Tema 3: Correlación: caso discreto

Los alumnos del curso de humanidades “Ciencia para pensar mejor” podéis dejar aquí comentarios, observaciones, preguntas… todo lo que penséis que puede aclarar cuestiones o aportar algo a los demás.

Anuncios

  1. Alejandro Cifuentes

    Hola a todos!
    Tras la clase de hoy he decidido seguir buscando información acerca del tema de las correlaciones ya que me ha parecido bastante interesante y útil, ya que en mi caso, estudio ingeniería industrial especializándome en organización industrial y es un tema que estamos estudiando también.
    Como por ejemplo en la asignatura optativa de Análisis de decisiones de organización industrial, donde nos suelen poner el ejemplo de una empresa petrolífera que planea hacer un pozo para extraer petroleo, el cuál puede ser productivo o infructuoso, ambos con una cierta probabilidad. Para que sea más exacto piensan en realizar un sondeo cuyos resultados también pueden ser positivos o negativos y jugando con ambas probabilidades condicionadas tienen que ver cuál es la mejor opción para la empresa y así conseguir mayor beneficio, llegando a la conclusión que incluso el Teorema de Bayes es un concepto que se usa más de lo que uno piensa.
    Buscando más información he llegado a encontrar una página en la que cuentan de forma resumida casi todo lo visto durante la clase, por si alguno no ha podido venir. Su autor es Raúl Ibáñez, profesor del Departamento de Matemáticas de la UPV/EHU y colaborador de la Cátedra de Cultura Científica.
    https://culturacientifica.com/2015/10/07/falsos-positivos-o-la-importancia-de-comprender-la-informacion/

    Espero que os sirva de ayuda.
    Un saludo!

  2. Alejandro Alonso Martín

    Hola a todos.
    La semana pasada estuvimos con el tema de correlación. Dijimos que la correlación no implica casualidad, por eso ahora os voy a dejar una serie de ejemplos absurdos que reflejen esto.

    https://i0.wp.com/www.periodismo.com/wp-content/subid/6-correlaciones.jpg?resize=625%2C502

    https://i2.wp.com/www.periodismo.com/wp-content/subid/4-correlaciones.jpg?resize=625%2C437

    https://i1.wp.com/www.periodismo.com/wp-content/subid/7-correlaciones.jpg?w=500&ssl=1

    https://i2.wp.com/www.periodismo.com/wp-content/subid/10-correlaciones.jpg?resize=490%2C358

    Como podemos ver la correlación que tienen estas parejas de sucesos es muy alta, sin embargo no guardan ninguna relación como se puede ver.

  3. Lidia Bárez Álvarez

    Hola a todos,
    Desde el comienzo del curso hablábamos de lo fácil que era sacar conclusiones con el sistema 1, y a la vez cómo de malas eran las afirmaciones, pues a este sistema “se le dan muy mal las estadísticas y la lógica”. Más tarde, veíamos sesgos como el de confirmación (what you see is all there is) o la falacia que nombraba Sheldon Cooper en el vídeo de nuestra compañera Belén Munaiz, Cum hoc ergo propter hoc (‘con esto, por tanto a causa de esto’), influían en nuestra manera de razonar.
    En este tercer tema nos hemos ido alejando de las implicaciones de la lógica del tema anterior para analizar la realidad desde la perspectiva de la probabilidad. Hemos introducido un nuevo concepto, la correlación y hemos insistido en la idea de que correlación y causalidad no son lo mismo. Me gustaría reflexionar un poco más sobre esta idea antes de cerrar el tema.
    ¿En qué consiste entonces una correlación? Buscando la definición en la RAE encontré estas dos primeras acepciones:
    1. f. Correspondencia o relación recíproca entre dos o más cosas o series de cosas.
    2. f. Econ. y Mat. Medida de la dependencia existente entre variables aleatorias.
    Y en esto consiste buscar una correlación, en calcular el coeficiente de correlación entre las variables. Una fuerte correlación entre A y B no implica que una provoque a la otra, es decir, no podemos afirmar, ante un coeficiente de correlación cercano a 1 o a -1, que una sea causa de la otra, pero tampoco descartar que lo sea. Podemos ver muchos ejemplos de esto en la página que nos comentó el profesor, Correlaciones Espurias.
    Sin embargo, nos encontramos muchas veces con titulares que quieren estirar la estadística cometiendo una serie de fallos, o quizás estrategias. Para ponernos en alerta, o intentar escapar de estos trucos debemos superar la ignorancia lógico-matemática en la que nos vemos arrastrados por la sociedad (hablaremos más sobre esto en el siguiente tema). Para ello, he encontrado este enlace, que resume un artículo de la revista Natura. Se titula “Veinte consejos para interpretar resultados y publicaciones científicas” y me parece adecuado al contenido de la asignatura.
    https://culturacientifica.com/2013/12/05/veinte-consejos-para-interpretar-resultados-y-publicaciones-cientificas/
    Por último, os dejo esta viñeta que me ha resultado curiosa, dentro de este tema. La he encontrado en el enlace que adjunto al final.

