Rango de referencia

Valores medidos que son relativamente normales para una prueba médica en particular

En medicina y en los campos relacionados con la salud , un rango de referencia o intervalo de referencia es el rango o intervalo de valores que se considera normal para una medición fisiológica en personas sanas (por ejemplo, la cantidad de creatinina en la sangre o la presión parcial de oxígeno ). Es una base de comparación para que un médico u otro profesional de la salud interprete un conjunto de resultados de pruebas para un paciente en particular. Algunos rangos de referencia importantes en medicina son los rangos de referencia para los análisis de sangre y los rangos de referencia para los análisis de orina .

La definición estándar de un rango de referencia (al que se suele hacer referencia si no se especifica lo contrario) se origina en lo que es más frecuente en un grupo de referencia tomado de la población general (es decir, total). Este es el rango de referencia general. Sin embargo, también existen rangos de salud óptimos (rangos que parecen tener el impacto óptimo en la salud) y rangos para condiciones o estados particulares (como rangos de referencia del embarazo para los niveles hormonales).

Los valores dentro del rango de referencia ( WRR ) son aquellos dentro de los límites normales ( WNL ). Los límites se denominan límite superior de referencia (URL) o límite superior de lo normal (LSN) y límite inferior de referencia (LRL) o límite inferior de lo normal (LLN). En las publicaciones relacionadas con la atención médica , las hojas de estilo a veces prefieren la palabra referencia en lugar de la palabra normal para evitar que los sentidos no técnicos de normal se confundan con el sentido estadístico. Los valores fuera de un rango de referencia no son necesariamente patológicos y no son necesariamente anormales en ningún sentido que no sea estadístico. No obstante, son indicadores de una probable patosis. A veces, la causa subyacente es obvia; en otros casos, se requiere un diagnóstico diferencial desafiante para determinar qué está mal y, por lo tanto, cómo tratarlo.

Un valor de corte o umbral es un límite utilizado para la clasificación binaria , principalmente entre normal y patológico (o probablemente patológico). Los métodos para establecer los valores de corte incluyen el uso de un límite superior o inferior de un rango de referencia.

Definición estándar

La definición estándar de un rango de referencia para una medición particular se define como el intervalo entre el cual se encuentran el 95% de los valores de una población de referencia, de tal manera que el 2,5% de las veces un valor será menor que el límite inferior de este intervalo, y el 2,5% de las veces será mayor que el límite superior de este intervalo, cualquiera que sea la distribución de estos valores. ^[1]

Los rangos de referencia que se dan según esta definición a veces se denominan rangos estándar .

Dado que un rango es un valor estadístico definido ( Rango (estadísticas) ) que describe el intervalo entre los valores más pequeños y más grandes, muchos, incluida la Federación Internacional de Química Clínica, prefieren utilizar la expresión intervalo de referencia en lugar de rango de referencia. ^[2]

En cuanto a la población objetivo, si no se especifica lo contrario, un rango de referencia estándar generalmente denota el que se encuentra en individuos sanos, o sin ninguna condición conocida que afecte directamente a los rangos que se establecen. Estos también se establecen utilizando grupos de referencia de la población sana, y a veces se denominan rangos normales o valores normales (y a veces rangos/valores "habituales"). Sin embargo, usar el término normal puede no ser apropiado ya que no todas las personas fuera del intervalo son anormales, y las personas que tienen una condición particular aún pueden estar dentro de este intervalo.

Sin embargo, también se pueden establecer rangos de referencia tomando muestras de toda la población, con o sin enfermedades y afecciones. En algunos casos, se toman como población a individuos enfermos, estableciéndose rangos de referencia entre aquellos que presentan una enfermedad o afección. Preferentemente, deben existir rangos de referencia específicos para cada subgrupo de la población que tenga algún factor que afecte la medición, como, por ejemplo, rangos específicos para cada sexo , grupo de edad , raza o cualquier otro determinante general .

