{"id":1403,"date":"2020-06-16T21:44:54","date_gmt":"2020-06-17T00:44:54","guid":{"rendered":"https:\/\/www.blogs.unicamp.br\/covid-19\/?p=1403"},"modified":"2020-06-16T21:44:54","modified_gmt":"2020-06-17T00:44:54","slug":"meu-teste-deu-positivo-e-agora-entendendo-a-sensibilidade-e-a-especificidade-dos-testes-diagnosticos","status":"publish","type":"post","link":"https:\/\/clorofreela.com.br\/revistablogs\/2020\/06\/16\/meu-teste-deu-positivo-e-agora-entendendo-a-sensibilidade-e-a-especificidade-dos-testes-diagnosticos\/","title":{"rendered":"Meu teste deu positivo. E agora? Entendendo a sensibilidade e a especificidade dos testes diagn\u00f3sticos"},"content":{"rendered":"\n

Os testes para diagn\u00f3stico de doen\u00e7as s\u00e3o bons? S\u00e3o ruins? Funcionam? Vamos destrinchar um pouco sobre a teoria dos testes diagn\u00f3sticos de uma forma mais intuitiva sem precisar de f\u00f3rmulas. Vamos ver que os testes n\u00e3o s\u00e3o livres de erros. Vamos entender o que significa dizer que um teste tem 95% de sensibilidade… E, principalmente, por que isso n\u00e3o te conta a hist\u00f3ria toda! <\/p>\n\n\n\n

Esse post foi elaborado a partir da s\u00e9rie de tweets escrita pelo Felipe Campelo<\/a>*, com algumas pequenas altera\u00e7\u00f5es para se adequar melhor aqui no formato do blog!<\/p>\n\n\n\n

Antes de mais nada: o que explicamos aqui n\u00e3o tem nada a ver com a marca ou o tipo do teste (ao longo do texto voc\u00ea vai entender o porqu\u00ea), mas sim com a matem\u00e1tica que est\u00e1 por tr\u00e1s do diagn\u00f3stico. Isso, porque os testes diagn\u00f3sticos compreendem uma importante aplica\u00e7\u00e3o da teoria da probabilidade. Mas n\u00e3o precisa fugir – como falei antes, prometo que n\u00e3o vamos te pedir para decorar nenhuma f\u00f3rmula! Vamos l\u00e1?<\/p>\n\n\n\n

Para come\u00e7ar a entender o que acontece quando voc\u00ea faz um teste para qualquer doen\u00e7a, vamos pensar que voc\u00ea <\/span><\/em>s\u00f3 tem duas possibilidades: ou est\u00e1 doente, ou est\u00e1 saud\u00e1vel. O teste <\/em><\/span>tamb\u00e9m s\u00f3 tem 2 possibilidades: ou \u00e9 positivo, ou \u00e9 negativo.<\/p>\n\n\n\n

Vamos desenhar para ficar mais f\u00e1cil!<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

Essas duas vari\u00e1veis resultam em 4 possibilidades:<\/p>\n\n\n\n

– Voc\u00ea est\u00e1 doente e o teste \u00e9 positivo: verdadeiro positivo<\/strong> (VP<\/span>). <\/p>\n\n\n\n

– Voc\u00ea est\u00e1 saud\u00e1vel e o teste \u00e9 negativo: verdadeiro negativo<\/strong> (VN<\/span>).<\/p>\n\n\n\n

– Voc\u00ea est\u00e1 saud\u00e1vel e o teste \u00e9 positivo: falso positivo<\/strong> (FP<\/span>).<\/p>\n\n\n\n

– Voc\u00ea est\u00e1 doente e o teste \u00e9 negativo: falso negativo<\/strong> (FN<\/span>).<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

Se olharmos para os totais de cada linha e cada coluna, vemos que:<\/p>\n\n\n\n

– as colunas<\/strong> nos dizem quanta gente est\u00e1 doente (ND<\/span>) ou saud\u00e1vel (NS<\/span>).<\/p>\n\n\n\n

– as linhas<\/strong> dizem quanta gente testa positivo (N+<\/span>) ou testa negativo (N-<\/span>).<\/p>\n\n\n\n

– o \u00faltimo quadro da diagonal nos indica o n\u00famero total de pessoas na popula\u00e7\u00e3o (N<\/span>).<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