    https://www.gaussianos.com/hay-que-decirlo-mas-correlacion-implica-causalidad/

  4. NURIA ABANADES MUNOZ

    Buenos días,

    Con respecto a la matriz de confusión, me parece una herramienta fundamental para averiguar ante un problema qué prototipo es el más idóneo.
    Esta matriz tiene una dimensión de n x n. Cada columna representa el número de predicciones de cada clase y cada fila simboliza el número de solicitudes en la clase real.
    Buscando información sobre este tema he podido ver que una de las ventajas que presenta es que favorece si dicho prototipo se está equivocando de tal manera que está mezclando dos clases y hasta qué punto está siendo erróneo. Gracias a esta ventaja, la matriz de confusión posibilita trabajar de manera independiente con varios tipos de errores. Aunque una de las desventajas que presenta es que no diferencia en gran medida los errores de tipo positivo y falso negativo. Adjunto un ejemplo claro donde se puede ver este tipo de desventaja:

    Fijándonos en la importancia que tiene no cometer estos errores, se debe recurrir a trabajar con distintas métricas:

    Verdaderos positivos (VP): Predicciones correctas para la clase P.
    Verdaderos negativos (VN): Predicciones correctas para la clase N.
    Falsos positivos (FP): La predicción es positivas cuando el valor tendría que ser negativo.
    Fasos negativos (FN): La predicción es negativa cuando el valor tendría que ser positivo.

    Gracias a estas métricas podemos calcular la sensibilidad, especifidad, precisión y el valor de predicción negativa. En la que nos permiten, por ejemplo, la sensibilidad y especifidad ver cómo se clasifica nuestro prototipo. La precisión, ver qué nivel de exactitud hay de una medición correspondiente con el valor verdadero. Por último, el valor de predicción negativa nos indica el porcentaje de casos positivos que están mal clasificados. Con estos cálculos realizados uno de los usos más frecuentes que tiene es el de diagnosticar cualquier tipo de enfermedad entre otros muchos.

  5. Sergio Bautista Ortega

    Para poner énfasis en la importancia de, no solo tener una alta sensibilidad en las pruebas médicas, sino también tener un porcentaje de falsos positivos reducido; el profesor puso el ejemplo de los falsos positivos en VIH.
    He buscado información sobre esto y he encontrado, que por desgracia, estos falsos positivos se han dado en multitud de ocasiones. Un ejemplo es el de un señor de Vigo, que entró en el hospital con una herida en la pierna y que salió con un positivo en VIH, hepatitisB y hepatitis C. Esto hizo que su vida se trastornara por completo. Dejo aquí la noticia: https://www.elconfidencial.com/espana/galicia/2018-03-26/el-calvario-del-hombre-que-lo-perdio-todo-por-un-falso-positivo-de-vih_1540808/

    Los hospitales saben de la importancia del correcto uso de las matemáticas, por eso el Hospital Universitario Ramón y Cajal ha divulgado el siguiente documento, en el que se explica cómo utilizar el Teorema de Bayes para saber la probabilidad de el positivo sea veraz; algo que vimos en clase.
    http://www.hrc.es/bioest/Probabilidad_18.html