Métodos de establecimiento

Los métodos para establecer rangos de referencia pueden basarse en la suposición de una distribución normal o una distribución log-normal , o directamente a partir de porcentajes de interés, como se detalla respectivamente en las siguientes secciones. Al establecer rangos de referencia a partir de órganos bilaterales (por ejemplo, visión o audición), se pueden utilizar ambos resultados del mismo individuo, aunque se debe tener en cuenta la correlación intra-sujeto. ^[3]

Distribución normal

Si se asume una distribución normal, el rango de referencia se obtiene midiendo los valores en un grupo de referencia y tomando dos desviaciones estándar a cada lado de la media. Esto abarca aproximadamente el 95 % de la población total.

El intervalo del 95% se estima a menudo suponiendo una distribución normal del parámetro medido, en cuyo caso se puede definir como el intervalo limitado por 1,96 ^[4] (a menudo redondeado a 2) desviaciones estándar de la población de cada lado de la media de la población (también llamada valor esperado ). Sin embargo, en el mundo real, no se conocen ni la media de la población ni la desviación estándar de la población. Ambas deben estimarse a partir de una muestra, cuyo tamaño puede designarse como n . La desviación estándar de la población se estima mediante la desviación estándar de la muestra y la media de la población se estima mediante la media de la muestra (también llamada media o media aritmética ). Para tener en cuenta estas estimaciones, el intervalo de predicción del 95% (PI del 95%) se calcula como:

95% PI = media ± t _{0,975, n −1} · √ ( n +1)/ n ·sd ,

donde es el cuartil del 97,5% de una distribución t de Student con n −1 grados de libertad . ${\displaystyle t_{0.975,n-1}}$

Cuando el tamaño de la muestra es grande ( n ≥30) ${\displaystyle t_{0.975,n-1}\simeq 2.}$

Este método suele ser aceptablemente preciso si la desviación estándar, en comparación con la media, no es muy grande. Un método más preciso consiste en realizar los cálculos sobre valores logaritmizados, como se describe en una sección independiente más adelante.

El siguiente ejemplo de este método ( no logaritmizado) se basa en valores de glucosa plasmática en ayunas tomados de un grupo de referencia de 12 sujetos: ^[5]

Como se puede obtener, por ejemplo, de una tabla de valores seleccionados de la distribución t de Student , el percentil 97,5% con (12-1) grados de libertad corresponde a ${\displaystyle t_{0.975,11}=2.20}$

Posteriormente, los límites inferior y superior del rango de referencia estándar se calculan como:

${\displaystyle Lower~limit=m-t_{0.975,11}\times {\sqrt {\frac {n+1}{n}}}\times s.d.=5.33-2.20\times {\sqrt {\frac {13}{12}}}\times 0.42=4.4}$

${\displaystyle Upper~limit=m+t_{0.975,11}\times {\sqrt {\frac {n+1}{n}}}\times s.d.=5.33+2.20\times {\sqrt {\frac {13}{12}}}\times 0.42=6.3.}$

Por lo tanto, el rango de referencia estándar para este ejemplo se estima en 4,4 a 6,3 mmol/L.

Intervalo de confianza del límite

El intervalo de confianza del 90% de un límite de rango de referencia estándar estimado asumiendo una distribución normal se puede calcular mediante: ^[6]

Límite inferior del intervalo de confianza = límite de percentil - 2,81 × DE ⁄ √ n

Límite superior del intervalo de confianza = límite de percentil + 2,81 × DE ⁄ √ n ,

donde SD es la desviación estándar y n es el número de muestras.

Tomando el ejemplo de la sección anterior, el número de muestras es 12 y la desviación estándar es 0,42 mmol/L, lo que da como resultado:

Límite inferior del intervalo de confianza del límite inferior del rango de referencia estándar = 4,4 - 2,81 × 0,42 ⁄ √ 12 ≈ 4,1

Límite superior del intervalo de confianza del límite inferior del rango de referencia estándar = 4,4 + 2,81 × 0,42 ⁄ √ 12 ≈ 4,7

Por tanto, el límite inferior del rango de referencia puede escribirse como 4,4 (IC del 90 %: 4,1-4,7) mmol/L.

De igual modo, con cálculos similares, el límite superior del rango de referencia se puede escribir como 6,3 (IC del 90 %: 6,0-6,6) mmol/L.

Estos intervalos de confianza reflejan un error aleatorio , pero no compensan el error sistemático , que en este caso puede surgir, por ejemplo, de que el grupo de referencia no haya ayunado lo suficiente antes de la toma de muestra de sangre.

