Saturday, August 29, 2015

Teorema de Bayes e teste diagnóstico na Genética


Antes de ver o exemplo, convém ler, neste mesmo blog, as postagens:
            Teorema de Bayes 
            Testes diagnósticos: sensibilidade e especificidade.

Considere a porfiria, uma doença autossômica dominante. Toda pessoa afetada tem um genitor afetado e tem 50% de chance de transmitir o gene (e consequentemente a doença) para os filhos. Veja o heredograma, em que verde indica pessoa sem a doença e vermelho indica pessoa afetada.
 
Existe um teste para o diagnóstico precoce da doença, que tem sensibilidade  0,82 e especificidade é 0,963.
Situação 1: Uma pessoa teve resultado positivo no teste para a porfiria. Qual é a probabilidade de essa pessoa ter a doença?
Sem qualquer informação adicional, a resposta é óbvia: se a sensibilidade do teste (probabilidade de verdadeiros positivos no total de doentes) é 0,82, a probabilidade de essa pessoa ter porfiria é 0,82 ou 82%.

Situação 2: A porfiria é uma doença rara, que ocorre na população com probabilidade 0,01%. Se uma pessoa tomada ao acaso da população obtiver resultado positivo no teste para a doença, qual é a probabilidade de ela ter a doença?
Como a sensibilidade do teste é 0,82 e a especificidade é 0,963, a probabilidade de a pessoa, que teve resultado positivo no teste diagnóstico ter a doença deve ser obtida pelo teorema de Bayes. Veja o diagrama de árvore. Observando o diagrama, fica mais fácil calcular a probabilidade de a pessoa ter porfiria, dado que o teste positivou.

Situação 3: A porfiria é uma doença autossômica dominante. É dada a informação adicional de que uma pessoa que fez o teste tem um irmão germano com porfiriaSe o resultado no teste foi positivo, qual é a probabilidade de essa pessoa ter a doença?

A probabilidade de um paciente que tem irmão com a doença ter porfiria se tiver resultado positivo no teste é obtida pelo teorema de Bayes. Observe o diagrama de árvore e calcule a probabilidade pedida.

Situação 4: Uma pessoa  não conhece seu histórico genético familiar (digamos foi adotada bebê), mas um médico experiente tem o palpite de que a  probabilidade de essa pessoa ter a porfíria é 30%. Se a pessoa positivar no teste, qual é a probabilidade de essa pessoa ter porfiria? 
A probabilidade é obtida aplicando o teorema de Bayes. Veja o diagrama de árvore e o cálculo abaixo.
Pense nisto: para a mesma pergunta – qual é a probabilidade de a pessoa ter a doença? – foram obtidas respostas  diferentes. Por quê?
O teorema de Bayes permite rever um valor calculado de probabilidade com base em informação anterior. Qual das respostas é a correta? Depende da situação:

v  Na 1ª situação, a probabilidade de a pessoa ter a doença foi obtida apenas pela sensibilidade do teste.
v  Na 2ª situação, a probabilidade foi obtida considerando a baixa prevalência na população, conhecida por grandes levantamentos (surveys) feitos anteriormente.
v  Na 3ª situação, a probabilidade a priori foi obtida considerando, em seu cálculo, conhecimento de genética e a história familiar do paciente.
v  Na 4ª situação, a probabilidade foi obtida levando em conta o palpite (educated guess) do médico, ou seja, a partir de intuição clínica.

                                   IMPORTANTE
O teorema de Bayes permite incorporar conhecimentos anteriores aos fatos observados: usamos um valor de probabilidade a priori (obtida antes de saber o resultado do teste) para mais bem estimar uma probabilidade a posteriori, obtida dos dados observados. 

       Este exemplo é de 
             Motulsky, H. Intuitive Biostatistics.Oxford universityPress. 
                 1995. P133-6.















Saturday, August 15, 2015

Probabilidades de Trás pra Frente: A Lógica do Teorema de Bayes

Antes de apresentar o Teorema de Bayes, convém relembrar a definição de probabilidade condicional, para destacar a diferença entre este conceito e o próprio teorema.

❗  Definição

A probabilidade condicional de um evento B dado que ocorreu o evento A é a chance de ocorrer B sob a condição de que A tenha ocorrido. Representa-se por P(BA), que se lê: “probabilidade de B dado A”.    