  6. Víctor Casas Molina

    Buenas noches.
    Como aficionado a la estadística que soy, traigo a colación un par de usos de las correlaciones y algunas herramientas de inferencia estadísticas, muchas de las cuales se aprenden en la asignatura de Estadística Industrial, la cual recomiendo a los que vayáis por organización.
    Por ejemplo, en el caso de la medicina, ya han dejado claro arriba y en las transparencias de clase la utilidad que tiene, pero me gustaría poner por ejemplo el caso de los grupos de control con censura, en estos casos, uno se presta todavía más si cabe a dar conclusiones sesgadas, pues por ejemplo:
    Una persona con cáncer perteneciente a un grupo de control que vaya a un control semanal y de repente deje de ir, no significa necesariamente que haya muerto, sino que ha podido cambiar de domicilio simplemente, este es de hecho uno de los mayores problemas reales en la censura de datos, para solventar estos problemas no solo es necesario una buena dosis de ingenio, sino que se necesitan potentes herramientas matemáticas, como el estimador de Kaplan-Meier, etc.
    Además de la medicina, también se aplican a otros campos, como la durabilidad de componentes, en los procesos de post-producción es común trazar una curva de fallas e intentar obtener una correlación con otros hechos (Pareto) , para salvar el mayor número posible de lotes y para fijar los periodos de garantía (curvas Hazard y Survival)

    Dejo aquí la definición de grupo de control de Wikipedia, pero no por la definición en sí sino porque explica la necesidad que hay de hacerlo: https://es.wikipedia.org/wiki/Grupo_de_control
    Un saludo.

  7. CARLOS ASTILLEROS APARICIO

    Hola a todos.
    Según los ejemplos de mis compañeros, he encontrado otros ejemplos que en su momento tuvieron gran repercusión mediática. En 2000 se publicó un discutido artículo en Nature que apuntaba a una fuerte asociación entre miopía y exposición nocturna en niños menores de dos años: los niños que dormían con la luz encendida mostraban una probabilidad cinco veces mayor de desarrollar miopía. Un año después, un estudio publicado también en Nature refutaba el resultado señalando que la verdadera causa de la miopía infantil era genética, no ambiental. El trabajo encontraba una fuerte conexión ente la miopía parental y la miopía en desarrollo en niños, haciendo notar, además, que los padres miopes suelen dejar encendida una luz en la habitación de sus vástagos.
    Otro ejemplo fue en 2012, la revista New England Journal of Medicine publicó un artículo cuya conclusión era que el consumo de chocolate mejoraba la función cognitiva. Basaban sus afirmaciones en una fuerte correlación entre el número de premios nóbel de una nacionalidad y el consumo per cápita de chocolate en su país. Aquí nos encontramos frente a lo que se conoce como «falacia ecológica»: se alcanza una conclusión sobre individuos a partir de datos agregados de grupos. Se encuentra una correlación para la población de un país y se extrapolan conclusiones para algunos de sus habitantes, los premios nóbel. Pero el consumo real de los laureados les era totalmente desconocido a los investigadores. A pesar de este error elemental, que fue muy criticado en su momento por la comunidad, la prensa se hizo buen eco del resultad. 

  8. Víctor González Cantón

    Buenas a todos:
    A continuación os dejo algunos enlaces a artículos en los que se repasa e indaga un poquito más en los conceptos que vimos durante estas sesiones de clase, los cuales pueden ser un poquito difíciles de visualizar siguiendo únicamente los esquemas y las diapositivas: Falsos positivos y negativos, sensibilidad, Teorema de Bayes…

    https://cultivandocultivos.wordpress.com/2010/10/27/falsos-positivos-y-falsos-negativos/
    https://www.bbc.com/mundo/noticias/2015/12/151120_diccionario_medico_falso_positivo_negativo_finde_dv
    https://www.monografias.com/trabajos74/falsos-positivos-negativos-diagnostico-medico/falsos-positivos-negativos-diagnostico-medico.shtml
    https://www.docirs.cl/entender_teorema_de_bayes_simple.asp

    Espero que os sirvan, algunos ejemplos que vienen hacen más sencillo comprender estos conceptos.

