Aplicación de la quimiometría en la evaluación de los resultados del laboratorio clínico

Aplicación de la quimiometría en la evaluación de los resultados del laboratorio clínico

1. Resumen
2. Introducción
3. Las pruebas de diagnóstico por el Laboratorio Clínico se usan
4. ¿Cómo puede ser detectada una anormalidad en un exámen de laboratorio?
5. ¿Cómo establecer intervalos de referencia?
6. ¿Es significativo el cambio ocurrido?
7. Las características de desempeño de una prueba
8. ¿Cómo son las estrategias de diseño de las pruebas?
9. Conclusión
10. Referencias bibliográficas

Resumen

Se hizo una revisión de los aspectos teóricos conceptuales acerca de la Quimiometría , ciencia cuyo campo de aplicación en la práctica del laboratorio se circunscribe a: la interpretación y el uso de los datos del laboratorio para el diagnóstico y monitoreo de pacientes, calculo de intervalos de referencia, establecimiento de la significación de un resultado y como este difiere de uno previo, definición de las características de la ejecución de una prueba., evaluar la eficacia de una prueba, se revisó la forma de realización de algunos cálculos básicos haciendo énfasis en las bases estadísticas que sustentan dicha ciencia.

Palabras Claves:

Quimiometría , patología clínica, estadística, valores de referencia.

I. Introducción

La Quimiometría es la aplicación de la ciencia de las mediciones a la Patología Clínica -Quimio: de Patología Química, métricos – relacionado con la ciencia de las mediciones.

Su campo de aplicación en la práctica del laboratorio se circunscribe a:

• La interpretación y el uso de los datos del laboratorio para el diagnóstico y monitoreo de pacientes.
• Calculo de intervalos de referencia
• Establecimiento de la significación de un resultado y como este difiere de uno previo.
• Definición de las características de la ejecución de una prueba.
• Evaluar la eficacia de una prueba.
• Algunos cálculos básicos y como hacerlos.

En la práctica clínica la interpretación experta se basa en la historia y el examen físico, pero, es necesario para obtener la mejor información, del soporte de las investigaciones clínicas y junto a esto la evaluación de dichos datos de forma objetiva.

II. Las pruebas de diagnóstico por el Laboratorio Clínico se usan:

• Para pesquisar enfermedades en los sujetos sanos.
• Para identificar la enfermedad en los pacientes enfermos.
• Para confirmar el diagnóstico provisional.
• Para monitorear la respuesta al tratamiento.

Por lo tanto, la característica de la ejecución de cada prueba de laboratorio debe ser y de hecho es diferente.

Las pruebas de screning de primera línea deben ser extremadamente sensibles, es decir deben detectar TODOS los casos positivos y no debe dar ningún caso falsamente positivo. La sensibilidad de la prueba responde la interrogante – ¿Cuan buena es una prueba?

Una prueba para el diagnóstico debe ser altamente específica. Lo cual significa que no debe mal clasificar los pacientes, como positivos cuando ellos no tienen la enfermedad, por ejemplo: Verdadero negativo (No falsos positivos)- Prueba especifica.

III. ¿Cómo puede ser detectada una anormalidad en un exámen de laboratorio?

La interpretación apropiada solamente es posible si los datos de base para un individuo están disponibles antes de convertirse en enfermo. (Los pacientes como control– adoptado ampliamente antes de la cirugía mayor electiva). Pero esto no es practicable para la población de pacientes que acuden a los servicios de salud.

Por lo tanto, sólo es posible comparando con el rango de referencia (normal) para su propio grupo poblacional.

IV. ¿Cómo establecer intervalos de referencia?

Es un concepto artificial, por lo tanto debe ser dominado efectivamente. Los intervalos o valores de referencia efectivamente representan las condiciones experimentales controladas o de base.

Ejemplo: El Na+ normal de plasma es 136-148 mmol/L.

Implica el límite estricto entre normal y anormal.

