Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 438 vistas

    Epidemiologia 5

    Cargado por

    Jorge Ferney Pineda Bertel
    Este documento presenta una evaluación integrativa para un curso de epidemiología. El propósito es evaluar las competencias específicas del curso de acuerdo con los lineamientos del programa de enfermería. El estudiante debe completar una serie de actividades que incluyen definir términos clave como pruebas diagnósticas, sensibilidad, especificidad, valor predictivo positivo y negativo, y el teorema de Bayes. También debe resolver dos casos prácticos que implican el cálculo de probabilidades usando el teorema de Bayes.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Epidemiologia 5

    Cargado por

    Jorge Ferney Pineda Bertel
    438 vistas7 páginas
    Este documento presenta una evaluación integrativa para un curso de epidemiología. El propósito es evaluar las competencias específicas del curso de acuerdo con los lineamientos del programa de enfermería. El estudiante debe completar una serie de actividades que incluyen definir términos clave como pruebas diagnósticas, sensibilidad, especificidad, valor predictivo positivo y negativo, y el teorema de Bayes. También debe resolver dos casos prácticos que implican el cálculo de probabilidades usando el teorema de Bayes.

    Título original

    EPIDEMIOLOGIA 5

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta una evaluación integrativa para un curso de epidemiología. El propósito es evaluar las competencias específicas del curso de acuerdo con los lineamientos del programa de enfermería. El estudiante debe completar una serie de actividades que incluyen definir términos clave como pruebas diagnósticas, sensibilidad, especificidad, valor predictivo positivo y negativo, y el teorema de Bayes. También debe resolver dos casos prácticos que implican el cálculo de probabilidades usando el teorema de Bayes.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    438 vistas7 páginas

    Epidemiologia 5

    Cargado por

    Jorge Ferney Pineda Bertel
    Este documento presenta una evaluación integrativa para un curso de epidemiología. El propósito es evaluar las competencias específicas del curso de acuerdo con los lineamientos del programa de enfermería. El estudiante debe completar una serie de actividades que incluyen definir términos clave como pruebas diagnósticas, sensibilidad, especificidad, valor predictivo positivo y negativo, y el teorema de Bayes. También debe resolver dos casos prácticos que implican el cálculo de probabilidades usando el teorema de Bayes.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 7

    FACULTAD DE ENFERMERIA

    III SEMESTRE

    Evaluación Integrativa Epidemiologia


    Parcial 3

    Estimado estudiante a continuación usted tiene una serie de actividades a desarrollar con el fin de
    demostrar las competencias, y además, aplicar los conocimientos adquiridos dentro del curso que se
    utilizaran en el desarrollo de su carrera profesional.

    El propósito de esta actividad es poder evaluar la competencia especifica de la asignatura, de acuerdo a


    los lineamientos del programa de enfermería de la FUAA y basado en su modelo pedagógico de
    aprendizaje CONSTRUCTIVISTA. Para lo cual la COMPETENCIA ESPECIFICA (CE) es: “Generar
    habilidades en el manejo de la información epidemiológica disponible, sustentado en fuentes de
    información confiables, que impliquen la toma de decisiones dentro de su quehacer profesional”

    ACTIVIDADES A DESARROLLAR

    1. Defina:

    ¿Qué es una prueba diagnóstica?

    Una prueba diagnóstica se refiere a cualquier método para obtener información adicional del estado

    de salud del paciente (Sebastián Bravo-Grau & Pablo Cruz, 2015)

    ¿Para que se usan las pruebas diagnósticas?

    Una prueba diagnóstica tiene como fin establecer la presencia de salud o enfermedad, en cuyo caso

    puede, incluso, graduar el grado de la afección (Talavera, Wacher-Rodarte, & Rivas-Ruiz, 2011)

    ¿Qué es sensibilidad y de un ejemplo?