    Un saludo a todos.

  9. Álvaro Piqueras

    Hola a todos:
    Siguiendo el hilo del compañero Alejandro Cifuentes, el caso de los falsos positivos y falsos negativos cuando hablamos de correlación, es clave para entender el funcionamiento de pruebas en la medicina, desde medir sustancias dentro del cuerpo hasta pruebas de embarazo. Todo esto nos va a servir para el estudio de la agudeza de estas pruebas. Como ejemplo, me situó en un articulo que habla del estudio del síndrome de Horner (lesión de los nervios simpáticos de la cara y se caracteriza por pupilas contraídas, párpado caído, anhidrosis y aspecto hundido del ojo) y de la cocaína y del de apraclonidina como causa de este. Este estudio da la posibilidad, analizando estos falsos positivos y negativos, de avanzar en el estudio y prever de una mejor forma. Concluye que la proporción de falsos negativos fue del 4,2% y de falsos positivos del 0%, con lo que la prueba es muy precisa y aceptable.
    Aquí os dejo el estudio:
    https://www.monografias.com/trabajos74/falsos-positivos-negativos-diagnostico-medico/falsos-positivos-negativos-diagnostico-medico.shtml
    Un saludo.

  10. Andoni Tajuelo

    Buenas a todos!

    En este tema hablamos de la correlación y la clasificación, y quería aportar un dato acerca de como los telecos vemos esos dos conceptos en nuestra carrera. Si bien es verdad, en todas las ramas de “teleco” tenemos varias asignaturas, que son estadística pura y básica, que las impartimos en 1º y 2º con el fin de poder llegar a asignaturas de 3º con nociones más amplias de estadística. ¿Y por qué es importante, muy importante, la estadística en telecomunicaciones?

    Bueno, pues básicamente si planteamos un sistema de comunicaciones, tenemos un emisor, un receptor y un canal, el emisor transmitirá su información al receptor mediante el canal. Hay que considerar que estamos en el mundo real, y que ese canal añadirá ruido a nuestra señal transmitida. Si modelásemos ese ruido encontramos con que es aleatorio. Por lo tanto no podemos predecir su valor, cuando la señal llegue al receptor tendremos que saber decidir si el receptor quería enviar 0 ó 1, teniendo la dificultad añadida del ruido. Éste hará que los valores que lleguen de la señal no sean redondos, si no 0,1 o 0,8, por poner ejemplos, lo que implica que tengamos que establecer regiones de decisión. Para analizar todo este proceso tenemos varias asignaturas, Teoría de la Comunicación, Teoría Moderna de la Detección y Estimación, Sistemas de Telecomunicación, etc… En todas ellas están presente los conceptos de correlación y clasificación.

    En telecomunicaciones, utilizamos un herramienta estadística, algo parecida a la correlación, denominada función de autocorrelación, definida como la correlación cruzada de la señal consigo misma. Básicamente nos permite encontrar patrones repetitivos dentro de una señal, conociendo una componente de ésta (la transmitida por el emisor) y otra desconocida (el ruido añadido por el canal). Nos permite encontrar por ejemplo la periodicidad de una señal enmascarada bajo el ruido.

    Por otro lado la decisión, la podemos llevar al ámbito de Machine Learning, algo muy de moda. Machine Learning para que nos entendamos, es una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente. Aprender en este contexto quiere decir identificar patrones complejos en millones de datos. La máquina lo que realmente aprende es un algoritmo que revisa los datos y es capaz de predecir comportamientos futuros. Es aquí donde entra toda la teoría de la clasificación.

    Aquí os dejo un video explicando un poco toda esta disciplina.

    Saludos.

  11. Irene Rayo Fernández

    Hola a todos!