Selección de la Población de referencia

Es requisito indispensable para establecer los valores de referencia que la población a la cual estos se refrieren sea seleccionada de forma optima, de manera tal, que refleje la variaciones dependientes de la edad, sexo, así como, las variaciones que se producen durante los ritmos biológicos.

Pruebe comparar manzanos y naranjas; hombres y mujeres, los niños y adultos. Imposible, pues, solamente puede compararse lo similar con los similar, los manzanos vs. manzanos, los adultos vs. adultos, las hembras vs. hembras, los niños vs. niños, embarazadas vs. embarazadas. Por tanto a la hora de establecer intervalos de referencias debe tenerse en cuenta lo anterior. Existen varios ejemplos donde los analitos muestran notable inflexiones. Ej. La fosfatasa alcalina elevada en niños comparado con adultos, la elevación en el embarazo; el cortisol del plasma muestra variaciones diurnas marcadas es necesario para definir el tiempo de la recolección de las muestras.

Cálculo de los rangos referencia

Pueden hacerse a través de dos métodos:

El método paramétrico (Gaussiano).

Es más complicado pues requiere del uso de computador cuando gran número de muestras son procesadas. Este método asume que los datos se ajustan ala distribución Gaussiana.

Pasos para su aplicación:

Calcular la media y la desviación estándar (SD)

Comprobación de la distribución Gaussiana (normal)

Determinar si los datos se adaptan a la distribución Gaussiana (normal). Para ello:

Confeccione un histograma y el chequeé las modas, la desviación, etc.

Determine la kurtosis ~ 3.0, Sesgo ~ 0,

Corresponde la Media + 2 SD = > 97.5 %, media = mediana

Haga las (Prueba de Kolmogorov-Smirnoff, Anderson Darling)-

Transforme los datos y realice los pasos anteriores.

Si se ajustan a la distribución normal estime los percentiles 2,5 y 97,5 los cuales se corresponden con valores aproximados de 2 SD a cada lado de la media o más exactamente:

2.5 percentil = X – 1.96 x SD

97.5 bpercentil = X – 19.6 x SD

Los limites de confianza al 90% para cada percentil se estima por la formula

Limite de confianza inferior = limite del percentil – 2.81 x SD/ √n

Limite de confianza superior = limite del percentil + 2.81x SD/ √n

Si los datos no se ajustan a la distribución normal, transforme los datos a otras escalas ej. Log 10, Log e, cuadrado, raíz cuadrada, etc.

Chequeé si los datos transformados se adaptan a una distribución normal, use los métodos descritos anteriormente. Calcule la media y la desviación estándar (SD) de los datos transformados. Estime los percentiles y sus limites de confianzas por las formulas dadas previamente.

Finalmente reconvierta los percentiles y susu limites de confianzas a la escala original de los datos usando la función matemática inversa por ej. Antilogaritmo, potencia, etc.

Método no paramétrico.

Para fines prácticos es un método sencillo y fiable. Están disponibles varios métodos no paramétricos, pero aquéllos basados en el método de los números ordenados son simple y exactos.

Ordene los datos de menor a mayor, el valor mínimo tiene el numero de orden 1, el siguiente tiene el numero de orden 2, así hasta el valor máximo que tendrá el valor n.

Compute el número de orden correspondiente al 2.5 y 97.5 percentil de la forma siguiente:

0.025 x (n+1) 2.5 percentil

0.975 x (n+1) 97.5 percentil

Determine el percentil encontrando el valor original que corresponde al número de orden computado Con tal de que los números de orden sean enteros. En caso de ser un número decimal promedie los valores originales situados a ambos lados de número de orden calculado.

Por ultimo determine los límites de confianza para cada percentil usando la distribución binomial. La tabla de "Intervalos de confianza no paramétricos de límite de la referencia" facilitan esto para el 0.90 intervalo de confianza de los percentiles 2.5 y 97.5. Simplemente entre en la tabla y busque los números de orden límites para cada percentil.

