Calculadora de Sensibilidad y Especificidad

Evalúa el rendimiento de una prueba diagnóstica calculando métricas clave de precisión.

Ingresa el número de Verdaderos Positivos, Falsos Positivos, Verdaderos Negativos y Falsos Negativos para calcular sensibilidad, especificidad y más.

Ejemplos

Explora diferentes escenarios para entender cómo funcionan la sensibilidad y especificidad.

Prueba de Diagnóstico Médico

Diagnóstico Médico

Evaluando una nueva prueba de detección para una enfermedad específica en una población de 1000 personas.

VP: 90, FP: 50

VN: 850, FN: 10

Filtro de Correo No Deseado

Aprendizaje Automático

Evaluando el rendimiento de un modelo de aprendizaje automático diseñado para detectar correos no deseados.

VP: 250, FP: 20

VN: 1700, FN: 30

Control de Calidad de Manufactura

Control de Calidad

Una prueba para identificar productos defectuosos en una línea de ensamblaje.

VP: 48, FP: 5

VN: 940, FN: 7

Escenario de Alta Especificidad

Escenario de Investigación

Una prueba confirmatoria que debe ser muy buena para identificar correctamente casos negativos y evitar falsas alarmas.

VP: 150, FP: 5

VN: 995, FN: 30

Otros Títulos
Comprensión de Sensibilidad y Especificidad: Una Guía Integral
Profundiza en los conceptos fundamentales de la precisión de pruebas diagnósticas, su cálculo e importancia en el mundo real.

¿Qué son la Sensibilidad y Especificidad?

  • Definiendo los Conceptos Fundamentales
  • La Matriz de Confusión
  • Por Qué Ambas Métricas Importan
La Sensibilidad y Especificidad son medidas estadísticas utilizadas para evaluar el rendimiento de una prueba de clasificación binaria, que es una prueba que determina la presencia o ausencia de una condición, enfermedad o característica. Son conceptos fundamentales en campos como la medicina, el aprendizaje automático y el control de calidad.
Sensibilidad (Tasa de Verdaderos Positivos)
La Sensibilidad, también conocida como la Tasa de Verdaderos Positivos (TVP) o recall, mide la capacidad de una prueba para identificar correctamente a individuos que tienen la condición. Una prueba con alta sensibilidad capturará la mayoría de los casos verdaderos positivos, minimizando los falsos negativos. La fórmula es: Sensibilidad = VP / (VP + FN)
Especificidad (Tasa de Verdaderos Negativos)
La Especificidad, o la Tasa de Verdaderos Negativos (TVN), mide la capacidad de una prueba para identificar correctamente a individuos que no tienen la condición. Una prueba con alta especificidad descartará correctamente la mayoría de los casos verdaderos negativos, minimizando los falsos positivos. La fórmula es: Especificidad = VN / (VN + FP)

Analogía Simple

  • Piensa en una red de pesca. Una red con malla muy grande (alta sensibilidad) capturará todos los peces grandes pero también muchos peces pequeños no deseados y escombros (baja especificidad). Una red con malla muy pequeña (alta especificidad) solo capturará los peces grandes objetivo pero podría perderse algunos de ellos (baja sensibilidad).

Guía Paso a Paso para Usar la Calculadora

  • Ingresando Tus Datos Correctamente
  • Interpretando los Resultados Principales
  • Comprendiendo Métricas Avanzadas
Esta calculadora simplifica el proceso de evaluar la precisión de las pruebas. Sigue estos pasos para obtener tus resultados.
1. Reúne Tus Datos
Necesitas cuatro valores clave de tus resultados de prueba, a menudo organizados en una tabla 2x2 llamada matriz de confusión:
Verdaderos Positivos (VP): El número de resultados 'positivos' que son realmente positivos.
Falsos Positivos (FP): El número de resultados 'positivos' que son realmente negativos.
Verdaderos Negativos (VN): El número de resultados 'negativos' que son realmente negativos.
Falsos Negativos (FN): El número de resultados 'negativos' que son realmente positivos.
2. Ingresa los Valores
Ingresa cada uno de los cuatro valores en los campos correspondientes de la calculadora.
3. Analiza la Salida
La calculadora calculará automáticamente Sensibilidad, Especificidad, Valor Predictivo Positivo (VPP), Valor Predictivo Negativo (VPN) y otras métricas relacionadas. Porcentajes altos para estos valores generalmente indican una prueba más precisa.