    En este tema hemos tratado algunos parámetros para calificar verdaderamente un test y saber si podemos fiarnos de él o solamente es información banal. Sin embargo, he estado investigando acerca de la sensibilidad (probabilidad de detección) y la especificidad (1-probabilidad de falsa alarma), y aunque en un test deseamos que las dos sean lo más altas posibles, encontramos casos donde una es más relevante que la otra. A continuación, aportaré algunos ejemplos de pruebas médicas que he encontrado en la siguiente página web ( https://sapiensmedicus.org/sensibilidad-especificidad/ ) por si alguien quiere profundizar más:

    -Para pruebas médicas donde nos interese captar a toda la población enferma preferiremos un test muy sensible; aunque aumente el número de casos de falsos positivos. Esto es interesante para padecimientos que tienen cura, para casos donde los falsos positivos no tienen serios trastornos psicológicos o económicos en el paciente y para casos donde la detección tardía de una patología pone en mayor riesgo al individuo.

    -Por otro lado, preferiremos una prueba altamente específica en los casos donde no nos podamos permitir una tasa alta de falsos positivos y en patologías que cumplan lo siguiente: en enfermedades graves pero que no son curables, cuando se busca descartar una enfermedad o cuando un resultado falso positivo trae consecuencias psicológicas o económicas importantes al paciente.

    Tras esta ampliación de los conceptos, me gustaría formularos una pregunta:
    Para una prueba médica que intenta detectar una enfermedad terminal y supone un ligero deterioro en la salud del paciente en los días siguientes al test, ¿preferirías una prueba más sensible que específica o sería al contrario?

    Un saludo!!

  12. Alejandro Fernández Carvajal

    Buenas a todos!

    Durante las últimas clases hemos hablado sobre la correlación, matriz de confusión, falsos positivos… y me ha parecido interesante indagar un poco más en el tema para saber hasta que grado es importante el concepto de una correcta clasificación. Para empezar, podemos definir la correlación (en el ámbito estadístico) como una técnica que nos indica si dos variables están relacionadas, ya sea de forma positiva o negativa. Tenemos muchos grados diferentes de correlación, simple, múltiple, parcial, pero en este caso solo vamos a tratar la simple que es la que nos incumbe para la tabla de contingencia. Es fundamental conocer tanto el tipo, como el grado de correlación de dos variables, para poder interpretar los resultados de una manera coherente.

    El estudio de la tabla de contingencia, o matriz de confusión, es un tema que da mucho que hablar, principalmente en el campo de la medicina. Es muy habitual que la mayoría de la gente al oír falso positivo se le venga a la cabeza casos relativos a dicho campo (un test de embarazo, por ejemplo), o falso negativo, de la misma manera. A continuación, adjunto una noticia de la BBC en la que hablan sobre la importancia de un diagnóstico correcto, ya que en función de los resultados y del caso concreto de la persona, puede ser una fuente de angustia o preocupación que puede acarrear otros problemas de salud física y mental.

    https://www.bbc.com/mundo/noticias/2015/12/151120_diccionario_medico_falso_positivo_negativo_finde_dv

    Aparte, adjunto otro link en el que explican las principales consecuencias de dichos falsos positivos, y un caso real de diagnóstico erróneo de infarto, cercano al 10%.

    https://secardiologia.es/comunicacion/notas-de-prensa/notas-de-prensa-sec/9405-uno-de-cada-diez-infartos-diagnosticados-es-un-falso-positivo

  13. JuanMS

    Alejandro Cifuentes, muy buena la referencia del Cuaderno de cultura científica, muy adecuada para repasar lo que hemos visto en clase.

    Alejandro Alonso Martín, en efecto, es muy fácil encontrar correlaciones fuertes entre fenómenos que obviamente no tienen ninguna relación. Especialmente en series temporales, porque muchas son monótonamente crecientes o decrecientes y por eso no es extraño que estén muy correlacionadas, hay varios casos entre los ejemplos que das. Lo que hay que concluir es que hay que estar en guardia porque eso pasa también en casos en los que la relación causal puede ser verosímil.

    Lidia Bárez, muy buena referencia, aunque o mejor es leerse el original de Nature y no el resumen, que hay algunos puntos que no los ha resumido bien.

