Fandom

Wiki AIA 13-17

Revisão - Estudo sobre diagnóstico

333 pages em
Este wiki
Adicione uma página
Comentários0 Compartilhar

Interferência de bloqueador de anúncios detectada!


A Wikia é um site grátis que ganha dinheiro com publicidade. Nós temos uma experiência modificada para leitores usando bloqueadores de anúncios

A Wikia não é acessível se você fez outras modificações. Remova o bloqueador de anúncios personalizado para que a página carregue como esperado.

Editores: Augusto R. Amaral, Bruna S. Ferreira e Fernanda Cristina Zanotti

Colaborador: Felipe Starling Jardim

Sensibilidade e EspecificidadeEditar

RESULTADO X VERDADEIRA CONDIÇAO.png

Cardim, CA. Anotações em sala, 2013.









Sensibilidade: É definida como a taxa de verdadeiros positivos. Calculada, a partir da tabela acima, como "a / ( a + c )", refere-se à capacidade de um teste para detectar uma doença quando ela está presente.

Especificidade: É definida como a taxa verdadeiros negativos. Calculada como "d / ( b + d )", refere-se à capacidade de um teste indicar ausência de doença quando ela não está presente.

Interpretação de testes sensíveis e de testes específicosEditar

Frequentemente nos deparamos com as seguintes dúvidas: a) Por que, em um teste extremamente sensível, devemos valorizar o resultado negativo? b) Por que, em um teste extremamente específico, devemos valorizar o resultado positivo?

Compreender as possíveis interpretações de testes diagnósticos a ponto de responder as perguntas acima é, sem dúvida, um desafio. Seja do ponto de vista conceitual ou interpretativo propriamente dito. De modo a facilitar o seu entendimento, tentaremos responder as perguntas "a" e "b" com um exemplo clínico de glicemia sérica.


Resposta a pergunta "a"

Imagine uma situação hipotética em que o valor de normalidade para glicemia em jejum seja de 100 (esqueça as unidades por enquanto). Se a nossa intenção for um rastreamento, ou seja, diagnosticar mais pessoas com doença, devemos aumentar a sensibilidade do exame. Como aumentar essa sensibilidade?

O raciocínio é bastante simples. Para rotular um maior número de pessoas como doentes (diabéticos no nosso caso), basta reduzir o valor de normalidade para, por exemplo, 80. Ora, dessa forma um maior número de pessoas será doente (diabético). Isso porque uma pessoa com glicemia de 90 não era doente anteriormente, mas com o novo ponto de corte ela foi inserida no grupo de diabéticos.

Extrapolando essa primeira situação, podemos entender o motivo pelo qual, em um teste de alta sensibilidade (baixo ponto de corte) devemos valorizar o resultado negativo, acompanhe o raciocínio:

  • A nossa intenção é "rotular" uma determinada pessoa de diabética. Como você faria isso.
  • Simples. Baixaria o ponto de corte para valores muito pequenos, por exemplo 60.
  • Imagine que, mesmo assim, o teste continuasse a dar negativo
  • Bom, baixariamos o ponto de corte para 40, certamente agora o teste acusaria essa pessoa como diabética
  • Mesmo asim, o teste acusou um resultado negativo
  • Agora pense, estamos fazendo o possível para "rotular" essa pessoa como diabética e não estamos conseguindo. Mesmo baixando substancialmente o valor de normalidade. O que isso significa? Estamos fazendo tudo para que a pessoa seja diabética e o teste continua resultando em negativo. Ora, essa pessoa não deve mesmo ser diabética.

Concluimos então que aumentamos a sensibilidade tremendamente do teste, baixando o ponto de corte e mesmo assim o exame está negativo. Então a pessoa deve mesmo ser saudável (resultado negativo). Logo, em um exame com alta sensibilidade devemos, de fato, valorizar o resultado negativo. Uma vez que a probabilidade de a pessoa ser negativa é baixa em um teste sensível, quando o resultado é negativo devemos crer que isso não ocorreu ao acaso, mas sim porque de fato o paciente é saudável.


Resposta a pergunta "b"

Imagine agora a mesma situação hipotética em que o valor de normalidade para glicemia em jejum seja de 100. Entretanto, nossa intenção agora é identificar quem de fato é doente. Ou seja, queremos oferencer tratamento ou qualquer procedimento médico somente para aquelas que de fato necessitem, evitando qualquer ato iatrogênico. Para isso precisamos de um teste com alta especificidade. Como aumentar essa especificidade?

O raciocínio, novamente, é bastante simples. Para rotular um maior número de pessoas como saudáveis (não diabéticos no nosso caso), basta aumentar o valor de normalidade para, por exemplo, 120. Ora, dessa forma um maior número de pessoas será saudável (não diabético). Isso porque uma pessoa com glicemia de 110 era, anteriormente, considerada diabética, mas com o novo ponto de corte ela foi inserida no grupo dos saudáveis.