Tabla: Intervalos de confianza no paramétricos de límites de referencia

La tabla muestra los números orden del 90% del intervalo de confianza para los percentiles 2,5 y 97,5 para muestras con 119- 1000 valores. Para obtener el número de orden correspondiente al 97,5 percentil, sustraiga el valor del numero de orden de la tabla a (n+1), donde n es el tamaño de la muestra.

Veamos un ejemplo:

Se realizo un estudio transversal para determinar los valores de referencia de colesterol sérico en nuestra población. Para ello se tomo una muestra de 166 de donantes de sangre de ambos sexo.

Para el cálculo del intervalo de referencia ordenamos los datos en orden ascendente y asignamos los números de orden.

Valor 2.15 2.15 2.17 2.27 2.35 2.44 2.52 2.52 2.58 2.58 259 2.61

Número de orden 1 2 3 4 5 6 7 8 9 10 11 12

Valor 5.36 5.36 5.38 5.48 5.55 5.66 5.67 5.84 5.84 5.85 5.95

Número de orden 156 157 158 159 160 161 162 163 164 165 166

Calculamos el número de orden para los percentiles:

Inferior 0.025 x (166+1) = 4.1 = 4

Superior 0.975 x (166+1) = 162.8 = 163

Buscamos e valor original que corresponde al número orden:

Limite de referencia inferior (2.5 percentil): 2.27

Limite de referncia superior (97.5 percentil): 5.84

Buscamos en la tabla el numero de orden para el tamaño muestral n =167 con un nivel de confianza del 90 % y el valor que corresponde en el ordenamiento de los datos a esas cifras para el límite de referencia inferior.

Numero de orden: 1 y 9

Limites de confianzas: 2.15 y 2.58

Par el límite de referencia superior seria:

Numero de orden: 166 + 1 – 1 = 166

166 +1 – 9 = 158

Limites de confianza: 5.38 y 5.95

Resumiendo el intervalo de referencia del colesterol en la población muestra de donantes de sangre es:

Limites de referencia inferior: 2.27 (2.15 -2.58)

Limites de referencia superior: 5.84 (5.38 -5.95)

Lógicamente en este ejemplo no se estratifica la muestra de según el sexo u edad, cuestión esta a tener en consideración máxime que es de todos conocido la influencia del sexo en los nivel de colesterol sérico.

Número de los sujetos requerido para establecer rangos de referencia

La imprecisión del método puede disminuirse con el aumento del tamaño de muestra, por lo tanto, a mayor el número, es mejor. La IFCC (Federación Internacional de Química Clínica) recomienda un mínimo 120 sujetos. Estratificando por sexo, es decir 120 en cada grupo.

Para los rango de referencia relacionado con la edad – idealmente 120 en cada grupo, pero lo dificultad la obtención de las muestras de un gran numero de niños.

Otros valores de la "referencia" utilizados para el diagnóstico y el tratamiento. Los límites de acción

Sigamos con el ejemplo del colesterol, en este caso así como en las demás fracciones lipídicas la delimitación de los intervalos de referencia establecidos no tienen en cuenta los niveles de riesgo cardiovascular que dichas cifras implican. Estudios que han correlacionado las cifras de colesterol con el nivel de riesgo de sufrir enfermedades coronarias han establecido que los valores limites de son:

El valor del ideal <5.2 mmol/L

Riesgo limítrofe 5.2 mmol/ L – 6.4 mmmol/L

Riesgo moderado 6.5 mmol/L -7.8 mmol/L

Alto riesgo > 7.8 mmol/L

Fallos en uso de los rangos de referencia

Pongamos un ejemplo la creatinina del plasma- rango de referencia: 60-120 m mol/L. Un paciente con la creatinina del plasma en 100 m mol, si el valor inicial fue de 50 m mol/L, entonces claramente, la función renal ha empeorado de 50 a 100 m mol/l. Pero, no así si lo comparamos con el rango de referencia.