    La sensibilidad (Se) es la probabilidad de que la prueba de positiva si la condición de estudio está

    presente (paciente enfermo o con patrón de referencia positivo). También se puede definir como la

    proporción de verdaderos positivos respecto al total de enfermos (Sangrador & Orejas, 1999)

    Ej: En una población de 1000 pacientes, 50 % (n=500) de ellos están diagnosticados con tumor

    neuroendocrino y el 50 % restante no tiene la enfermedad. Se les realizó una biopsia por aspiración

    con aguja fina guiada por USE , de los cuales reportan resultados positivos 460 pacientes.
    FACULTAD DE ENFERMERIA
    III SEMESTRE

    La sensibilidad es del 92%

    ¿Qué es especificidad y de un ejemplo?

    La especificidad (Es) es la probabilidad de que la prueba de negativa si la enfermedad está ausente

    (paciente sano o con patrón de referencia negativo). También se puede definir como la proporción de

    verdaderos negativos respecto al total de enfermos (Sangrador & Orejas, 1999)

    En 1997 Whooley et al evaluaron la sensibilidad y la especificidad de 2 preguntas para el tamizaje de

    depresión comparado con 6 instrumentos ya validados (SDDS-PC, CES-D, CES-D-SHORT, MOS,

    BDI, BDI-SHORT). Las preguntas evaluadas fueron: ¿Durante el último mes se ha sentido triste,

    deprimido o sin esperanza? ¿Durante el último mes ha sentido poco interés o placer en la realización

    de sus actividades? Suponiendo que los datos del estudio incluyeron a 500 pacientes con sospecha

    de depresión, los resultados se contrastaron con los del SDDS-PC. Los datos obtenidos se muestran

    en la siguiente tabla
    FACULTAD DE ENFERMERIA
    III SEMESTRE

    La especificidad es del 95%

    ¿Qué es el valor predictivo positivo y como se interpreta?

    El valor predictivo positivo (VPP) es la probabilidad de tener la condición de estudio (enfermedad o

    patrón de referencia positivo). También puede ser definido como la proporción de verdaderos

    positivos respecto al total de pruebas positivas (Sangrador & Orejas, 1999).

    Significa que alguien con un resultado positivo en la prueba en estudio tenga la característica e

    interés.

    ¿Qué es el valor predictivo negativo y como se interpreta?

    El valor predictivo negativo (VPN) es la probabilidad de no tener la condición de estudio

    (Enfermedad ausente o patrón de referencia negativo) si la prueba ha sido negativa. También puede
    FACULTAD DE ENFERMERIA
    III SEMESTRE
    ser definido como la proporción de verdaderos negativos respecto al total de pruebas negativas

    (Sangrador & Orejas, 1999).

    Significa que alguien con un resultado negativo en la prueba en estudio, no posea la característica

    de interés.

    ¿Qué es el teorema Bayes, para que se usa, y como se interpreta?

    El teorema de Bayes es utilizado para calcular la probabilidad de un suceso, teniendo información de


    antemano sobre ese suceso.
    Podemos calcular la probabilidad de un suceso A, sabiendo además que ese A cumple cierta
    característica que condiciona su probabilidad.  El teorema de Bayes entiende la probabilidad de forma
    inversa al teorema de la probabilidad total. El teorema de la probabilidad total hace inferencia sobre un
    suceso B, a partir de los resultados de los sucesos A. Por su parte, Bayes calcula la probabilidad de A
    condicionado a B (“Teorema de Bayes - Definición, qué es y concepto | Economipedia,” n.d.)

    2. Resuelva los siguientes casos:

    CASO Nº 1: Papanicolaou, método de tamizaje importante, pero imperfecto.

    La prueba de Papanicolaou es una prueba citológica concebida para detectar células cervicales
    anormales, creado por el Doctor George Papanicolaou. Ésta prueba ha logrado resultados notables
    en la reducción de la incidencia y la Mortalidad del cáncer cervicouterino (CaCu) en algunos países
    desarrollados. Teóricamente, la incidencia del CaCu puede ser reducida hasta en un 90% en los
    lugares en que la calidad del tamizaje y cobertura son altos.