Extrapolando essa nova situação, podemos entender o motivo pelo qual, em um teste de alta especificidade (alto ponto de corte) devemos valorizar o resultado positivo, acompanhe o raciocínio:

  • A nossa intenção agora é "rotular" uma determinada pessoa de normal ou saudável. Como você faria isso?
  • Simples. Aumentaria o ponto de corte para valores muito altos, por exemplo 140.
  • Imagine que, mesmo assim, o teste continuasse a dar positivo
  • Bom, aumentariamos o ponto de corte para 180, certamente agora o teste acusaria essa pessoa como saudável
  • Mesmo asim, o teste acusou um resultado positivo
  • Agora pense, estamos fazendo o possível para "rotular" essa pessoa como saudável e não estamos conseguindo. Mesmo aumentando substancialmente o valor de normalidade. O que isso significa? Estamos fazendo tudo para que a pessoa não seja diabética e o teste continua resultando em positivo. Ora, essa pessoa deve mesmo ser diabética.

Concluimos então que aumentamos a especificidade tremendamente do teste, aumentando o ponto de corte e mesmo assim o exame está positivo. Então a pessoa deve mesmo ser doente (resultado positivo). Logo, em um exame com alta especificidade devemos, de fato, valorizar o resultado positivo. Uma vez que a probabilidade de a pessoa ser positiva é baixa em um teste específico, quando o resultado é positivo devemos crer que isso não ocorreu ao acaso, mas sim porque de fato o paciente é doente.

Valor preditivo positivo (VPP) e Valor preditivo negativo (VPN)Editar

VPP.jpg

Fonte: Cardim, CA. Anotações em sala, 2013.







Para responder a questão: "Qual é a probabilidade de o meu paciente ter (ou não ter) a doença, se o resultado do teste do meu paciente for positivo (ou negativo)?", utiliza-se o valor preditivo do teste, que é definido como a probabilidade da doença dados os resultados de um teste, por conta disso, é chamado, muitas vezes de probabilidade posterior (pós-teste).


Valor preditivo positivo (VPP): É definido como a probabilidade de existir a doença, dado que o teste foi positivo (anormal). Calculado, a partir da tabela acima, como "a / ( a + b )". Quanto mais específico for o teste, maior será o valor preditivo positivo. Dica: tente supor valores na tabela acima para entender esses conceitos.

Valor preditivo negativo (VPN): É definido como a probabilidade de não existir a doença, dado que o teste foi negativo (normal). Calculada como "d / ( c + d )". Quanto mais sensível for um teste, maior será seu valor preditivo negativo, ou seja, maior é a confiança do clínico de que um resultado negativo descarte a doença que está sendo pesquisada.

Curva "ROC"Editar

CURVA ROC.png

Curva ROC retirada do material de aula do professor Carlos A. Cardim. Data: 09/10/2013

A curva ROC (Receiver Operator Characteristic) é uma forma de expressar a relação entre a sensibilidade e a especificidade. Ela é construída a partir da representação gráfica da taxa de verdadeiro-positivo (sensibilidade ou detecção) contra a taxa de falso-positivo (1-especificidade ou falsa-detecção).

Os testes com bom poder discriminatório concentram-se no canto esquerdo superior da curva ROC. Para eles, à medida que a sensibilidade vai aumentando progressivamente (o ponto de corte é reduzido), há pouca ou nenhuma perda da especificidade até que altos níveis de sensibilidade sejam atingidos. Testes com menor poder discriminatório apresentam curvas que ficam mais próximas da diagonal que vai da esquerda inferior para a direita superior. A diagonal mostra a relação entre as taxas de verdadeiro-positivos e falso-positivos que ocorreriam para um teste que não produzisse informação alguma.

A curva ROC mostra a gravidade do contra-balanço entre a sensibilidade e a especificidade de um teste e pode ser utilizada para ajudar a decidir onde deve ficar o melhor ponto de corte. Geralmente, o melhor fica no "ombro" da curva, a menos que existam razões clínicas para minimizar os falso-negativos ou os falso-positivos.

Interpretação: quanto maior a área, maior a probabilidade de acerto com maior probabilidade de detecção. Ou seja, maior a sensibilidade e a especificidade do teste (melhor é o teste).

ReferênciasEditar

1 - JEKEL, James F.; KATZ, David L.; ELMORE, Joann G. Epidemiologia, bioestatística e medicina preventiva. 2. ed. Porto Alegre: Artmed, 2006.

2 - ZANOTTI, Fernanda Cristina. Anotações da Aula de Epidemiologia. 18/09/2013.

3 - ROUQUAYROL, Maria Z. Epidemiologia e Saúde. 5 ed. Rio de Janeiro: Medsi, 1999. 4 - JEKEL, James F.; KATZ, David L.; ELMORE, Joann G. Epidemiologia, bioestatística e medicina preventiva. 2. ed. Porto Alegre: Artmed, 2006.

Links ExternosEditar

1 - Vigilância em Saúde Pública

2 - Vídeo: Epidemiologia em Saúde Pública

3 - "Erros: evitar o evitável" - do Ministério da Saúde

Mais da comunidade Wikia

Wiki aleatória