Calculadora de probabilidad postprueba
Con una probabilidad previa de 0,01, un positivo en una prueba con sensibilidad 0,9 y especificidad 0,95 eleva la probabilidad de enfermedad solo hasta 0,153846153846. Indique la probabilidad previa, los dos datos de la prueba y el resultado para ver la cifra actualizada. Gratis en su navegador.
- Gratis
- Funciona en su navegador
- Sin registro
- Sus datos no salen de su equipo
Ejecutar — gratis
Ejemplo resuelto
- Probabilidad preprueba
- 0,01
- Sensibilidad
- 0,9
- Especificidad
- 0,95
- Resultado de la prueba
- Positive
- Probabilidad posprueba
- 0,1538461538
- Razón de verosimilitud
- 18
La probabilidad postprueba es la chance de que una persona tenga de verdad la enfermedad objetivo una vez conocido el resultado de una prueba diagnóstica. Los clínicos, los estudiantes y los autores de guías parten de una probabilidad preprueba —la prevalencia o la sospecha clínica antes del ensayo— y la combinan con la sensibilidad y la especificidad de la prueba para actualizar esa creencia ante un resultado positivo o negativo. Esta calculadora realiza esa actualización con la regla de Bayes en su forma diagnóstica: un resultado positivo multiplica las razones preprueba por la razón de verosimilitud positiva, y un resultado negativo las multiplica por la razón de verosimilitud negativa.
Qué responde la probabilidad postprueba y cómo se actualiza
Una prueba diagnóstica no sustituye la pregunta de si hay enfermedad; la revisa. Antes del ensayo usted ya sostiene una probabilidad preprueba, a menudo la prevalencia local o una sospecha clínica tras la historia y la exploración. La sensibilidad es la chance de que la prueba sea positiva cuando la enfermedad está de verdad presente.
La especificidad es la chance de que sea negativa cuando la enfermedad está de verdad ausente. Esas dos características de operación, junto con el resultado observado, determinan cuánto debe moverse la creencia. Ante un resultado positivo el posterior es la sensibilidad por la probabilidad preprueba, dividido por ese mismo producto más uno menos la especificidad por uno menos la probabilidad preprueba.
Ante un resultado negativo el numerador pasa a ser uno menos la sensibilidad por la probabilidad preprueba, y el término complementario del denominador es la especificidad por uno menos la probabilidad preprueba. Las mismas identidades aparecen como razones de verosimilitud: la positiva es la sensibilidad sobre uno menos la especificidad, y la negativa es uno menos la sensibilidad sobre la especificidad. Las razones preprueba equivalen a la probabilidad preprueba sobre uno menos esa probabilidad; multiplicar por la razón que corresponde y volver a convertir a probabilidad produce el mismo posterior.
Por eso un cribado muy preciso puede dejar aun así una chance postprueba modesta cuando la enfermedad es rara: los falsos positivos dominan el conjunto de resultados positivos. El valor predictivo positivo es simplemente el nombre especial de la probabilidad postprueba tras un resultado positivo; tras uno negativo, la cantidad complementaria es uno menos el valor predictivo negativo. Esta página calcula ese único posterior para el resultado que usted observó.
No encadena pruebas secuenciales, no ajusta curvas ROC y no inventa una prevalencia a partir de una tabla de contingencia. Cuando el resultado observado tiene probabilidad cero bajo los números que usted envió —por ejemplo un positivo cuando la especificidad es uno y la sensibilidad o la probabilidad preprueba es cero— el posterior no está definido matemáticamente y la llamada falla en lugar de devolver NaN.
Dónde una calculadora de probabilidad postprueba aporta valor
Los cursos de medicina basada en evidencia usan una calculadora de probabilidad postprueba para que quien aprende vea cómo la prevalencia, y no solo la exactitud anunciada, impulsa la chance de enfermedad tras un cribado. Las notas de programas de cribado y los clubes de revistas suelen citar el posterior tras una mamografía, una troponina o un antígeno rápido positivos a partir de la sensibilidad, la especificidad y la prevalencia local publicadas; llamar a un extremo parse diminuto evita arrastrar un paquete estadístico completo por cuatro números.
