6 Capítulo 6 — Leer la prueba

Epidemiología aplicada en acuicultura — Parte III: La caja de herramientas del investigador

Dónde encaja esto — Detectar (prevención secundaria). La detección temprana vale lo que vale la prueba que hay detrás. Este capítulo cuantifica cuánto confiar en una qPCR o un cultivo, completa la corrección de prevalencia aparente vs. verdadera del Capítulo 4 y sustenta toda decisión de vigilancia de los Capítulos 8 y 12.

6.1 Panorama

Un resultado de laboratorio no es la verdad; es evidencia sobre la verdad, y su peso depende de la exactitud de la prueba y de cuán común es la enfermedad. Este capítulo cubre los números que convierten un “positivo” en una decisión: sensibilidad y especificidad (propiedades de la prueba), valores predictivos (lo que un resultado significa para este pez, que depende de la prevalencia), razones de verosimilitud, la curva ROC para elegir un punto de corte y la concordancia entre pruebas cuando no hay un estándar de oro. El ejemplo es la detección de P. salmonis por qPCR y cultivo —justo el problema que tu charla planteó como “¿qué hacemos cuando la PCR no coincide con la clínica?”—.

Usamos srs_diagnostics.csv: 400 salmones con un resultado de qPCR, su valor Ct, un resultado de cultivo y (para enseñar) el estado real de infección.

6.2 6.1 Preparación

pacman::p_load(rio, here, tidyverse, janitor, epiR, pROC)

dx <- import(here("data", "srs_diagnostics.csv"))
glimpse(dx)

6.3 6.2 Sensibilidad y especificidad

	Infectado	Sano
qPCR positivo	107 (VP)	9 (FP)
qPCR negativo	8 (FN)	276 (VN)

Sensibilidad (Se) = VP/(VP+FN) = 107/115 = 0,93 — de los peces realmente infectados, el 93 % da positivo.
Especificidad (Sp) = VN/(VN+FP) = 276/285 = 0,97 — de los peces realmente sanos, el 97 % da negativo.

La Se y la Sp son (aproximadamente) propiedades de la prueba, estables entre contextos. Responden “si conozco el estado real, ¿cómo se comportará la prueba?” —lo contrario de lo que enfrenta el clínico—.

🧮 Epivet Tools — Evaluación de pruebas diagnósticas Ingresa VP/FP/FN/VN para Se, Sp, VPP, VPN y razones de verosimilitud, y observa cómo el VPP cambia con la prevalencia: tools.epivet.cl/dx-test. Modelo de referencia: Ausvet EpiTools.

6.4 6.3 Los valores predictivos dependen de la prevalencia

La pregunta real del centro es la inversa: dado un resultado positivo, ¿cuán probable es que este pez esté realmente infectado? Ese es el valor predictivo positivo (VPP), y depende de la prevalencia en la población evaluada.

VPP = VP/(VP+FP) = 107/116 = 0,92
VPN = VN/(VN+FN) = 276/284 = 0,97

A la prevalencia de la muestra (29 %), una qPCR positiva significa un 92 % de probabilidad de infección real. Pero mira qué pasa cuando la misma prueba se usa para vigilancia en una población de baja prevalencia —digamos 5 % infectado—:

Se <- 0.93; Sp <- 0.97; prev <- 0.05
(Se*prev) / (Se*prev + (1-Sp)*(1-prev))   # 0.61

El VPP se desploma al 61 % —cuatro de cada diez positivos son ahora falsas alarmas, aunque la prueba no cambió—. Esta es la idea más importante del diagnóstico: la misma prueba significa cosas distintas en poblaciones distintas. Por eso un positivo en un brote es casi definitivo, mientras que un positivo en una zona limpia exige confirmación.

6.5 6.4 Razones de verosimilitud

Las razones de verosimilitud (LR) combinan Se y Sp en cuánto un resultado desplaza los odds de infección, y (a diferencia de los valores predictivos) no dependen de la prevalencia:

LR+ = Se/(1−Sp) = ≈ 30 — un positivo es 30× más probable en un pez infectado que en uno sano (fuerte).
LR− = (1−Se)/Sp = 0,07 — un negativo casi descarta la infección.

6.6 6.5 Elegir un punto de corte: la curva ROC

El resultado de la qPCR dependió de un punto de corte de Ct (positivo si Ct ≤ 36). Mueve el corte y cambias sensibilidad por especificidad. La curva ROC grafica ese compromiso en todos los cortes; el área bajo ella (AUC) resume la discriminación global (0,5 = inútil, 1,0 = perfecta):

roc_ct <- roc(response = dx$true_status, predictor = dx$ct_value,
              levels = c("clear","infected"), direction = ">")
auc(roc_ct)        # 0.96
plot(roc_ct)

Aquí AUC = 0,96 —el valor Ct discrimina muy bien infectados de sanos—. El corte que maximiza el índice de Youden (Se + Sp − 1), aquí 0,90, es la elección “equilibrada” —pero el corte operativo correcto depende del propósito: tamizar para ausencia quiere alta sensibilidad; confirmar antes de antibióticos quiere alta especificidad—.

