filosofía, la teoría, la metodología
y la práctica profesional necesarias para enfrentar decisiones
importantes de manera formal, identificar alternativas y evaluarlas
con respecto a la probabilidad de sus resultados, así como los costos y
beneficios de esos resultados. En medicina consiste en un método
cuantitativo y probabilístico para modelar problemas clínicos bajo
condiciones de incertidumbre. Se basa en teorías normativas o
prescriptivas de la toma de decisiones (cómo deberían las personas
decidir si actuaran con racionalidad) (Pauker y Kassirer, 1987;
Weinstein et al., 1980).
La herramienta más popular para realizar un análisis de decisiones
es el árbol de decisiones. El árbol de decisiones es la representación
gráfica de una serie de decisiones (que son los nodos) y sus desenlaces
alternativos (que son las ramas) (Weinstein, 1980). La finalidad del
árbol es conocer y comparar las posibilidades que resultarían de cada
acción, para elegir la mejor alternativa, la que resulte más racional de
acuerdo con las premisas en las que fue sustentada. Un árbol de
decisión especifica explícitamente el conjunto de estrategias
disponibles y los resultados más relevantes. El método identifica
cuantitativamente las decisiones (las acciones sobre las que el clínico
tiene control), los sucesos fuera del control del médico y los resultados
clínicos posibles.
Los pasos para conformar un árbol de decisiones son los siguientes
(Boom-Díaz de León y Boom-Anglada, 1997; Wacher-
Rodarte, 1994; Weinstein et al., 1980):
1. Definición del problema con precisión: cuanto mejor se defina
el problema clínico, más claras serán las alternativas y las
opciones entre las que se decidirá. En nuestro caso, el
problema es un paciente con dos abscesos abdominales
posquirúrgicos. Si no consideráramos la apendicitis, sino la
sepsis abdominal, como desenlace único u omitiéramos la
cantidad de abscesos, nuestros desenlaces podrían ser
distintos (Cinat et al., 2002; Hemming et al., 1991).
2. Identificar las alternativas de acción y sus consecuencias
relevantes: debe tener en mente las más importantes: si las
simplifica demasiado, puede obtener tan poca información
que no tendría suficientes elementos para resolver el
problema; si las fragmenta demasiado, puede obtener una
gran cantidad de información que luego resulte irrelevante o
inmanejable. En nuestro caso, las alternativas de acción son
drenaje percutáneo y cirugía, y cada una de ellas puede tener
diferentes desenlaces. Para simbolizar las alternativas de
acción en el árbol de decisiones se usa la simbología de un
cuadrado (Boom-Díaz de León y Boom-Anglada, 1997;
Wacher-Rodarte, 1994). En la Figura 17.4 se esquematizan los
desenlaces clínicos probables, los cuales se simbolizan con un
círculo. En el drenaje quirúrgico elegimos los desenlaces de:
resolución sin complicaciones, resolución con complicaciones
y muerte; en el caso del drenaje percutáneo elegimos:
resolución sin complicaciones, resolución con complicaciones
y muerte. De la resolución con complicaciones se desprenden
resolución con cirugía, resolución con otra punción y
resolución con complicaciones no relativas al procedimiento.
3. Asignar probabilidades a cada desenlace: este paso del
análisis de decisión consiste en concretar la probabilidad de
cada suceso en términos numéricos, utilizando el lenguaje
probabilístico descrito en el capítulo 15, desde 0 (certeza de
que no ocurrirá) hasta 1 (certeza de que ocurrirá). De acuerdo
con el postulado de exhaustividad, la suma de probabilidades
de cada una de las ramas de los nodos de azar debe ser igual a
la unidad. Estas probabilidades se obtienen de las fuentes más
 confiables, a menudo la bibliografía médica; si no hay
evidencia confiable, la opinión de los expertos es válida,
aunque debe expresarse en términos probabilísticos precisos.
a. En la rama quirúrgica, la probabilidad de
resolución de los abscesos posquirúrgicos
postapendicitis es del 92% (0.92); de esa rama se
desprende la probabilidad de resolución sin
complicaciones del 74% (0.74), y la probabilidad de
resolver con complicaciones del 26% (0.26); la suma
de probabilidad de estos dos eventos es del 100%.
La probabilidad de muerte al elegir la rama
quirúrgica es del 8% (0.08), que, al sumarse a la
probabilidad de resolución del 92%, también da el
100% (Figura 17.5).
b. En la rama de la punción percutánea, la
probabilidad de resolución es del 92% (0.92); de ella
se desprende la probabilidad de resolución sin