Interpretando Resultados

  • Una Sensibilidad del 90% significa que la prueba identifica correctamente al 90% de las personas con la enfermedad.
  • Una Especificidad del 95% significa que la prueba identifica correctamente al 95% de las personas sin la enfermedad.

Aplicaciones en el Mundo Real

  • Diagnóstico Médico y Detección
  • Aprendizaje Automático e IA
  • Control de Calidad Industrial
Diagnóstico Médico
Esta es la aplicación más común. Por ejemplo, evaluando una prueba ELISA para VIH. La alta sensibilidad es crucial para las pruebas de detección para evitar perder cualquier caso. La alta especificidad es vital para las pruebas confirmatorias para evitar diagnosticar erróneamente a una persona sana.
Filtrado de Correo No Deseado
En el aprendizaje automático, se puede medir el rendimiento de un filtro de correo no deseado. Un resultado 'positivo' es un correo siendo clasificado como spam. Alta sensibilidad significa capturar la mayoría de correos no deseados (bajo FN). Alta especificidad significa no marcar correos importantes como spam (bajo FP).
Manufactura
Los sistemas automatizados prueban productos para defectos. Un resultado 'positivo' es un producto defectuoso. Alta sensibilidad asegura que la mayoría de artículos defectuosos sean capturados antes del envío. Alta especificidad asegura que los buenos productos no sean descartados innecesariamente.

Enfoque de Aplicación

  • Para la detección de cáncer, se prefiere una prueba de alta sensibilidad para asegurar que no se pierda ningún caso, incluso si lleva a más falsos positivos que recibirán una prueba confirmatoria de seguimiento.
  • Para un sistema legal, una prueba para determinar la culpabilidad debe tener especificidad extremadamente alta para evitar condenar a personas inocentes (minimizar falsos positivos).

Más Allá de Sensibilidad y Especificidad

  • Valores Predictivos (VPP y VPN)
  • Razones de Verosimilitud
  • La Paradoja de la Precisión
Valores Predictivos Positivos y Negativos (VPP y VPN)
Mientras que la sensibilidad y especificidad son propiedades de la prueba misma, los valores predictivos dependen de la prevalencia de la condición en la población siendo evaluada. VPP es la probabilidad de que un resultado de prueba positivo sea un verdadero positivo. VPN es la probabilidad de que un resultado de prueba negativo sea un verdadero negativo.
Razones de Verosimilitud (RV)
Las razones de verosimilitud te dicen cuánto cambia un resultado de prueba positivo o negativo la probabilidad de que un paciente tenga la enfermedad. La RV Positiva (+RV) te dice cuánto aumentar la probabilidad de enfermedad dado un resultado positivo. La RV Negativa (-RV) te dice cuánto disminuirla dado un resultado negativo.
La Paradoja de la Precisión
La precisión general puede ser una métrica engañosa, especialmente con conjuntos de datos desequilibrados (ej., enfermedades raras). Una prueba puede tener alta precisión simplemente clasificando cada caso como negativo. Por eso una combinación de métricas como sensibilidad, especificidad y puntuación F1 es más informativa.

Por Qué Otras Métricas Importan

  • Una prueba con 99% de precisión suena genial, pero si la prevalencia de una enfermedad es 1 en 10,000, un modelo que siempre predice 'negativo' será 99.99% preciso pero es completamente inútil. Esto destaca la Paradoja de la Precisión.

Derivaciones Matemáticas y Fórmulas

  • Fórmulas Principales
  • Relación entre Métricas
  • Ejemplo Trabajado
Fórmulas Principales
Sensibilidad = VP / (VP + FN)
Especificidad = VN / (VN + FP)
Precisión = (VP + VN) / (VP + FP + VN + FN)
Fórmulas de Valor Predictivo
Precisión (VPP) = VP / (VP + FP)
Valor Predictivo Negativo (VPN) = VN / (VN + FN)
Otras Fórmulas Clave
Puntuación F1 = 2 (Precisión Sensibilidad) / (Precisión + Sensibilidad)
Razón de Verosimilitud Positiva (+RV) = Sensibilidad / (1 - Especificidad)
Razón de Verosimilitud Negativa (-RV) = (1 - Sensibilidad) / Especificidad

Ejemplo de Cálculo

  • Dado: VP=80, FP=10, VN=900, FN=20. Total=1010.
  • Sensibilidad = 80 / (80 + 20) = 80 / 100 = 80%
  • Especificidad = 900 / (900 + 10) = 900 / 910 = 98.9%
  • VPP = 80 / (80 + 10) = 80 / 90 = 88.9%