V. ¿Es significativo el cambio ocurrido?

Respondámonos lo siguiente:

¿Es un resultado, diferente de uno previo?

¿Es estadísticamente significativo? ¿Cómo usted lo reconoce?

Depende de la precisión del ensayo (la variación analítica) y de la variación biológica natural (repetidas mediciones hechas en un grupo de individuos).

La variación biológica y analítica

LA VARIACIÓN ANALÍTICA (o la precisión)- Son las medidas repetidas usando un solo espécimen – media y la SD, y CV.

(SD/Media) x 100 = Coeficiente de variación (CV).

LA VARIACIÓN BIOLÓGICA Es el CV para las medidas repetidas hecho a intervalos regulares en un grupo de los individuos sanos. Ej. Determinar el Na+ del plasma cada hora y calcular la media, la SD y el CV.

Las estadísticas del cambio significativo con el resultado previo

Estadísticamente si dos medidas difieren por > 2.8 SD la probabilidad de que este es debido a un cambio significativo es 0.05 (la p <0.05). O para que dos mediciones estadística, difieran significativamente (p <0.05) el 2do resultado debe ser > 2.8 el SD del primero.

Cálculo de un cambio estadísticamente significativo en el resultado de una prueba

Media 1- Media 2 / Ö ( SD 12+ el SD 22) = T = 1.96

(1.96 equivale a p <0.05 en la tabla t – de los libros de estadísticas)

Media 1- Media 2 = 1.96 x Ö (SD 12+ el SD 22)

Sí SD1 = SD2

Media 1- Media 2 = 1.96 x Ö 2(SD2) = 2.8 SD

Ejemplo. Mujer de 35 años con colesterol en plasma = 8.5 mmol/L. Se administro dieta baja en lípidos y drogas hipolipemiantes por 6 semanas. Después de 6 semanas, el colesterol del plasma fue de 7.2 mmol/L. El coeficiente de variación biológica para Colesterol (Incluyendo la variación analítica) es 4.0 % ¿Significa un cambio significativo la disminución de su nivel de colesterol?

CÁLCULO

(SD/Media) x 100 = CV (%)

El colesterol antes del tratamiento 8.5 mmol/L

(SD/8.5) x 100 = 4.0 %

SD = (8.5×4.0)/100 = 0.34 el mmol/L

2.8 X 0.34 = 0.95

8.5-0.95 = 7.55 mmol/L > 7.2 mmol/L

Sí- ¡Es estadísticamente significativo!

VI. Las características de desempeño de una prueba

Las características ejecución de una prueba deben ser descritas en términos, que nos permite hacernos un juicio objetivo de sus posibilidades. Por lo tanto, es necesario para comparar ¿Cual de las pruebas es mejor?

La sensibilidad (o positvidad ) de una prueba

Es la proporción de pacientes CON la enfermedad que es identificado correctamente por la prueba.

Verdaderos positivos/Suma del número de pacientes con la enfermedad (Verdaderos positivos + Falsos negativos

Sn = VP/ (VP+ FN)* 100

Idealmente =100 %. Es una prueba que nunca se equivoca ¡No falsos negativos!

Resultados de las pruebas de embarazo en 100 mujeres embarazadas

La especificidad (o la negatividad) de una prueba

La proporción de pacientes SIN la enfermedad que son correctamente identificados por la prueba. Pruebas verdaderos negativas. Proporción de pacientes sin la enfermedad.

Verdaderos negativos/Verdaderos negativos + Falsos positivos

Idealmente = 100 %- es una prueba perfecta.

Sp = VN/(VN+ FP)* 100

Resultados de la prueba de embarazo en 100 mujeres no embarazadas.

El valor predictivo de una prueba

Los valores predictivos dependen de la sensibilidad y de la especificidad del procedimiento, pero además de la prevalencia de la enfermedad.

