Por que valores preditivos não são uma boa forma de dar diagnóstico clínico.

Você já deve ter ouvido falar em valores preditivos. Talvez até tenha usado na prática, ou lido em alguma bula de teste diagnóstico. O valor preditivo positivo (VPP) é definido como a probabilidade de um paciente ter a doença dado que o teste foi positivo. O valor preditivo negativo (VPN), por sua vez, é a probabilidade de o paciente não ter a doença dado que o teste foi negativo.

Parecia útil quando ensinaram. Mas aqui vou mostrar que os valores preditivos são uma armadilha para o raciocínio clínico.

Valores preditivos são a probabilidade pós-teste de Bayes

Primeiro, um esclarecimento importante: os valores preditivos não são métricas separadas do raciocínio bayesiano. Eles são o próprio teorema de Bayes aplicado.

Vou demonstrar isso passo a passo.

Passo 1: O teorema de Bayes

O teorema de Bayes, em sua forma clássica, é:

$$P(A \mid B) = \frac{P(B \mid A) \times P(A)}{P(B)}$$

Em palavras: a probabilidade de A dado que B ocorreu é igual à probabilidade de B dado A, multiplicada pela probabilidade prévia de A, dividida pela probabilidade total de B.

Passo 2: Aplicando ao diagnóstico

No contexto diagnóstico, queremos saber: qual a probabilidade de o paciente ter a doença, dado que o teste foi positivo?

Substituindo na fórmula:

$$P(\text{Doença} \mid \text{Teste}^{+}) = \frac{P(\text{Teste}^{+} \mid \text{Doença}) \times P(\text{Doença})}{P(\text{Teste}^{+})}$$

Agora, vamos traduzir cada termo:

• P(Teste⁺|Doença) = probabilidade de teste positivo entre os doentes = Sensibilidade
• P(Doença) = probabilidade prévia de doença na população = Prevalência
• P(Teste⁺) = probabilidade total de um teste positivo (em doentes + saudáveis)

Passo 3: Calculando P(Teste⁺) — o denominador

A probabilidade total de um teste positivo vem de duas fontes: testes positivos em pessoas doentes (verdadeiros positivos) e testes positivos em pessoas saudáveis (falsos positivos).

Pela lei da probabilidade total:

$$P(\text{Teste}^{+}) = P(\text{Teste}^{+} \mid \text{Doença}) \times P(\text{Doença}) + P(\text{Teste}^{+} \mid \text{Saudável}) \times P(\text{Saudável})$$

Traduzindo:

• P(Teste⁺|Doença) = Sensibilidade
• P(Doença) = Prevalência
• P(Teste⁺|Saudável) = probabilidade de teste positivo entre saudáveis = taxa de falso positivo = (1 - Especificidade)
• P(Saudável) = (1 - Prevalência)

Portanto:

$$P(\text{Teste}^{+}) = \text{Sensibilidade} \times \text{Prevalência} + (1 - \text{Especificidade}) \times (1 - \text{Prevalência})$$

Passo 4: A fórmula completa

Substituindo tudo na fórmula de Bayes:

$$P(\text{Doença} \mid \text{Teste}^{+}) = \frac{\text{Sensibilidade} \times \text{Prevalência}}{\text{Sensibilidade} \times \text{Prevalência} + (1 - \text{Especificidade}) \times (1 - \text{Prevalência})}$$

Passo 5: Comparando com o VPP

Agora olhe a definição do Valor Preditivo Positivo:

$$\text{VPP} = \frac{\text{Verdadeiros Positivos}}{\text{Todos os Positivos}} = \frac{\text{VP}}{\text{VP} + \text{FP}}$$

Se pensarmos em termos de uma população hipotética de tamanho N:

• Número de doentes = N × Prevalência
• Número de saudáveis = N × (1 - Prevalência)
• Verdadeiros positivos (VP) = Doentes × Sensibilidade = N × Prevalência × Sensibilidade
• Falsos positivos (FP) = Saudáveis × (1 - Especificidade) = N × (1 - Prevalência) × (1 - Especificidade)

Substituindo:

$$\text{VPP} = \frac{\text{Prevalência} \times \text{Sensibilidade}}{\text{Prevalência} \times \text{Sensibilidade} + (1 - \text{Prevalência}) \times (1 - \text{Especificidade})}$$

E o teorema de Bayes:

$$P(\text{Doença} \mid \text{Teste}^{+}) = \frac{\text{Prevalência} \times \text{Sensibilidade}}{\text{Prevalência} \times \text{Sensibilidade} + (1 - \text{Prevalência}) \times (1 - \text{Especificidade})}$$

É exatamente a mesma fórmula.

O que isso significa

O VPP não é uma métrica independente. Ele é simplesmente o resultado do teorema de Bayes quando você usa a prevalência da população como probabilidade pré-teste.

Isso tem uma implicação enorme: toda vez que você usa o VPP de um estudo, você está implicitamente assumindo que a prevalência daquele estudo se aplica ao seu paciente.