    En general se estima que en algunas poblaciones esta prueba puede tener una sensibilidad de un
    50% y una especificidad de un 95%.

    1. ¿Qué ocurre cuando una prueba diagnóstica tiene una alta sensibilidad?, ¿Para que son usadas
    las pruebas de alta sensibilidad?

    Esa prueba diagnóstica es la ideal para confirmar el estado mórbido de la población en estudio. Las
    pruebas de alta sensibilidad son usadas para la identificación correcta de la enfermedad de un individuo o
    población de estudio.

    2. Con esta información construya una tabla de tetracorica (tabla 2x2), en una población hipotética
    de 10.000 mujeres con una prevalencia de 10% de CaCu.

    Estado respecto a cáncer cervicouterino (CaCu)


    Resultado de la prueba de Presente Ausente
    estudio
    Positivo 500 450
    FACULTAD DE ENFERMERIA
    III SEMESTRE
    a b
    Negativo 500 8550
    c d
    1000 9000

    a: Enfermos con prueba positiva


    b: No enfermos con prueba positiva
    c: Enfermos con prueba negativa
    d: No enfermos con prueba negativa.

    3. Calcule acorde al teorema de Bayes la probabilidad de enfermar para esta población acorde a la
    prevalencia del 20%.

    Según el teorema de Bayes

    Odd final= Sensibilidad/ (1-especificidad) x odd inicial x 1


    Odd inicial= Ppre / (1-Ppre)
    Odd inicial = 20/(100-20)= 0.25
    Odd final= (50)/ (100-95) x 0.25 x 1= 2.5
    Probabilidad de enfermar= Odd final / (Odd final +1)
    Probabilidad de enfermar= 2.5 /(2.5+1)= 0.7142

    La probabilidad de enfermar es del 71,42%

    Ppre= Prevalencia

    4. Manteniendo los valores de sensibilidad y especificidad, construya una nueva tabla para una
    población de 20.000 mujeres, donde la prevalencia de CaCu corresponda a un 20%.
    Estado respecto a cáncer cervicouterino (CaCu)
    Resultado de la prueba de Presente Ausente
    estudio
    Positivo 2000 800
    a b
    Negativo 2000 15200
    c d
    4000 16000

    5. Calcule acorde al teorema de Bayes la probabilidad de enfermar para esta población acorde a la
    prevalencia del 20%.

    Odd final= Sensibilidad/ (1-especificidad) x odd inicial x 1


    Odd inicial= Ppre / (1-Ppre)
    Odd inicial = 20/(100-20)= 0.25
    Odd final= (50)/ (100-95) x 0.25 x 1= 2.5
    Probabilidad de enfermar= Odd final / (Odd final +1)
    FACULTAD DE ENFERMERIA
    III SEMESTRE
    Probabilidad de enfermar= 2.5 /(2.5+1)= 0.7142

    La probabilidad de enfermar es del 71,42%

    6. Con estos datos responda: ¿Se modifica la probabilidad de enfermar al cambiar la prevalencia?
    ¿por qué cree usted que ocurre esto?

    Sí, porque la prevalencia es el factor multiplicador para calcular la probabilidad de enfermar, por lo
    tanto, al cambiar este dato, automáticamente esa probabilidad aumenta o disminuye dependiendo del
    valor asignado.
    En el caso anterior no se modificó esa probabilidad debido a que se mantuvo constante la
    prevalencia, sensibilidad y especificidad.