La sensibilidad y la especificidad – ejecución de una prueba en función de la muestra bajo prueba.

El valor predictivo de un resultado positivo

Valor predictivo positivo es la proporción de pacientes con un examen positivo correctamente diagnosticado como positivo de la enfermedad.

Vpp = VP/(VP+ FP)*100

Valor predictivo de un resultado negativo

La proporción de pacientes con una prueba negativa que son correctamente diagnosticados como libre de la enfermedad.

Vpn = VN/(VN+FN)* 100

La eficiencia de una prueba

Es el número de resultados correctos divididos por el número del total de las pruebas

E = Verdaderos negativos + verdaderos positivos x 100

Total de pacientes examinados

E = (VP+ VN/ T)* 100

La prevalencia y la incidencia de una enfermedad

PREVALENCIA – Número de pacientes que tiene la enfermedad en el momento del

estudio Ej. El SIDA – varia de año en año.

INCIDENCIA – frecuencia de ocurrencia Ej. La fibrosis quística en UK es 1 en 2, 500.

El efecto de la prevalencia

La prevalencia afecta al valor predictivo de una prueba.

En los hospitales -una alta prevalencia de cualquiera enfermedad ® el valor predictivo es alto.

En la población general -Baja prevalencia ® bajo el valor predictivo.

Efectos de la prevalencia en el valor predictivo

El valor predictivo de un resultado positivo aumenta en forma importante en una población en la que la prevalencia de una enfermedad es alta y viceversa. El valor predictivo de un resultado negativo aumenta cuando la prevalencia disminuye y viceversa.

Cuando la prevalencia se conoce, los valores predictivos se calculan como sigue:

Valor predictivo positivo = P * Sn / [ P * Sn + (1- P) (1- Sp)]

Valor predictivo negativo = (1- P)SP / [ (1- P) Sp + P (1- Sn)]

Una prueba con una sensibilidad y la especificidad de 95 %

Sí la sensibilidad y la especificidad = 99%

VII. ¿Cómo son las estrategias de diseño de las pruebas?

Una prueba ideal es 100 % sensible y 100 % específica – pero nunca es el caso, dependen grandemente del valor de corte de la prueba – el valor de corte de diagnóstico. Factor éste que aumenta la especificidad y disminuye la sensibilidad y viceversa.

Ejemplo- F/30, el T4 libre 26 pmol/L (rango de ref. 10-20 )

El valor Corte es 26 y la prueba tiene 100 % de especificidad; los resultados positivos solamente son aquellos > 20 pmol/L

Baja la sensibilidad – las tirotoxicosis leves no se detectan.

Usando un valor de corte de 16 pmol/L- la sensibilidad aumenta pero baja la especificidad – muchos sujetos sanos se diagnostican como tirotoxicócicos.

Alcanzar la sensibilidad y la especificidad máxima depende de la naturaleza de la condición.

La sensibilidad es máxima para los test de screening de condiciones dañinas pero se hace inevitable la investigación adicional de resultados falsos positivos.

Ej. Para los pacientes seleccionados para tratamientos con drogas – una prueba alta-mente específica es la cosa necesaria – pues la droga es dada a pacientes solamente y no para sujetos sanos.

Consecuencias clínicas (costes) de falsos positivos y negativos

Por ejemplo, el hipotiroidismo congénito es una enfermedad tratable, pero, errar en el diagnóstico de un caso tiene serias consecuencias irrevocables. En este caso se requiere una prueba de alta sensibilidad; por lo tanto – Bajo valor de corte. Por el contrario, otra es la situación en la amniocentesis para el diagnostico del síndrome de Down´s, en éste caso, se debe evitar la inclusión incorrecta de caso porque la opción del tratamiento implica un riesgo mayor.

Se necesita por tanto una prueba de especificidad alta – Alto valor de corte.

Resultados de una prueba para el HIV entre los enfermos del SIDA y la sangre sana de donantes.