    Nuria Abanades, no sé bien a qué te refieres cuando dices “solicitudes”, sería simplemente el número de casos reales. Tampoco creo que la matriz de confusión no diferencie entre errores tipo I y tipo II, sólo que no se ve directamente su importancia y por eso hay que introducir la sensibilidad y la especificidad, que nos miden directamente la tasa de esos errores (o más bien, 1- la tasa).

    Sergio Bautista Ortega, gracias, no conocía ese caso pero es un ejemplo perfecto de lo que hemos contado en clase sobre los efectos nefastos de confundir la sensibilidad con el valor predictivo positivo. Lo asombroso es que a nadie se le ocurriera volver a hacerle la prueba del SIDA a esta persona, cuando (dado lo raro de la enfermedad y la gravedad del diagnóstico) debería ser parte del protocolo (de hecho, según dice el primer enlace que nos trae Víctor González, sí hay un protocolo que requiere dar positivo en tres pruebas). También es interesante la página del Ramón y Cajal, todo un curso de estadística médica.

    Víctor Casas Molina, efectivamente el artículo de la wikipedia explica de manera muy didáctica la necesidad de un grupo de control. Pero me hubiera gustado que explicaras un poco más el concepto de “censura” que no es muy conocido y no significa en este contexto lo que suele significar en otros; además, puede ser importante, como tú señalas.

    Carlos Astilleros Aparicio;, son curiosos los dos casos de correlaciones espurias que nos traes, sobre todo porque consiguieron publicarse en revistas de mucho prestigio. Y por supuesto, si la conclusión es que el chocolate mejora la función cognitiva eso va a salir en todos los medios… 🙂 Pero estaría bien que nos dieras las referencias ¿Las podrías encontrar?

    Víctor González Cantón, gracias por las referencias. La primera explica que hay que para diagnosticar del SIDA a un paciente hay que hacerle tres pruebas, lo que recalca el error médico del caso que nos traía más arriba Sergio Bautista. La segunda es básica y divulgativa pero es interesante que explica que incluso cuando se hacen esas pruebas adicionales, pueden tener efectos secundarios graves: un falso positivo nunca es inocuo.

    Álvaro Piqueras, no sé si te has confundido con el enlace o soy yo el que no ha encontrado ahí la referencia al síndrome de Horner.

    Andoni Tajuelo, te agradezco que relaciones lo que hemos contado aquí con lo que estudiáis en vuestra carrera, porque aunque he usado ejemplos casi exclusivamente de la medicina, el problema de la clasificación se da en multitud de contextos, y es en efecto uno de los básicos en el machine learning. El vídeo que enlazas está bien pero es muy básico, sería interesante algo de información sobre cómo “aprenden” a clasificar los programas.

    Irene Rayo, efectivamente, dependiendo de los casos puede ser más importante la sensibilidad o la especificidad. En el primer enlace que puso Víctor González lo explicaban bastante bien. En cuanto a tu pregunta, ¿cuando dices “terminal”, te refieres a incurable?

    Alejandro Fernández Carvajal, el primer enlace lo había traído ya Víctor González, es sencillo pero está bien contado. Interesante el dato de 10% de falsos diagnósticos de infarto (a los que les van a hacer un cateterismo, una prueba desagradable y con riesgos). Pero en realidad, el artículo dice que previamente a esto, entre los pacientes en los que se activó el “código infarto” había un 12% que no cumplían las condiciones. En un sentido amplio eso serían también falsos positivos, aunque no imputables al médico, sino al paciente (entiendo yo: habría que conoce mejor como funciona esta red de atención al infarto de la que hablan).

    • Victor Casas Molina

      La censura en estadística se da cuando los datos solo se pueden observar parcialmente, ya sea porque algo los “apantalla” o porque algún instrumento esté fuera de rango (si un voltímetro solo puede medir 500v y marca esos 500v, puede ser que el valor de ddp sea 500 o más).
      Un ejemplo conocido y con el que se enseña en estadística industrial es el de los estudios médicos en personas mayores:
      si se comprueba la tasa de supervivencia de pacientes tratados con un fármaco, y se observa un caso de un paciente con 80 años que acudió al estudio, solo se puede saber que en ese momento está vivo, pero después se desconoce su estado, análogamente, si luego a la revisión periódica ese paciente no acude, no implica que este muerto, simplemente ha podido cambiar de residencia.

