AMRIGS - Associação Médica do Rio Grande do Sul — Prova 2024
No livro “Preparados para o risco: como tomar boas decisões”, o autor Gerd Gigerenzer afirma que “As faculdades de medicina devem tomar providências imediatas, antes que os pacientes se deem conta de que os médicos não compreendem os exames e tratamentos que recomendam” e cita um estudo britânico que fez a seguinte pergunta para especialistas médicos: Considere que o risco de uma mãe de 40 anos ter um bebê com síndrome de Down seja de 1%, que a sensibilidade de um teste feito no trimestre inicial da gestação seja de 90%, ou seja, o teste detecta 90% dos bebês com síndrome de Down e deixa escapar o resto, e a taxa de falsos positivos seja de 5%, significando que o exame identifica corretamente 95% de bebês sem síndrome de Down e falha nos 5% restantes, e supondo um resultado positivo nesse teste, qual é a probabilidade de que o bebê realmente tenha síndrome de Down?
Probabilidade pós-teste = (Sensibilidade x Prevalência) / [(Sensibilidade x Prevalência) + (Falso Positivo x (1-Prevalência))].
Esta questão avalia a compreensão do teorema de Bayes e a interpretação de testes diagnósticos. Mesmo com alta sensibilidade e especificidade, um teste positivo para uma condição rara (baixa prevalência) ainda pode ter um valor preditivo positivo relativamente baixo, ou seja, a probabilidade de a doença realmente estar presente após um teste positivo pode não ser tão alta quanto se imagina.
A interpretação de testes diagnósticos e de rastreamento é uma habilidade fundamental na prática médica, especialmente em obstetrícia, onde o rastreamento para aneuploidias como a Síndrome de Down é rotineiro. A questão aborda um conceito crucial: a probabilidade pós-teste, que é frequentemente mal compreendida, mesmo por profissionais experientes. O Teorema de Bayes é a ferramenta matemática para calcular essa probabilidade. Para calcular a probabilidade de o bebê realmente ter Síndrome de Down dado um teste positivo, usamos o Teorema de Bayes. Dados: Prevalência (P(D)) = 1% = 0,01. Sensibilidade (P(T+|D)) = 90% = 0,90. Taxa de Falsos Positivos (P(T+|não D)) = 5% = 0,05. P(D|T+) = [P(T+|D) * P(D)] / [P(T+|D) * P(D) + P(T+|não D) * P(não D)] P(D|T+) = [0,90 * 0,01] / [0,90 * 0,01 + 0,05 * (1 - 0,01)] P(D|T+) = 0,009 / [0,009 + 0,05 * 0,99] P(D|T+) = 0,009 / [0,009 + 0,0495] P(D|T+) = 0,009 / 0,0585 ≈ 0,1538 ou 15,38%. Este resultado demonstra que, mesmo com um teste positivo e boa sensibilidade, a probabilidade de ter a doença é de aproximadamente 15,38%, o que se enquadra na alternativa "Entre 10% e 20%". Isso ressalta a importância de não confundir a sensibilidade do teste com a probabilidade real da doença após um resultado positivo, especialmente em condições de baixa prevalência. A educação médica deve enfatizar a compreensão dessas estatísticas para uma comunicação eficaz com os pacientes e decisões clínicas informadas.
O Teorema de Bayes é uma fórmula matemática que permite calcular a probabilidade de um evento (como ter uma doença) dado que outro evento (como um resultado de teste) ocorreu, atualizando a probabilidade pré-teste com base na evidência do teste.
A prevalência da doença tem um impacto significativo no valor preditivo positivo (VPP). Quanto menor a prevalência da doença na população testada, menor será o VPP de um teste positivo, mesmo que o teste tenha alta sensibilidade e especificidade.
É crucial para evitar ansiedade desnecessária e decisões clínicas precipitadas. Um resultado positivo em um teste de rastreamento não significa um diagnóstico definitivo, mas sim um aumento da probabilidade, que deve ser confirmado por testes diagnósticos invasivos, como amniocentese ou biópsia de vilo corial.
Responda esta e mais de 150 mil questões comentadas no MedEvo — a plataforma de residência médica com IA.
Responder questão no MedEvo