Análisis de Bayes

Qué es el análisis de Bayes

El nombre procede de Thomas Bayes (c. 1701-1761), clérigo presbiteriano y matemático inglés que formuló el teorema sobre el que se asienta este enfoque. Bayes nunca publicó su trabajo en vida; fue su amigo Richard Price quien lo editó póstumamente en 1763 bajo el título An Essay towards solving a Problem in the Doctrine of Chances, presentado ante la Royal Society de Londres. El teorema establece, en esencia, cómo calcular la probabilidad de una causa a partir de un efecto observado, invirtiendo la dirección habitual del razonamiento probabilístico.

En la práctica clínica, esa inversión se traduce en una pregunta concreta: dado que un test ha resultado positivo, ¿cuál es la probabilidad real de que el paciente esté enfermo? Para responder, el teorema combina tres datos: la probabilidad previa (prevalencia de la enfermedad en la población del paciente), la sensibilidad de la prueba (proporción de enfermos que dan positivo) y la especificidad (proporción de sanos que dan negativo). El resultado es lo que se denomina probabilidad posterior o posprueba.

Aplicación al razonamiento clínico

Imaginemos una prueba con una sensibilidad del 95 % y una especificidad del 90 %. Si la enfermedad buscada afecta a 1 de cada 1 000 personas en la población general, un resultado positivo no significa que el paciente tenga un 95 % de probabilidad de estar enfermo. Al aplicar el teorema de Bayes, la probabilidad real ronda apenas el 1 %. La explicación es que, en una población donde la enfermedad es muy rara, los falsos positivos superan con creces a los verdaderos positivos, por numerosos que sean.

Esta discrepancia entre la intuición y el cálculo bayesiano es una de las trampas cognitivas mejor documentadas en medicina. El análisis de Bayes obliga a considerar el contexto (qué tan probable es la enfermedad antes de hacer la prueba) y no solo las propiedades de la prueba en sí. Un mismo resultado positivo puede ser casi definitivo en un paciente de alto riesgo y apenas informativo en un cribado poblacional.

Estadística bayesiana frente a estadística frecuentista

La estadística convencional (frecuentista) estima parámetros a partir de los datos observados sin incorporar formalmente conocimiento previo. El enfoque bayesiano, en cambio, parte de una distribución de probabilidad previa que refleja lo que ya se sabe antes de recoger los datos, y la actualiza con la evidencia nueva para obtener una distribución posterior. La diferencia no es solo técnica: cambia la manera de plantear las preguntas. Un ensayo clínico analizado con métodos bayesianos no pregunta «¿es estadísticamente significativo este resultado?», sino «dado lo que ya sabíamos y lo que hemos observado, ¿cuál es la probabilidad de que la intervención estudiada sea eficaz?».

En la investigación biomédica de los últimos años, los diseños bayesianos han ganado terreno en los ensayos adaptativos, donde el tamaño de muestra o la asignación de pacientes a cada brazo se modifica a medida que se acumulan datos. También se emplean en la evaluación de dispositivos médicos y en la farmacovigilancia posterior a la comercialización.

Preguntas frecuentes

¿Quién fue Thomas Bayes?

Un clérigo presbiteriano y matemático inglés nacido hacia 1701 y fallecido en 1761. Su trabajo sobre probabilidad condicional se publicó póstumamente en 1763 gracias a Richard Price, y tardó más de un siglo en ser plenamente reconocido por la comunidad científica.

¿El análisis de Bayes se usa solo en investigación?

No. Cada vez que un clínico evalúa mentalmente si un resultado positivo es «de verdad» positivo teniendo en cuenta la probabilidad previa de la enfermedad, está aplicando el razonamiento bayesiano, aunque no lo formule matemáticamente. El análisis formal con fórmulas se emplea tanto en la práctica diagnóstica como en la investigación.

¿Puede un resultado positivo en una prueba muy sensible ser un falso positivo?

Sí, y es precisamente lo que el análisis de Bayes permite cuantificar. Si la enfermedad es poco frecuente en la población estudiada, incluso una prueba con sensibilidad y especificidad superiores al 90 % producirá más falsos positivos que verdaderos positivos. El valor predictivo positivo depende siempre de la prevalencia.

Referencias

1. Biblioteca Virtual en Salud (BVS). Teorema de Bayes. Descriptores en Ciencias de la Salud (DeCS).
2. MedlinePlus. Cómo entender sus resultados de pruebas de laboratorio.
3. Real Academia Española. Análisis. Diccionario de la lengua española.
4. MedlinePlus. Pruebas rápidas.