A sensibilidade e a especificidade de um teste dizem respeito \u00e0s colunas:<\/p>\n\n\n\n

A Sensibilidade <\/strong>do teste \u00e9 a propor\u00e7\u00e3o entre o n\u00famero de doentes que o teste consegue detectar (VP) e o n\u00famero total de doentes (ND<\/span>). Em outras palavras, \u00e9 a probabilidade de o teste ser positivo para uma pessoa doente: P(Teste+|doente).<\/p>\n\n\n\n

A Especificidade<\/strong> informa qual a propor\u00e7\u00e3o entre o n\u00famero de pessoas saud\u00e1veis que o teste detecta como \u201cnegativas\u201d (VN<\/span>) e o n\u00famero total de pessoas saud\u00e1vel (NS<\/span>). Em outras palavras, \u00e9 a probabilidade de o teste ser negativo para uma pessoa saud\u00e1vel: P(Teste-|saud\u00e1vel).<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

At\u00e9 aqui tudo bem, mas tem um probleminha: o que eu quero saber n\u00e3o \u00e9 a chance do teste dar positivo caso eu esteja doente – o que eu quero saber de verdade \u00e9: Se o meu teste deu positivo (N+<\/span>), qual a chance de eu estar realmente doente (VP<\/span>)?<\/strong> [\u00e9 inclusive o nome desse post!] <\/s>E essas duas coisas normalmente s\u00e3o diferentes. Essa outra coisa que eu normalmente quero saber tamb\u00e9m tem um nome bonitinho: precis\u00e3o<\/em>, que a gente descobre olhando para as linhas do nosso quadro.<\/p>\n\n\n\n

A Precis\u00e3o<\/strong> (ou valor preditivo positivo) \u00e9 a rela\u00e7\u00e3o entre a quantidade de pessoas doentes que testaram positivo (VP) e o n\u00famero total de testes positivos (N+). Em outras palavras, \u00e9 a probabilidade de voc\u00ea estar doente, dado que o teste deu positivo: P(Doente|Teste+)<\/p>\n\n\n\n

E \u00e9 aqui que entra o probleminha que eu mencionei acima. O quadro faz parecer que \u00e9 muito simples calcular a precis\u00e3o. E at\u00e9 que \u00e9, desde que voc\u00ea tenha uma ideia do qu\u00e3o prevalente a doen\u00e7a \u00e9 na popula\u00e7\u00e3o. A Preval\u00eancia<\/strong> nos indica qual \u00e9 o porcentual de pessoas que realmente est\u00e3o doentes (ND<\/span>) na popula\u00e7\u00e3o (N<\/span>).<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Vamos imaginar, por exemplo, que a tenhamos um teste de 95% de sensibilidade<\/em> (95% de chance de dar positivo se voc\u00ea estiver doente) e 95% de especificidade<\/em> (95% de chance de dar negativo se voc\u00ea estiver saud\u00e1vel). Como podemos fazer para calcular qual a precis\u00e3o do teste?<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

Como falamos ali em cima, precisamos saber da preval\u00eancia da doen\u00e7a. Aqui, neste exemplo, vamos estipular que a taxa-base doen\u00e7a seja de 1%, ou seja, a doen\u00e7a afeta 1% da popula\u00e7\u00e3o (100 em cada 10.000). Agora fica bem f\u00e1cil usar a sensibilidade e especificidade do teste para calcular os testes positivos e negativos em cada coluna. Vamos l\u00e1!?<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

Repara direitinho nos valores da tabela… \u00c9 a\u00ed que vem a coisa curiosa!<\/p>\n\n\n\n

Embora esse teste de faz-de-conta tenha 95% de sensibilidade e de especificidade, a maioria das pessoas que testa positivo seria de falsos positivos (495), simplesmente porque teria muito mais gente saud\u00e1vel do que doente.<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

Al\u00e9m disso, a precis\u00e3o, nesse caso hipot\u00e9tico<\/em>, seria de s\u00f3 16,1% – em outras palavras: voc\u00ea teria chance de 16,1% de estar doente caso seu teste d\u00ea positivo!<\/p>\n\n\n\n

