Famema/HCFMM - Faculdade de Medicina de Marília (SP) — Prova 2024
Homem de 55 anos é atendido com o relato de urgência miccional. O exame encontra um nódulo de 1 cm na próstata e o antígeno prostático sérico (PSA) é de 7 ng/mL (normal: < 4). Usando esse padrão de normalidade, esse teste tem sensibilidade de 80% e especificidade de 90% para câncer de próstata. Nessa população, um estudo transversal encontrou que 10% dos homens dessa idade têm tumor da próstata. Considerando os dados descritos, assinale a alternativa que apresenta a estimativa da probabilidade de esse homem realmente ter câncer de próstata
Probabilidade pós-teste = (Sensibilidade x Prevalência) / [(Sensibilidade x Prevalência) + (1-Especificidade) x (1-Prevalência)].
O Teorema de Bayes permite calcular a probabilidade de um paciente realmente ter uma doença (probabilidade pós-teste) dado um resultado positivo em um teste diagnóstico, considerando a sensibilidade, especificidade do teste e a prevalência da doença na população. É fundamental para a tomada de decisão clínica, pois um resultado positivo não significa 100% de certeza da doença.
O Teorema de Bayes é uma ferramenta fundamental em bioestatística e medicina baseada em evidências, permitindo atualizar a probabilidade de um evento (como a presença de uma doença) com base em novas evidências (o resultado de um teste diagnóstico). Ele é essencial para calcular a probabilidade pós-teste, ou seja, a chance de um paciente realmente ter a doença após um resultado positivo em um exame. Para aplicar o teorema, são necessários a prevalência da doença na população (probabilidade pré-teste), a sensibilidade do teste (probabilidade de um teste positivo em quem tem a doença) e a especificidade do teste (probabilidade de um teste negativo em quem não tem a doença). A fórmula permite integrar essas informações para obter uma estimativa mais precisa da probabilidade da doença no indivíduo. A compreensão do Teorema de Bayes é crucial para a prática clínica, pois evita interpretações errôneas de testes diagnósticos. Um teste com alta sensibilidade e especificidade pode ainda ter um valor preditivo positivo relativamente baixo em populações com baixa prevalência da doença, o que significa que muitos resultados positivos podem ser falsos. Isso impacta diretamente a decisão sobre investigações adicionais, tratamentos e a comunicação com o paciente, otimizando a alocação de recursos e minimizando intervenções desnecessárias.
A prevalência é crucial porque um teste com alta sensibilidade e especificidade pode ter um baixo valor preditivo positivo em populações com baixa prevalência da doença, levando a muitos falsos positivos.
Alta sensibilidade aumenta o valor preditivo negativo (probabilidade de não ter a doença se o teste for negativo), enquanto alta especificidade aumenta o valor preditivo positivo (probabilidade de ter a doença se o teste for positivo).
O VPP é a probabilidade de um indivíduo realmente ter a doença, dado que seu teste diagnóstico foi positivo. O Teorema de Bayes é a ferramenta matemática usada para calcular esse VPP, incorporando a prevalência da doença.
Responda esta e mais de 150 mil questões comentadas no MedEvo — a plataforma de residência médica com IA.
Responder questão no MedEvo