      Un saludo.

  14. Caleb Vicente Moreno

    Buenos días.
    Como estudiante de una de las especialidades de telecomunicaciones, hemos, y estamos estudiando la importancia de la estadística y las correlaciones que pueden tener diferentes situaciones, para así poder diseñar máquinas que estimen y decidan el comportamiento de un sistema a partir de una serie de observaciones. Estas máquinas tienen numerosas aplicaciones, desde la corrección de señales, detección de movimiento, reconocimiento facial, etc. Si bien en clases anteriores habíamos visto el funcionamiento de las leyes lógicas y las implicaciones, en la vida, y concretamente en la ciencia, las cosas no suelen ser tan “fáciles” como si A implica B entonces no B implica no A, sino que más bien los sucesos tienen probabilidades de ocurrencia, correlaciones de las cuales no siempre podemos estar seguros, etc. Como futuro posible ingeniero de telecomunicaciones mi labor es establecer procesos y crear máquinas que no confundan que dos sucesos ocurren juntos con que ambos tengan un relación.

  15. Celia vivanco biderbost

    Buenas tardes,

    Me ha parecido muy interesante la parte del tema en el que hablamos del test diagnostico, de los falsos positivos (FP) y de los falso negativos (FN). Efectivamente, cuando hablamos de un test diagnóstico solemos fijarnos en la probabilidad de detección sin tener en cuanta FP o FN. Hasta día de hoy en cualquier test no me planteaba la posibilidad del FP o del FN. En cualquiera que realicemos como por ejemplo en la medicina, investigación científica… tenemos que tener en cuenta estas posibilidades y siempre valorar el valor predictivo positivo (VPP) del test, que nos indicará la probabilidad de que dando positivo esté realmente enfermo en caso de que sea un test diagnóstico.
    Por lo tanto a la hora de realizar un test es crucial tener todo esto en cuenta, sobre cuando el resultado puede tener consecuencias personales o económicas importantes.
    En el caso de los tests médicos, creo que se tendría que tener especial cuidado con los FP y FN. Por ejemplo en este artículo que he estado leyendo , que también han compartido mis compañeros, explica muy bien el peligro de estos falsos positivos: (https://www.bbc.com/mundo/noticias/2015/12/151120_diccionario_medico_falso_positivo_negativo_finde_dv) pone un ejemplo que dice: ”No tenía ningún síntoma pero le hicieron un escáner de pulmones en un chequeo rutinario y encontraron un nódulo. Al hacerle la biopsia al nódulo, causaron pancreatitis. Pasó meses en cuidados intensivos, estuvo tremendamente mal”.El nódulo resultó ser completamente benigno: fue un falso positivo que disparó una cadena de investigaciones y daños palpables”
    Todos los test tienen que ser interpretados y acompañados con mas información para poder ser interpretados de la manera más acertada puesto que un mal diagnóstico puede tener consecuencias bastante importantes.

    También he encontrado este artículo:”El peligro tras el TAC: el 50% de los escáneres son innecesarios. Y pueden causar cáncer”
    https://www.elconfidencial.com/alma-corazon-vida/2016-01-14/el-peligro-tras-el-tac-casi-la-mitad-de-los-escaneres-tomograficos-son-innecesarios_1131724/
    Esta prueba médica supone mucha radiación para nuestro organismo,por lo que como en el artículo dice, aunque sea una práctica médica muy útil, tiene un peligro importante para el paciente. Como podemos ver, en este caso el VPP del test sería muy importante para poder valorar si es estrictamente necesario u otras pruebas menos agresivas podrían suplir este diagnóstico.

  16. Victor Casas Molina

    Buenas noches.
    Preparándome de cara al final encontré un poco complicada la clara definición de conceptos como sensibilidad y especifidad y su uso en las matrices de contingencia, por ello recurrí a un artículo médico pensando que académicamente deben tener el concepto mejor interiorizado que nosotros, os lo dejo por aquí:
    https://sapiensmedicus.org/sensibilidad-especificidad/

    Un saludo.

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s