Assim, se o teste d\u00e1 positivo, a sua chance de estar realmente doente ainda seria relativamente baixa, embora seja 16 vezes maior do que a taxa-base da popula\u00e7\u00e3o (que \u00e9 de 1%).<\/p>\n\n\n\n

\u00c9 um pouco, confuso… mas \u00e9 assim mesmo quando vemos isso pela primeira vez. Se precisar, d\u00ea mais uma olhadinha antes de prosseguir para olhar a pr\u00f3xima tabelinha!<\/p>\n\n\n\n

Aqui, vamos usar dados mais realistas (ainda que antigos)! Vamos considerar um teste para COVID com especificidade<\/strong> de 99% (mais comum) e para a preval\u00eancia<\/strong> da doen\u00e7a, vamos utilizar 10,6% (a estimativa de COVID em Manaus no relat\u00f3rio do Imperial College do dia 08\/05<\/a>). Considerando esses dados, a fazendo as contas igual fizemos ali em cima, temos a precis\u00e3o<\/strong> do teste seria de 91,8%.<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

Agora, para efeitos de compara\u00e7\u00e3o, se consider\u00e1ssemos esse mesmo teste, mas com a preval\u00eancia estimativa para S\u00e3o Paulo na mesma data ter\u00edamos: Preval\u00eancia <\/strong>de 3,3%, Sensibilidade <\/strong>de 95% e Especificidade<\/strong> de 99%. Fazendo os c\u00e1lculos, a Precis\u00e3o <\/strong>seria de 76,6%.<\/p>\n\n\n\n

Bom… Isso quer dizer que se a preval\u00eancia for baixa e voc\u00ea testar positivo pode sair por a\u00ed feliz\u00e3o? N\u00c3O!<\/p>\n\n\n\n

Quando fizemos esses c\u00e1lculos, dessa forma, estamos considerando que uma pessoa aleat\u00f3ria fazendo o teste. Por\u00e9m, geralmente quando voc\u00ea \u00e9 testado, voc\u00ea provavelmente tem ou teve sintomas (ou morreu de causa suspeita), ou entrou em contato com algu\u00e9m que teve COVID. Isso tudo impacta no c\u00e1lculo e deve ser levado em considera\u00e7\u00e3o. Por exemplo, a preval\u00eancia<\/strong> entre pessoas com sintomas<\/em> \u00e9 MUITO<\/em> maior do que na popula\u00e7\u00e3o em geral.<\/p>\n\n\n\n

<\/p>\n\n\n\n

OUTROS PONTOS RELEVANTES !<\/strong>
– A interpreta\u00e7\u00e3o do resultado de um teste diagn\u00f3stico depende de qual parcela da popula\u00e7\u00e3o est\u00e1 sendo avaliada (\u00e9 um indiv\u00edduo qualquer ou de um grupo de risco?).
– Situa\u00e7\u00f5es pr\u00e9vias (sejam subjetivas ou objetivas) influenciam o c\u00e1lculo. Esse tipo de estat\u00edstica que fizemos aqui, recebe o nome de c\u00e1lculos bayesianos<\/em> ou l\u00f3gica bayesiana<\/em>.
– Os c\u00e1lculos apresentados aqui servem para qualquer tipo de teste. Usamos exemplo da COVID por ser o que estamos passando no momento. Mas pode ser um teste de gravidez, um teste para detec\u00e7\u00e3o de HIV, etc.
– Em Estat\u00edstica chamamos os falsos positivos<\/em> de erro tipo I<\/em>, e os falsos negativo<\/em> de erro tipo II<\/em>.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"*Felipe Campelo<\/strong> \u00e9 professor da Escola de Engenharia da UFMG (Departamento de Engenharia El\u00e9trica) e trabalha com a integra\u00e7\u00e3o entre modelagem estat\u00edstica e otimiza\u00e7\u00e3o, e com aplica\u00e7\u00f5es de aprendizado de m\u00e1quina para (entre outras coisas) prioriza\u00e7\u00e3o de alvos na investiga\u00e7\u00e3o de exames e vacinas. Al\u00e9m disso, faz divulga\u00e7\u00e3o cient\u00edfica no Twitter.<\/p>\n\n\n\n

Aproveite e nos siga no Twitter, no Instagram e no Facebook!<\/p>\n\n\n\n

\n

BIBLIOGRAFIA<\/span><\/strong><\/p>\n\n\n\n