complicaciones, que es del 72% (0.72), y la
probabilidad de resolución con complicaciones, del
28% (0.28). A su vez, de la rama de las
complicaciones, que el paciente requiera nueva
cirugía tiene una probabilidad del 40% (0.4), la de
requerir una nueva punción es del 1% (0.01), y la de
otras complicaciones no relacionadas con el
procedimiento es del 59% (0.59). Al igual que en la
rama quirúrgica, la probabilidad de que el paciente
muera al elegir la rama de drenaje percutáneo es del
8% (0.08). Si se suman los porcentajes de los
desenlaces finales a partir de cada nodo de decisión
(cirugía o drenaje percutáneo), el resultado debe ser
de 1 (100%).
4. Asignar valores («utilidades») a las consecuencias
(Figura 17.5): esta es una parte que puede ser la más compleja
y subjetiva del proceso; la medida de la preferencia del
paciente para cada consecuencia se denomina «utilidad», y sus
valores van de 0 a 1. Las utilidades representan el juicio que el
 paciente, el médico o ambos otorgan al desenlace, y puede
obtenerse con diversas metodologías (Pauker y Kassirer, 1987;
Weinstein et al., 1980). En problemas médicos, casi todos
coincidimos en que la muerte tiene el valor de 0 y la resolución
completa de la enfermedad con el mínimo de incomodidades y
buena calidad de vida se acerca al 1. En la rama quirúrgica,
nuestro paciente asigna el valor 0.8 a la resolución sin
complicaciones, 0.6 a la resolución con complicaciones y 0 a la
muerte. En la rama del drenaje percutáneo, la resolución sin
complicaciones recibió 0.9 de valor; la resolución con cirugía,
en segundo término, 0.5; las punciones adicionales, 0.7; otras
complicaciones no relacionadas con el procedimiento 0.5, y la
muerte 0.
5. Calcular la «utilidad esperada» (Figura 17.6): se debe calcular
la utilidad esperada de cada alternativa, utilizando las
probabilidades de cada rama en sentido inverso. Se multiplica
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. La utilidad esperada representa la esperanza
matemática de la utilidad asignada a las ramas del árbol, por
lo que la estrategia elegida será la que proporcione el máximo
de utilidad esperada. Por ejemplo, para calcular la
probabilidad de una resolución quirúrgica sin complicaciones
se empieza a multiplicar desde el extremo derecho:
0.74 × 0.92 = 0.68, que es la probabilidad de esa rama
(Figura 17.6). Ya con la probabilidad de cada rama, se
multiplica por el valor de la utilidad de esa misma rama
(0.68 × 0.8 = 0.54); la suma del resultado de la multiplicación de
las probabilidades por el valor es la utilidad esperada de cada
nodo. En nuestro ejemplo, la suma de la utilidad esperada de
los desenlaces de la rama quirúrgica es de 0.68, y la del drenaje
percutáneo es 0.71, lo cual favorece al último.
6. Realizar análisis de sensibilidad: el rango de parámetros de
valor posibles en cada rama del árbol de decisiones nos da un
amplio margen de posibilidades. Se debe efectuar un «análisis
de sensibilidad» sobre el modelo, modificando uno o varios de
 los supuestos o premisas del mismo (p. ej., utilizando los
extremos de los intervalos de confianza del 95% de los
resultados de muerte o resolución publicados en la literatura).
Si la estrategia recomendable al calcular la utilidad esperada
cambia conforme varía la probabilidad de uno de los sucesos,
se dice que la decisión es sensible a dicha probabilidad, por lo
que habría que tener cautela en la interpretación del análisis
de decisiones. Si la estrategia recomendada no varía dentro de
un rango de incertidumbre razonable, es posible recomendar
dicha estrategia con mayor confianza. Supongamos que el
drenaje percutáneo es muy caro o requiere transporte a otro
centro de atención; las utilidades disminuirían en esta rama
del árbol, lo que impactaría en la utilidad esperada. Por otro
lado, si el paciente teme a la cirugía, daría menor utilidad y, en
consecuencia, menor valor a esa rama. La variación del valor y
su efecto en el cálculo final para las distintas ramas se llama
análisis de sensibilidad.
7. Tomar la decisión: después del análisis de sensibilidad y el
cálculo de la utilidad esperada, debe decidirse por la opción
que tenga mayor utilidad esperada; en este caso, el drenaje
percutáneo. Es importante enfatizar la relevancia de involucrar
al paciente de forma continua durante este proceso, para que
se logre el ideal de «toma de decisiones compartida» (Montori
et al., 2017).
FIGURA 17.4 Árbol de decisiones: definición de
desenlaces.