6.7 6.6 Cuando no hay estándar de oro

Arriba hicimos trampa al conocer true_status. En realidad cultivo y qPCR son ambos imperfectos y discrepan. El kappa de Cohen mide la concordancia más allá del azar:

epi.kappa(table(dx$qpcr, dx$culture))   # kappa ~ 0.53

La concordancia es solo moderada (κ = 0,53) —porque el cultivo pierde muchas infecciones reales que la qPCR capta (su sensibilidad es ~5–30× menor; Laurin et al., 2020)—. Cuando ninguna prueba es perfecta, los modelos de clases latentes estiman Se y Sp sin estándar de oro. Y el problema se agrava entre laboratorios: un ensayo ciego de los laboratorios chilenos autorizados halló puntos de corte distintos y detección inconsistente de cargas bajas (Peña et al., 2025) —así que “qPCR positivo” no es una sola cosa, y los valores Ct solo son comparables dentro de un mismo laboratorio y método—.

6.7.1 Completar la corrección de prevalencia verdadera

Con la Se y la Sp podemos completar el puente del Capítulo 4. La prevalencia aparente del 29 % se corrige a una prevalencia verdadera vía Rogan–Gladen:

ap <- 0.29
(ap + Sp - 1) / (Se + Sp - 1)    # prevalencia verdadera

Como esta prueba es exacta, la corrección es pequeña aquí —pero en un escenario de vigilancia de baja prevalencia con una prueba imperfecta, la brecha puede ser grande y nunca debe ignorarse—.

6.8 6.7 Interpretación en el centro de cultivo

Detectar bien significa leer un resultado en contexto: un positivo en una zona limpia (VPP bajo) dispara confirmación, no tratamiento; un negativo con mortalidad tipo SRS exige revisar el muestreo, el blanco del ensayo y la posibilidad de otro agente (incluso P. nova, que puede leerse como P. salmonis). La jerarquía práctica de tu charla cae directo de estos números —apuntar al pez correcto para subir la sensibilidad, usar laboratorios con aseguramiento de calidad para proteger la especificidad, y seguir tendencias de Ct en lugar de un valor único antes de comprometer antibióticos—.

6.9 6.8 Ejercicios

Inténtalo tú (6.1). Corre epi.tests() y confirma Se y Sp. Luego recalcula el VPP asumiendo una prevalencia del 2 % —¿cuántos de cada 10 positivos serían falsos?

6.2 Explica, usando la LR+, por qué una sola qPCR positiva es mucho más convincente durante un brote que en el tamizaje de rutina de un sitio limpio.

6.3 Construye la curva ROC para el Ct y halla el corte óptimo de Youden. Si tu objetivo fuera certificar un sitio como libre de SRS, ¿moverías el corte a favor de la sensibilidad o de la especificidad? ¿Por qué?

6.4 Aquí el cultivo tiene alta especificidad pero baja sensibilidad. Si usaras el cultivo solo como referencia para “validar” la qPCR, ¿qué error cometerías sobre la especificidad de la qPCR, y por qué los modelos de clases latentes lo evitan?

6.5 Con Rogan–Gladen (Se = 0,93, Sp = 0,97), convierte una prevalencia aparente del 10 % a verdadera. Repite con Sp = 0,90 y comenta.

6.10 Resumen y qué sigue

Sensibilidad/especificidad son propiedades de la prueba; los valores predictivos dependen de la prevalencia —el mismo positivo significa cosas distintas en brote vs. vigilancia—.
Las razones de verosimilitud actualizan la creencia y no dependen de la prevalencia.
La ROC/AUC describe la discriminación entre cortes; el corte operativo sigue al propósito.
Sin estándar de oro, cuantifica la concordancia (kappa) y estima la exactitud con clases latentes; los resultados también son dependientes del laboratorio.
La Se y la Sp completan la corrección aparente→verdadera del Capítulo 4.

En el Capítulo 7 — Elegir un diseño de estudio retrocedemos a Anticipar.

6.11 Referencias y lecturas

Laurin E, Gardner IA, et al. Estimación bayesiana de sensibilidad y especificidad para P. salmonis. J Fish Dis. 2020;43:1167–1175.
Peña A, et al., Mardones FO. Comparación interlaboratorio de qPCR para P. salmonis. J Fish Dis. 2025;48:e14044.
Dohoo I, Martin W, Stryhn H. Veterinary Epidemiologic Research. 2.ª ed. VER Inc.; 2009.
Rodger H, et al. Organismos tipo Piscirickettsia (incl. P. nova) en salmón europeo. Bull Eur Assoc Fish Pathol. 2025.

Archivos de este capítulo: data/srs_diagnostics.csv y scripts/make_srs_diagnostics.R.