    CASO Nº 2

    Se realizó un estudio de corte descriptivo en 423 mujeres de la población rural. El objetivo de este
    estudio fue evaluar la sensibilidad, especificidad y valores predictivos de la prueba de Papanicolaou
    frente al Gram, para el diagnóstico de vaginosis bacteriana (vb). En las 423 mujeres estudiadas la
    prevalencia de vb por el Gram, , fue de 20.8% (n=88) y la prevalencia de vb por Papanicolaou, fue
    del 21 % (n=89). La sensibilidad fue 87.5%, la especificidad 96.4%.

    1. Realice la tabla tetrácórica (tabla 2x2) de las pruebas

    Estado de la vaginosis bacteriana con Gram


    Resultado de la prueba de Presente Ausente
    estudio
    Positivo 77 12
    Negativo 11 323
    88 335

    Estado de la vaginosis bacteriana con Papanicolaou


    Resultado de la prueba de Presente Ausente
    estudio
    Positivo 78 12
    Negativo 11 322
    89 334

    2. Calcule el VPP, VPN y aplique acorde a la prevalencia el teorema de Bayes.


    VPP para Gram= a/(a+b)
    VPP para Gram= 77/89=86%
    VPN para Gram= d/(c+d)
    VPN para Gram= 323/334= 96%
    Teorema de Bayes para Gram

    Odd final= Sensibilidad/ (1-especificidad) x odd inicial x 1


    FACULTAD DE ENFERMERIA
    III SEMESTRE
    Odd inicial= Ppre / (1-Ppre)
    Odd inicial = 20.8/(100-20.8)= 0.26
    Odd final= (87.5)/ (100-96.4) x 0.26 x 1= 6.3
    Probabilidad de enfermar= Odd final / (Odd final +1)
    Probabilidad de enfermar= 6.3 /(6.3+1)= 0.86

    La probabilidad de enfermar es del 86%

    VPP para Papanicolaou= a/(a+b)


    VPP para Papanicolaou= 78/90= 87%
    VPN para Papanicolaou= d/(c+d)
    VPN para Papanicolaou= 322/333= 97%
    Teorema de Bayes para Papanicolaou

    Odd final= Sensibilidad/ (1-especificidad) x odd inicial x 1


    Odd inicial= Ppre / (1-Ppre)
    Odd inicial = 21/(100-21)= 0.27
    Odd final= (87.5)/ (100-96.4) x 0.27 x 1= 6.6
    Probabilidad de enfermar= Odd final / (Odd final +1)
    Probabilidad de enfermar= 6.6 /(6.6+1)= 0.87

    La probabilidad de enfermar es del 87%

    3. Con base en los resultados obtenidos describa su conclusión.

    Según los resultados, se presentaron valores predictivos y probabilidad de enfermar un poco


    más alto en el Papanicolaou frente al Gram a pesar que se utilizaron la misma sensibilidad y
    especificidad. La diferencia radicó principalmente en que la prevalencia en la prueba
    Papanicolaou fue un poco más alta. Por consiguiente, se recomienda en gran medida el uso de
    la prueba diagnóstica que arrojó mejores resultados predictivos.

    CIBERGRAFÍA

     Sangrador, C. O., & Orejas, G. (1999). 50-3-19-1. 50(Iv), 301–314.


     Sebastián Bravo-Grau, D., & Pablo Cruz, J. Q. (2015). Estudios de exactitud diagnóstica:
    Herramientas para su Interpretación Diagnostic accuracy studies: Tools for its Interpretation.
    Revista Chilena de Radiología. Año, 21(4), 158–164.
     Talavera, J. O., Wacher-Rodarte, N. H., & Rivas-Ruiz, R. (2011). Investigación clínica II. Estudios
    de proceso (prueba diagnóstica). Rev Med Inst Mex Seguro Soc, 49(2), 163–170. Retrieved from
    http://www.medigraphic.com/pdfs/imss/im-2011/im112k.pdf
     Teorema de Bayes - Definición, qué es y concepto | Economipedia. (n.d.). Retrieved April 20,
    2019, from https://economipedia.com/definiciones/teorema-de-bayes.html

    También podría gustarte