No confunda esta página con una de teorema de Bayes general que toma una tasa de falsos positivos y ningún resultado observado, ni con una de valor predictivo positivo que nunca trata un ensayo negativo: aquí la intención de búsqueda es el posterior clínico tras un resultado diagnóstico conocido. Mantenga las solicitudes pequeñas, fije el posterior redondeado en las pruebas y obtendrá probabilidades postprueba reproducibles para deberes, plugins de LMS y workers de borde sin montar infraestructura de álgebra simbólica propia.
Convierta siempre los porcentajes al intervalo unitario antes de llamar, y trate la razón de verosimilitud devuelta como leyenda junto a la probabilidad para que el lector vea el multiplicador de razones y la chance final de enfermedad.
Qué puede hacer con ella
Ejemplos de aula sobre enfermedades raras
Muestre a los estudiantes cómo una prueba con 90% de sensibilidad y 95% de especificidad deja aun así un posterior modesto cuando la prevalencia es 1%, tanto en un resultado positivo como en uno negativo.
Corrección automática de exámenes y LMS
Califique ítems de Bayes diagnóstico con un oráculo determinista que rechaza cualquier probabilidad fuera de 0 a 1 y nunca inventa un posterior cuando el resultado es imposible.
Notas de cribado y clubes de revistas
Convierta la sensibilidad, la especificidad y la prevalencia local publicadas más el resultado observado en una chance postprueba de enfermedad sin una biblioteca estadística.
Preguntas frecuentes
¿Qué fórmula usa la calculadora de probabilidad postprueba?
Esos mismos números son la actualización por razón de verosimilitud de las razones preprueba.
¿Qué ocurre si una probabilidad queda fuera de 0 a 1?
Las probabilidades deben quedar en el intervalo cerrado de cero a uno; nunca se recortan.
¿En qué se diferencia del valor predictivo positivo?
El valor predictivo positivo es la probabilidad postprueba tras un resultado positivo. Esta herramienta también acepta un resultado negativo, que produce el posterior P(D|T−). Uno menos ese posterior es el valor predictivo negativo.
¿Cuánto cuesta la calculadora de probabilidad postprueba?
La herramienta del navegador es gratuita y se ejecuta en local.
¿Qué probabilidad previa debo introducir?
La prevalencia local de la enfermedad o su sospecha clínica tras la historia y la exploración, escrita como un número entre 0 y 1. Por ejemplo, una prevalencia del 1 % se introduce como 0,01.
Herramientas relacionadas
Para desarrolladores — acceso por API
Todo lo de esta página está disponible por programación. Esta sección es para equipos que quieren integrarlo en sus sistemas; el resto puede usar la herramienta de arriba sin más.
Endpoint de API
¿Prefiere automatizarlo? Un POST autenticado crea la tarea; el resultado llega por webhook o enlace firmado. La misma capacidad también se ejecuta aquí en la web, por email y desde Telegram — y pronto también desde nuestra app.
Llámela desde su stack
curl -X POST https://api.kit.forhosting.com/stat/post-test-probability \
-H "Authorization: Bearer $KIT_KEY" \
-H "Content-Type: application/json" \
-d '{"pretest_probability":0.01,"sensitivity":0.9,"specificity":0.95,"test_result":"positive"}'const res = await fetch("https://api.kit.forhosting.com/stat/post-test-probability", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.KIT_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
"pretest_probability": 0.01,
"sensitivity": 0.9,
"specificity": 0.95,
"test_result": "positive"
})
});
const { task_id } = await res.json();import os, requests
res = requests.post(
"https://api.kit.forhosting.com/stat/post-test-probability",
headers={"Authorization": f"Bearer {os.environ['KIT_KEY']}"},
json={
"pretest_probability": 0.01,
"sensitivity": 0.9,
"specificity": 0.95,
"test_result": "positive"
},
)
task_id = res.json()["task_id"]<?php
$res = file_get_contents("https://api.kit.forhosting.com/stat/post-test-probability", false, stream_context_create([
"http" => [
"method" => "POST",
"header" => "Authorization: Bearer " . getenv("KIT_KEY") . "\r\nContent-Type: application/json",
"content" => '{"pretest_probability":0.01,"sensitivity":0.9,"specificity":0.95,"test_result":"positive"}',
],
]));
$task = json_decode($res, true);body := bytes.NewBufferString(`{"pretest_probability":0.01,"sensitivity":0.9,"specificity":0.95,"test_result":"positive"}`)
req, _ := http.NewRequest("POST", "https://api.kit.forhosting.com/stat/post-test-probability", body)
req.Header.Set("Authorization", "Bearer "+os.Getenv("KIT_KEY"))
req.Header.Set("Content-Type", "application/json")
res, _ := http.DefaultClient.Do(req)Ejemplo de solicitud
{
"pretest_probability": 0.01,
"sensitivity": 0.9,
"specificity": 0.95,
"test_result": "positive"
}Ejemplo de respuesta
{
"task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
"type": "stat.post_test_probability",
"status": "queued",
"_links": {
"result": "/tasks/tsk_…/result"
}
}La API es asíncrona: la llamada devuelve un task_id al instante y el resultado llega por webhook. El polling está limitado a 1 req/s por tarea.