A modo de comparación, se estima que los rangos de referencia reales utilizados clínicamente para la glucosa plasmática en ayunas tienen un límite inferior de aproximadamente 3,8 ^[7] a 4,0 ^[8] y un límite superior de aproximadamente 6,0 ^[8] a 6,1. ^[9]

Distribución log-normal

Algunas funciones de distribución log-normal (aquí mostradas con las medidas no logaritmizadas), con las mismas medias - μ (calculadas después de logaritmizar) pero diferentes desviaciones estándar - σ (después de logaritmizar)

En realidad, los parámetros biológicos tienden a tener una distribución log-normal , ^[10] en lugar de la distribución normal o distribución gaussiana.

Una explicación de esta distribución log-normal para los parámetros biológicos es la siguiente: el evento en el que una muestra tiene la mitad del valor de la media o la mediana tiende a tener una probabilidad de ocurrencia casi igual a la del evento en el que una muestra tiene el doble del valor de la media o la mediana. Además, solo una distribución log-normal puede compensar la incapacidad de casi todos los parámetros biológicos de ser números negativos (al menos cuando se miden en escalas absolutas ), con la consecuencia de que no hay un límite definido para el tamaño de los valores atípicos (valores extremos) en el lado alto, pero, por otro lado, nunca pueden ser menores que cero, lo que resulta en una asimetría positiva .

Como se muestra en el diagrama de la derecha, este fenómeno tiene un efecto relativamente pequeño si la desviación estándar (en comparación con la media) es relativamente pequeña, ya que hace que la distribución log-normal parezca similar a una distribución normal. Por lo tanto, la distribución normal puede ser más apropiada para usar con desviaciones estándar pequeñas por conveniencia, y la distribución log-normal con desviaciones estándar grandes.

En una distribución log-normal, las desviaciones estándar geométricas y la media geométrica estiman con mayor precisión el intervalo de predicción del 95% que sus contrapartes aritméticas.

Necesidad

Los rangos de referencia para sustancias que generalmente están dentro de límites relativamente estrechos (coeficiente de variación menor a 0,213, como se detalla a continuación), como los electrolitos, se pueden estimar asumiendo una distribución normal, mientras que los rangos de referencia para aquellas que varían significativamente (coeficiente de variación generalmente mayor a 0,213), como la mayoría de las hormonas ^[11] , se establecen con mayor precisión mediante una distribución log-normal.

La necesidad de establecer un rango de referencia mediante una distribución log-normal en lugar de una distribución normal puede considerarse como dependiente de la diferencia que supondría no hacerlo, lo que puede describirse como la relación:

Razón de diferencia = ⁠| Límite _log-normal - Límite _normal |/Límite _log-normal ⁠

dónde:

• El límite _log-normal es el límite (inferior o superior) estimado asumiendo una distribución log-normal.
• El límite _normal es el límite (inferior o superior) estimado asumiendo una distribución normal.

Coeficiente de variación versus desviación en rangos de referencia establecidos asumiendo una distribución normal cuando en realidad hay una distribución log-normal.

Esta diferencia se puede poner únicamente en relación con el coeficiente de variación , como en el diagrama de la derecha, donde:

Coeficiente de variación = ⁠Dakota del Sur/metro⁠

dónde:

• sd es la desviación estándar
• m es la media aritmética

En la práctica, puede considerarse necesario utilizar los métodos de establecimiento de una distribución log-normal si la razón de diferencia llega a ser mayor que 0,1, lo que significa que un límite (inferior o superior) estimado a partir de una distribución normal supuesta sería más del 10% diferente del límite correspondiente según lo estimado a partir de una distribución log-normal (más precisa). Como se ve en el diagrama, se alcanza una razón de diferencia de 0,1 para el límite inferior con un coeficiente de variación de 0,213 (o 21,3%), y para el límite superior con un coeficiente de variación de 0,413 (41,3%). El límite inferior se ve más afectado por el aumento del coeficiente de variación, y su coeficiente de variación "crítico" de 0,213 corresponde a una razón de (límite superior)/(límite inferior) de 2,43, por lo que, como regla general, si el límite superior es más de 2,4 veces el límite inferior cuando se estima asumiendo una distribución normal, entonces se debe considerar hacer los cálculos nuevamente mediante la distribución log-normal.