                          

É importante observar que:

🔸   A e B são eventos dependentes.

🔸  O evento A ocorre antes do evento B.

                                      🛑   Exemplo

Uma urna contém cinco bolas que se diferenciam apenas pela cor: duas vermelhas e três azuis. Retiram-se duas bolas sem reposição, uma após a outra.

Pergunta: Qual a probabilidade de a segunda bola ser vermelha, sabendo que a primeira era azul?

Um diagrama de árvore ajuda a visualizar os possíveis desfechos nessa situação. Todas as probabilidades condicionais são indicadas, e a resposta à pergunta está destacada em amarelo.

          

A resposta é dada pela regra da multiplicação de probabilidades para eventos dependentes:

   TEOREMA DE BAYES

⚠️P(BAP(AB) podem parecer símbolos semelhantes, mas representam coisas diferentes. Veja dois exemplos:

1.     Seja A: “ter treinamento técnico”. Seja B: “executar um bom serviço”.

🔸 P(B∣A): probabilidade de executar um bom serviço dado que tem treinamento técnico.

🔸 P(A∣B): probabilidade de ter treinamento técnico dado que executou um bom serviço.

2.     Seja A: “ter sido bom aluno no colegial”. Seja B: “ter sido aprovado no vestibular”.

🔸 P(B∣A): probabilidade de aprovação no vestibular dado que foi bom aluno.

🔸 P(A∣B): probabilidade de ter sido bom aluno dado que foi aprovado no vestibular.

Esses pares de probabilidades aparecem frequentemente em problemas reais. Vamos buscar agora uma fórmula para calcular P(AB).

                  

Igualando as expressões:

Isolando P(AB):

         

🛑 Exemplo – Aplicando o Teorema de Bayes

Vamos voltar ao exemplo das bolas da urna, agora com uma pergunta diferente:

Pergunta: Qual é a probabilidade de a primeira bola retirada ter sido uma bola azul, sabendo que a segunda era vermelha?

Pelo diagrama de árvore, vemos que a segunda bola ser vermelha pode ocorrer de duas maneiras:

                                     ·  Azul e vermelha (A-Z)

                                     ·  Vermelha e vermelha (V-V)

O evento de interesse é: primeira azul dado segunda vermelha, isto é:

Aplicamos o teorema de Bayes. Mas vamos formalizar.

Teorema de Bayes: Sejam A e B dois eventos dependentes que ocorrem em sequência, A antes de B. A probabilidade de ocorrer A sob a condição de B ter ocorrido é dada por: 

Observe o esquema abaixo: está marcado o evento de interesse, que é a probabilidade de ocorrer A dado que B tenha ocorrido. Mas B pode ocorrer de duas maneiras: depois de A e depois de A -traço.


                        
🔔 Interpretação

O Teorema de Bayes inverte a ordem da informação:

      ·  A probabilidade condicional trata de P(BA): probabilidade de ocorrer dado que ocorreu A.

     ·  O Teorema de Bayes trata de  P(AB): probabilidade de ocorrer dado que ocorreu B, ou seja, o reverso da probabilidade condicional.

🛑 Exemplo – Teste do bafômetro

Em uma cidade, o teste do bafômetro é obrigatório.

                  ·      25% dos motoristas bebem antes de dirigir.

                  ·      Dos que bebem, 99% testam positivo.

                  ·      Dos que não bebem, 17% também testam positivo.

Pergunta: Se um motorista testou positivo, qual a chance de ele ter realmente ingerido bebida alcoólica?

Use os eventos: B: bebe; NB: não bebe ;+: teste positivo

A probabilidade pedida é:



  🛑 Exemplo – Corrida de cavalos

Dois cavalos correm: Branco e Negro.

·  Em 12 corridas anteriores, Branco venceu 5 vezes e Negro 7.

·  Em 3 das 5 vitórias de Branco, chovia.

·  Em 1 das 7 vitórias do Negro, também chovia.

Está chovendo agora. Qual a probabilidade de Branco vencer?

O que queremos é:

Use os dados no diagrama de árvore para encontrar a probabilidade: 3/4.


                        **************************

Nota: 1. Thomas Bayes (1702-1761) foi um pastor presbiteriano e matemático inglês, conhecido por ter formulado o caso especial do teorema de Bayes.