Por que isso importa? Porque entender que VPP = probabilidade pós-teste de Bayes com prevalência revela o problema fundamental dessa métrica.

Problema 1: Os valores preditivos variam com a prevalência

Como a prevalência entra diretamente na fórmula, os valores preditivos mudam drasticamente dependendo da população estudada.

Um teste com sensibilidade de 90% e especificidade de 90% terá:

• VPP de 50% se a prevalência for 10%
• VPP de 90% se a prevalência for 50%
• VPP de 99% se a prevalência for 90%

O mesmo teste. As mesmas características operacionais. Resultados completamente diferentes.

Agora vem o problema prático: de onde vem a prevalência que gera o VPP que você leu na literatura?

Em muitos estudos de acurácia diagnóstica, especialmente os do tipo caso-controle, a prevalência é artificialmente truncada. O pesquisador seleciona, por exemplo, 100 pacientes com a doença confirmada e 100 controles saudáveis. A “prevalência” nesse cenário é 50% — uma prevalência fabricada que provavelmente não corresponde à realidade do seu ambulatório ou pronto-socorro.

Estudos transversais são melhores, mas ainda assim a prevalência observada em um centro terciário de referência será diferente da prevalência em uma UBS. A prevalência de embolia pulmonar em um hospital universitário não é a mesma de uma cidade pequena do interior.

Quando você lê que um teste tem VPP de 85%, a pergunta imediata deveria ser: em que população? Com que prevalência? Essa prevalência se aplica ao meu contexto?

Problema 2: Valores preditivos ignoram o paciente que está na sua frente

Aqui está o cerne da questão.

Os valores preditivos usam a prevalência da população como probabilidade pré-teste. Mas quando um paciente entra no seu consultório e conta sua história, ele deixou de ser um membro aleatório da população.

Imagine dois cenários:

Cenário A: Um homem de 65 anos, hipertenso, diabético, tabagista, chega ao pronto-socorro com dor torácica típica irradiando para o membro superior esquerdo, sudorese e náusea.

Cenário B: Uma mulher de 25 anos, saudável, atleta, chega para um check-up de rotina sem queixa alguma.

A prevalência de infarto agudo do miocárdio na população geral pode ser 1%. Mas faz sentido usar essa mesma prevalência para ambos os pacientes? Obviamente não.

O paciente A tem uma probabilidade pré-teste de IAM que pode ser 60%, 70%, talvez mais. O paciente B tem uma probabilidade pré-teste próxima de zero.

Quando você usa o VPP “de bula” — calculado com a prevalência do estudo original — você está ignorando completamente a individualidade clínica. Você está tratando todos os pacientes como se fossem membros intercambiáveis de uma população homogênea.

Isso não é medicina.

A solução: razões de verossimilhança

As razões de verossimilhança (likelihood ratios, ou LRs) resolvem esses problemas.

A razão de verossimilhança positiva (RV+) é definida como:

$$\text{RV}^{+} = \frac{\text{Sensibilidade}}{1 - \text{Especificidade}}$$

E a razão de verossimilhança negativa (RV-):

$$\text{RV}^{-} = \frac{1 - \text{Sensibilidade}}{\text{Especificidade}}$$

Observe algo crucial: não há prevalência nessas fórmulas. As razões de verossimilhança dependem apenas da sensibilidade e especificidade — características intrínsecas do teste.

Isso significa que a RV+ de um teste é a mesma independentemente de você estar em um hospital terciário ou em uma UBS. A métrica é transportável entre contextos.

Mais importante: as razões de verossimilhança foram feitas para serem usadas em conjunto com sua estimativa de probabilidade pré-teste. Elas respondem à pergunta certa: “dado que o teste foi positivo, por quantas vezes a chance de doença aumentou?”

Se você estima que seu paciente tem 20% de probabilidade de ter a doença (baseado na história e exame físico), e o teste positivo tem uma RV+ de 10, a chance de doença é multiplicada por 10. Usando o nomograma de Fagan ou a conversão probabilidade-chance, você chega a uma probabilidade pós-teste de aproximadamente 71%.

Mas se outro paciente tem apenas 2% de probabilidade pré-teste, o mesmo teste positivo (RV+ = 10) resulta em uma probabilidade pós-teste de cerca de 17%.

O teste é o mesmo. A RV+ é a mesma. Mas a interpretação é completamente diferente porque a probabilidade pré-teste era diferente.

Isso é raciocínio clínico.

Uma ressalva

As razões de verossimilhança não são perfeitas. Embora não variem com a prevalência (já que não dependem dela), elas podem variar de estudo para estudo dependendo do espectro da doença avaliado.

Um estudo que inclui apenas casos graves da doença tenderá a ter uma sensibilidade maior do que um estudo que inclui também casos leves ou atípicos. Da mesma forma, a especificidade pode variar dependendo de quão saudáveis são os controles.

Esse fenômeno — chamado de spectrum effect ou viés de espectro — é importante e merece uma discussão detalhada. Mas isso fica para outro post.

---

Publicado originalmente em MBE Descomplicada, em 25 de janeiro de 2026.