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"