Al desarrollar un sistema de diagnóstico basado en Inteligencia Artificial, como uno para detectar cáncer, es común pensar que mejorar la sensibilidad es la prioridad. Sin embargo, con esto tan solo estamos considerando la mitad de la historia. Sensibilidad y especificidad son dos caras de la misma moneda, y entender su equilibrio es clave para crear modelos realmente útiles. 

Sensibilidad y Especificidad: Definiciones Claves 

 – Sensibilidad: Nos informa acerca de la proporción de enfermos de la población que son detectados como tal. En la jerga del Machine Learning diremos que la sensibilidad mide la capacidad de nuestro sistema para detectar correctamente los casos positivos. 

– Especificidad: Indica cuántos casos negativos (personas sanas) son correctamente clasificados, evitando falsos positivos. 

¿Cuándo conviene que el sistema sea más Sensible? 

En pruebas de detección temprana, como el cribado de cáncer de mama, es preferible optimizar la sensibilidad. Detectar la mayor cantidad posible de casos positivos minimiza el riesgo de que un paciente enfermo quede sin tratamiento. Un test altamente sensible, aunque genere algunos falsos positivos, permite realizar pruebas confirmatorias posteriores para afinar el diagnóstico. 

¿Cuándo importa más la Especificidad? 

En una fase final del diagnóstico, donde se decide un tratamiento invasivo o costoso, la especificidad cobra mayor relevancia. Un modelo con baja especificidad podría llevar a tratamientos innecesarios, generando efectos secundarios y altos costos sanitarios. Por ejemplo, un falso positivo en un test de cáncer podría llevar a biopsias invasivas o quimioterapia innecesaria poniendo en riesgo la vida de la persona para la que el resultado del test fue un falso positivo. 

Evaluando el Impacto Real: Más Allá de un número 

Si bien métricas como la AUC-ROC o Índice de Youden (que tienen en cuenta tanto la sensibilidad como la especificidad) pueden ayudar a equilibrar ambos factores, la decisión no debe basarse solo en estas métricas. En muchos casos, es crucial considerar el impacto económico y social: 

– Costos del tratamiento: Un test con alta tasa de falsos positivos puede disparar el gasto sanitario en pruebas adicionales. 

– Impacto en la calidad de vida: Un falso negativo puede retrasar un tratamiento vital, mientras que un falso positivo genera ansiedad y procedimientos innecesarios. 

– Perspectiva poblacional: A nivel estatal, factores como la edad del paciente y su potencial contribución económica pueden influir en la estrategia de cribado médico.