Calculadora de sensibilidad y especificidad

Calcula sensibilidad, especificidad, valores predictivos y exactitud diagnóstica a partir de una matriz de confusión.

Exactitud de la prueba diagnóstica

Introduce los recuentos de los cuatro resultados de tu prueba diagnóstica.

Verdaderos positivos (TP)

Falsos positivos (FP)

Verdaderos negativos (TN)

Falsos negativos (FN)

Acerca de la sensibilidad y la especificidad

La sensibilidad y la especificidad describen la capacidad de una prueba diagnóstica para distinguir personas o casos con una condición de aquellos que no la tienen. El cálculo parte de una matriz de confusión con cuatro recuentos. Los verdaderos positivos son casos afectados clasificados correctamente como positivos; los falsos negativos son casos afectados que la prueba no detecta. Los verdaderos negativos son casos no afectados clasificados correctamente como negativos, y los falsos positivos son casos no afectados señalados erróneamente como positivos. Distinguir estos grupos aclara cada resultado. La sensibilidad, también llamada tasa de verdaderos positivos o exhaustividad, es TP dividido entre TP más FN. Responde: de todos los casos que realmente tienen la condición, ¿qué proporción detectó la prueba? Una prueba de cribado muy sensible genera pocos falsos negativos. La especificidad, o tasa de verdaderos negativos, es TN dividido entre TN más FP. Responde: de los casos que realmente no tienen la condición, ¿qué proporción descartó correctamente? Una prueba confirmatoria muy específica genera pocos falsos positivos. El valor predictivo positivo es TP dividido entre TP más FP, y el negativo es TN dividido entre TN más FN. Estos valores expresan la probabilidad de que un resultado observado sea correcto en la población evaluada. A diferencia de la sensibilidad y la especificidad, pueden cambiar mucho cuando cambia la prevalencia. Por eso, un resultado positivo del mismo ensayo puede tener distinto valor predictivo en una clínica de alto riesgo y en un cribado poblacional amplio. La exactitud es la suma de TP y TN dividida entre todas las observaciones. Es fácil de entender, pero puede ocultar un mal desempeño en la clase minoritaria si un resultado es mucho más frecuente. Usa recuentos enteros de una misma población de estudio y un mismo umbral de decisión. No introduzcas porcentajes en lugar de recuentos. Al comparar pruebas, considera intervalos de confianza, tamaño de muestra, prevalencia, diseño del estudio y consecuencias de cada error, en vez de elegir el mayor porcentaje aislado. Las decisiones médicas también requieren contexto clínico, umbrales validados y criterio profesional. Esta calculadora proporciona estimaciones puntuales deterministas para educación, comprobaciones de investigación, aseguramiento de calidad y revisión de clasificación en aprendizaje automático; no sustituye un análisis estadístico completo ni la interpretación clínica.

Ejemplos de sensibilidad y especificidad

Estas matrices de confusión ilustran patrones habituales de rendimiento diagnóstico.

Matriz de confusión	Resultados clave	Interpretación
TP 80, FP 10, TN 90, FN 20	Sensibilidad 80%; especificidad 90%; exactitud 85%	La prueba detecta cuatro de cada cinco casos afectados y descarta correctamente nueve de cada diez no afectados.
TP 95, FP 20, TN 180, FN 5	Sensibilidad 95%; especificidad 90%; exactitud 91.67%	La alta sensibilidad hace útil este patrón cuando no detectar casos tiene un costo especialmente alto.
TP 40, FP 5, TN 95, FN 10	Sensibilidad 80%; especificidad 95%; exactitud 90%	Los pocos falsos positivos producen alta especificidad y un valor predictivo positivo de 88.89%.

Cómo calcular la exactitud diagnóstica

Cuenta los verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos de una misma población.
Introduce cada recuento no negativo en su campo.
Selecciona Calcular métricas para obtener sensibilidad, especificidad, valores predictivos y exactitud.
Interpreta las métricas en conjunto y considera prevalencia, tamaño de muestra y costo de cada error.

Preguntas frecuentes sobre sensibilidad y especificidad

¿Qué diferencia hay entre sensibilidad y especificidad?

La sensibilidad mide la proporción de casos realmente positivos que detecta una prueba. La especificidad mide la proporción de casos realmente negativos que descarta correctamente.

¿Qué sensibilidad o especificidad se considera buena?

No existe un umbral universal: el rendimiento aceptable depende del uso y de las consecuencias de los errores. El cribado suele priorizar sensibilidad y la confirmación puede priorizar especificidad.

¿Por qué cambian los valores predictivos con la prevalencia?

Los valores predictivos están condicionados al resultado de la prueba, por lo que importa la proporción de afectados en la población evaluada. El valor predictivo positivo suele aumentar con la prevalencia, aunque sensibilidad y especificidad no cambien.

¿La exactitud puede ser engañosa?

Sí, sobre todo cuando una clase es mucho más frecuente que la otra. Un clasificador puede tener alta exactitud y funcionar mal en una clase poco frecuente pero importante.

¿Puedo introducir porcentajes en lugar de recuentos?

No, introduce los cuatro recuentos observados de la matriz de confusión. La calculadora los convierte en porcentajes con los denominadores correspondientes.