Instituto Delyone · Iniciação em Matemática

Matemática e a Medicina

Uma exploração interativa de como a prevalência de uma doença, a sensibilidade e a especificidade de um teste influenciam a interpretação dos resultados diagnósticos.

Probabilidade pré-testeTeorema de BayesMedicina diagnóstica
Experimento interativo

O que muda quando aplicamos o mesmo teste a populações diferentes?

Movimente as três barras. O modelo considera uma população hipotética de 100.000 pessoas e calcula os resultados esperados com base na prevalência, sensibilidade e especificidade escolhidas.

0,1%
0,1%10%30%
95%
50%75%100%
95%
50%75%100%
Acurácia global95,00%
Valor preditivo positivo (VPP)1,87%
Valor preditivo negativo (VPN)99,99%
Resultados positivos5.090

Contagem esperada de resultados

ResultadoDoença presenteDoença ausente
Teste positivo954.995
Teste negativo594.905

Com prevalência baixa, mesmo um teste com boa sensibilidade e especificidade pode produzir mais falsos positivos do que verdadeiros positivos.

Como interpretar

Três métricas, perguntas diferentes

Sensibilidade

Entre as pessoas que realmente têm a doença, qual proporção recebe resultado positivo? Sensibilidade alta reduz falsos negativos.

Sensibilidade = VP / (VP + FN)

Especificidade

Entre as pessoas que não têm a doença, qual proporção recebe resultado negativo? Especificidade alta reduz falsos positivos.

Especificidade = VN / (VN + FP)

Acurácia global

Qual proporção de todos os resultados está correta? Ela depende das propriedades do teste e da composição da população estudada.

Acurácia = (VP + VN) / total

Valor preditivo positivo

Quando o teste dá positivo, qual é a probabilidade de a pessoa realmente ter a doença? Essa resposta depende fortemente da probabilidade pré-teste, que pode ser influenciada pela prevalência e pelo contexto clínico.

VPP = VP / (VP + FP)
O ponto central. A resposta de um exame não deve ser interpretada isoladamente. História clínica, exame físico, fatores de risco, qualidade técnica e contexto epidemiológico ajudam a estimar a probabilidade pré-teste. O sinal de Blumberg, por exemplo, pode modificar a suspeita clínica de apendicite, mas não determina sozinho o diagnóstico.
Aplicação ao raciocínio clínico

Da população geral ao paciente selecionado

Uma TC avaliada em pacientes com suspeita clínica de apendicite pode apresentar desempenho diferente quando aplicada a uma população com características distintas. Isso pode ocorrer por diferenças na prevalência, no espectro de gravidade, nas doenças alternativas, nos critérios de interpretação e na forma como o diagnóstico final foi confirmado.

Por isso, estudos diagnósticos precisam descrever quem foi incluído, como a amostra foi selecionada, qual padrão de referência definiu a presença da doença e como os resultados foram verificados. Sensibilidade e especificidade também podem variar entre cenários; não são garantias universais independentes da população.

Conexão com o Diagnosis

Uma linha de investigação possível é medir como o desempenho de um sistema diagnóstico muda conforme o contexto disponível: (1) apenas o resultado de um teste; (2) queixa principal; (3) anamnese e exame físico; (4) exames complementares. Cada etapa exigiria protocolo de avaliação, referência diagnóstica independente e dados de teste apropriados.

Limite deste simulador. Os números são hipotéticos e servem para demonstrar relações matemáticas, não para estimar a acurácia real de uma tomografia para apendicite ou orientar decisões clínicas. O modelo presume sensibilidade e especificidade constantes, hipótese que pode não se sustentar entre populações. Valores fracionários são arredondados apenas para exibição.
Parte 2 · Qualidade da assistência e saúde pública

Quanto vale uma boa anamnese e um bom exame físico?

Agora ampliamos o modelo: uma população passa primeiro por uma avaliação clínica — anamnese e exame físico — e somente quem apresenta avaliação positiva segue para o exame complementar. Ajuste os parâmetros e observe como a seleção clínica altera o número de exames, os resultados finais e os casos que podem passar despercebidos.

Como o modelo funciona. População hipotética de 10.000 pessoas. A avaliação clínica positiva encaminha para o exame complementar; a avaliação clínica negativa não é testada e é classificada como negativa no fluxo. Isso permite contabilizar os casos da doença que a primeira etapa não selecionou.
10%
1%25%50%

Etapa 1 — Avaliação clínica

85%
50%75%100%
80%
50%75%100%

Etapa 2 — Exame complementar

95%
50%75%100%
95%
50%75%100%
População inicial10.000
Encaminhados ao exame—
Exames evitados no modelo—
Doentes não selecionados na etapa 1—
Sensibilidade do fluxo completo—
Especificidade do fluxo completo—
Acurácia global do fluxo—
VPP final—
Pessoas com a doença que não foram diagnosticadas——
Pessoas sem a doença diagnosticadas incorretamente——

Resultados finais do percurso diagnóstico

Classificação finalDoença presenteDoença ausente
Fluxo positivo——
Fluxo negativo——

Ajuste as barras para explorar o fluxo.

Interpretação responsável. Menos exames não significa automaticamente melhor assistência: é preciso considerar os casos não selecionados, a gravidade, os riscos de atraso, custos, efeitos adversos e consequências clínicas. Os parâmetros são hipotéticos, não estimativas validadas de uma consulta ou de um exame específico. Na prática, decisões clínicas não devem ser reduzidas a uma regra binária universal.