Precio
Precio publicado — sin tokens ni créditos inventados. Una tarea fallida no se cobra.
Errores
| HTTP | Código | Significado |
|---|---|---|
401 | unauthorized | API key ausente o inválida. |
402 | insufficient_balance | El saldo no cubre el precio de la tarea. |
404 | unknown_type | El tipo de tarea no existe. |
429 | rate_limited | Demasiadas peticiones. Use el webhook en vez de sondear. |
Notas técnicas
Toda probabilidad de entrada debe quedar en el intervalo cerrado de cero a uno; los valores fuera de ese rango fallan con invalid_input en lugar de recortarse en silencio. Las llamadas API exitosas cuestan $0.002.
Contrato de entrada, forma de la respuesta y probabilidades rechazadas
Comprobación clásica: probabilidad preprueba 0.01, sensibilidad 0.9, especificidad 0.95 y un resultado positivo producen una probabilidad postprueba de unos 0.154, la advertencia de aula de que un cribado con 90% de sensibilidad y 95% de especificidad apenas sitúa una prevalencia del 1% en torno al 15%. La validación fallida no se factura. Envíe un cuerpo JSON con cuatro campos obligatorios. El campo pretest_probability es la chance preprueba de enfermedad en el intervalo cerrado de cero a uno; se aceptan los alias pre_test_probability, pretest, prevalence, prior y p. El campo sensitivity es la tasa de verdaderos positivos en el mismo intervalo; los alias sens, true_positive_rate y tpr se mapean a él. El campo specificity es la tasa de verdaderos negativos; los alias spec, true_negative_rate y tnr funcionan de forma intercambiable. El campo test_result debe ser el valor de enumeración positive o negative; se aceptan los alias result y outcome, además de atajos de aula como pos, neg, plus y minus. Cada probabilidad puede llegar como número JSON o como cadena decimal recortada, incluida la notación científica para prevalencias diminutas. Los campos ausentes, las cadenas vacías, los valores no finitos y cualquier número fuera del intervalo unitario fallan con invalid_input nombrando el campo: una probabilidad de 1.5 o de −0.05 se rechaza en lugar de recortarse, de modo que un porcentaje que nadie dividió entre cien no puede convertirse en un posterior absurdo en silencio. En el éxito el cuerpo repite las tres probabilidades normalizadas y el test_result canónico, devuelve post_test_probability redondeado a doce decimales para goldens estables, incluye likelihood_ratio cuando esa razón es finita y reescribe la identidad diagnóstica de Bayes en formula. El precio es un $0.002 fijo por solicitud exitosa con unidad item.
Dónde una calculadora de probabilidad postprueba aporta valor
Las plataformas de tutoría y los generadores de exámenes necesitan un oráculo determinista que marque como invalid_input un porcentaje escrito como noventa en lugar de 0.9, en vez de devolver en silencio un posterior que ningún espacio de probabilidad puede realizar. Como la implementación es parse de nivel A, cada llamada exitosa cuesta el $0.002 publicado, sin tokens de modelo y sin red de salida.
Preguntas técnicas
¿Qué es la razón de verosimilitud en la respuesta?
Tras un resultado positivo es sensitivity / (1 − specificity). Tras uno negativo es (1 − sensitivity) / specificity. El campo se omite cuando la razón sería infinita, para que el JSON permanezca finito.