El cálculo de la sensibilidad, la especificidad, los valores predictivos positivos (PPV) y el valor predictivo negativo (NPV)

La sensibilidad: identificación correcta de los verdaderos positivos.

La especificidad: identificación correcta de la de verdaderos negativos.

(VPP examen con resultados positivo, VPN, pruebas con resultados negativos)

Escoger el óptimo valor de corte no es fácil y no es una decisión estadística. El mejor valor de corte debe ser escogido teniendo en cuenta el costo relativo (no financiero) asociado con los falsos positivos y falsos negativos.

Curva ROC: curva que describe (la característica operativas del receptor)

Fue primero utilizada en la segunda guerra mundial por los operadores de RADAR para diferenciar entre una señal y el ruido. Puede ser aplicado, adaptado, y utilizada para las mediciones clínicas para diferenciar entre " señal y ruido"

Teóricamente compara la eficacia de las diferentes pruebas sobre un el rango completo de puntos de corte diagnóstico.

Gráfica la sensibilidad vs. 1- especificidad para un rango de valores de corte

Una curva ROC es una gráfica donde se muestra la sensibilidad nosográfica como función de la fracción de falsos positivos entre los no enfermos (es decir 1- la especificidad nosográfica) ya que el límite de discriminación varía. A cada límite de discriminación ambos parámetros tendrán distintos valores de sensibilidad y de fracción de falsos positivos entre los no enfermos (1- Especificidad) de acuerdo a al prevalencia de la enfermedad en cuestión en la población en que se realizan las mediciones.

Ventajas de una curva ROC

1. Muestran la ejecución global de un procedimiento de medición a través de un rango completo puntos de corte
2. Permite apreciar visualmente la sensibilidad y la especificidad para decidir óptimo valor de corte.
3. Permite la comparación de dos o más pruebas y decidir cual prueba es la mejor.

Conclusión

La evaluación experta de los datos de laboratorio por parte del medico, implica por parte de este el conocimiento de conceptos elementales de estadística, y de términos particulares de la ciencia del laboratorio clínico para ¡una mejor comprensión de las posibilidades diagnosticas y la fiabilidad a la hora de evaluar un resultado de una prueba de laboratorio. Esperamos que lo que le hemos mostrado sirva para ello.

Referencias bibliográficas

1. Thielmann K. Principios de metodología en bioquímica clínica. La Habana: Editorial Organismo, Instituto cubano del libro, 1973:94-116.
2. Henry RJ, Reed AH. Valores normales y empleo de los resultados de laboratorio para la detección de enfermedades. En Henry RJ, Cannon DC, Wilkelman JW. Química clínica. Bases y técnicas. Barcelona: Jims, 2da edición, 1980: 339-65.
3. Seheer DW. Evaluación de métodos y estadísticas. En Niño HV, Barrera LA. Garantía de calidad en el laboratorio clínico. Ciudad México: Editorial Médica Panamericana, 1993:27-43.
4. Sasse EA. Valores de referencia. En Niño HV, Barrera LA. Garantía de calidad en el laboratorio clínico. Ciudad México: Editorial Médica Panamericana, 1993: 45-66.
5. Castillo de Sánchez MI. Fonseca Yerena ME. Mejoría continua de la calidad. Guía para los laboratorios clínicos de América Latina. Ciudad México: Editorial Médica Panamericana, 1995.
6. IFCC: Approved recommendation on the theory of reference values. J Clin Chem Clin Biochem. 1987(25): 650

Autor:

Dr. Jorge Calá Fernández

Medico Especialista de Primer Grado en Laboratorio Clínico

Profesor Instructor de Laboratorio Clínico, Facultad # 1, Instituto Superior de Ciencia Médicas Santiago de Cuba. Cuba.

Diplomado en: Bases Moleculares del inmunoensayo.

Fecha de realización Julio 2005

Hospital "Alberto Fernández Montes de Oca"