FIGURA 17.5 Árbol de decisiones: asignación de

probabilidades y utilidades.
 FIGURA 17.6 Árbol de decisiones: cálculo de
probabilidades y utilidad esperada.

El método de análisis de decisiones en medicina tiene diversos pros

y contras. No es un método para descubrir verdades absolutas, sino
un procedimiento dirigido a la selección de la estrategia que maximice
las consecuencias favorables o minimice los resultados adversos, es
decir, indica el curso de acción óptimo en situaciones de
incertidumbre bajo una perspectiva racional y lógica, usando la mejor
evidencia disponible (Pauker y Kassirer, 1987; Weinstein et al., 1980).
Entre sus ventajas están las siguientes: ayuda a que los médicos
tomen decisiones de manera normativa (más lógica y racional);
contribuye a estructurar el problema de la decisión médica, lo que
implica práctica reflexiva y metacognición; ayuda a simplificar
problemas complejos al separar sus componentes; se estiman las
probabilidades explícitamente, por lo que deben realizarse búsquedas
en las bases de datos electrónicas; compara de forma objetiva los
diversos desenlaces posibles que sean clínicamente importantes; usa
las preferencias del paciente (utilidades); provee un vocabulario
cuantitativo que puede mejorar la comunicación, y conlleva un
análisis racional de los costos y aspectos económicos de la atención
médica, ya que deben explorarse los costos de los diversos desenlaces
y su impacto en la calidad de vida de los pacientes. Existen múltiples
herramientas informáticas, como el programa Treeage
([Link]), que pueden ayudar a realizar los cálculos y
diseñar el árbol de decisiones de forma más eficaz (Pauker y
Kassirer, 1987; Weinstein et al., 1980; Bhargava et al., 2007).
Las principales desventajas del análisis de decisiones son:

• En cuanto a las características del encuentro clínico: puede

subestimar la complejidad real de los casos clínicos cuando
hay múltiples problemas en un solo paciente; en la vida real
habitualmente hay una urgencia en la toma de decisiones (real
o percibida por los médicos, el paciente y sus familiares), por
lo que este método puede parecer demasiado artificial y
engorroso; no incorpora de manera muy efectiva y expedita
los aspectos emocionales y afectivos que son fundamentales
en la atención de los enfermos; cuando hay demasiadas
alternativas diagnósticas y terapéuticas, puede producir un
árbol de decisiones demasiado complejo para ser manejable
con eficiencia (y dejar de «ver el bosque por los árboles»); está
documentado que los seres humanos tenemos inestabilidad
de nuestras preferencias en el tiempo, lo que puede dificultar
sobremanera el cálculo objetivo de las utilidades y la utilidad
esperada.
• En cuanto a los aspectos técnicos del método: habitualmente
no es sencillo obtener probabilidades confiables, sólidas y que
satisfagan tanto al paciente y su familia como al equipo de
salud, ya que la mayoría de la información de probabilidades
previas se genera en los países anglosajones; los análisis de
decisiones publicados rápidamente pueden hacerse obsoletos,
debido a la rapidez de los avances médicos con nuevas
alternativas diagnósticas y terapéuticas; la premisa de la
independencia entre las diferentes alternativas a veces es
difícil de conseguir; obtener utilidades válidas de los
pacientes es complejo, y existe muy poca literatura publicada
de las utilidades de los países latinoamericanos; los cálculos
del análisis de decisiones y la obtención de los datos que se
deben insertar en el árbol toman tiempo y esfuerzo, y hay una
cultura limitada en el tema de la incertidumbre, el teorema de
Bayes y el lenguaje probabilístico en las instituciones de
atención de la salud y en las escuelas y facultades de medicina
(Cebul, 1984; Schwar , 1979; Weinstein et al., 1980).
Conclusiones
Conforme el uso de la medicina basada en evidencias crece, la
información aumenta, las revisiones sistemáticas se acumulan, las
herramientas informáticas nos facilitan el trabajo y cada día es más
probable que encontremos respuestas a las preguntas clínicas
comunes.
El teorema de Bayes y el análisis de decisiones son algunas de las
herramientas que podemos utilizar para mejorar la calidad del
proceso diagnóstico y de nuestras decisiones clínicas. Es importante
conocer la forma en que el teorema de Bayes y el análisis de
decisiones pueden apoyar nuestra práctica cotidiana; su empleo
puede ser un asidero más para encontrar firmeza en el terreno
movedizo de la práctica médica.