Tomando el ejemplo de la sección anterior, la desviación estándar (DE) se estima en 0,42 y la media aritmética (M) se estima en 5,33. Por lo tanto, el coeficiente de variación es 0,079. Esto es menor que 0,213 y 0,413, y por lo tanto, es muy probable que tanto el límite inferior como el superior de la glucemia en ayunas se puedan estimar suponiendo una distribución normal. Más específicamente, el coeficiente de variación de 0,079 corresponde a una razón de diferencia de 0,01 (1 %) para el límite inferior y 0,007 (0,7 %) para el límite superior.

A partir de valores de muestra logaritmizados

Un método para estimar el rango de referencia para un parámetro con distribución log-normal es logaritmizar todas las mediciones con una base arbitraria (por ejemplo e ), derivar la media y la desviación estándar de estos logaritmos, determinar los logaritmos ubicados (para un intervalo de predicción del 95%) 1,96 desviaciones estándar por debajo y por encima de esa media, y posteriormente exponenciar usando esos dos logaritmos como exponentes y usando la misma base que se usó para logaritmizar, siendo los dos valores resultantes el límite inferior y superior del intervalo de predicción del 95%.

El siguiente ejemplo de este método se basa en los mismos valores de glucosa plasmática en ayunas que se utilizaron en la sección anterior, utilizando e como base : ^[5]

Posteriormente, el límite inferior aún logaritmizado del rango de referencia se calcula como:

${\displaystyle {\begin{aligned}\ln({\text{lower limit}})&=\mu _{\log }-t_{0.975,n-1}\times {\sqrt {\frac {n+1}{n}}}\times \sigma _{\log }\\&=1.67-2.20\times {\sqrt {\frac {13}{12}}}\times 0.079=1.49,\end{aligned}}}$

y el límite superior del rango de referencia como:

${\displaystyle {\begin{aligned}\ln({\text{upper limit}})&=\mu _{\log }+t_{0.975,n-1}\times {\sqrt {\frac {n+1}{n}}}\times \sigma _{\log }\\&=1.67+2.20\times {\sqrt {\frac {13}{12}}}\times 0.079=1.85\end{aligned}}}$

La conversión a valores no logaritmizados se realiza posteriormente de la siguiente manera:

${\displaystyle {\text{Lower limit}}=e^{\ln({\text{lower limit}})}=e^{1.49}=4.4}$

${\displaystyle {\text{Upper limit}}=e^{\ln({\text{upper limit}})}=e^{1.85}=6.4}$

Por lo tanto, el rango de referencia estándar para este ejemplo se estima entre 4,4 y 6,4.

De la media aritmética y la varianza

Un método alternativo para establecer un rango de referencia con el supuesto de distribución log-normal es utilizar la media aritmética y la desviación estándar. Esto es algo más tedioso de realizar, pero puede ser útil en casos en los que un estudio presenta solo la media aritmética y la desviación estándar, mientras que omite los datos de origen. Si el supuesto original de distribución normal es menos apropiado que el log-normal, entonces, el uso de la media aritmética y la desviación estándar pueden ser los únicos parámetros disponibles para determinar el rango de referencia.

Suponiendo que el valor esperado puede representar la media aritmética en este caso, los parámetros μ _log y σ _log se pueden estimar a partir de la media aritmética ( m ) y la desviación estándar ( sd ) como:

${\displaystyle \mu _{\log }=\ln(m)-{\frac {1}{2}}\ln \!\left(1+\!\left({\frac {\text{s.d.}}{m}}\right)^{2}\right)}$

${\displaystyle \sigma _{\log }={\sqrt {\ln \!\left(1+\!\left({\frac {\text{s.d.}}{m}}\right)^{2}\right)}}}$

Siguiendo el grupo de referencia ejemplificado de la sección anterior:

${\displaystyle \mu _{\log }=\ln(5.33)-{\frac {1}{2}}\ln \!\left(1+\!\left({\frac {0.42}{5.33}}\right)^{2}\right)=1.67}$

${\displaystyle \sigma _{\log }={\sqrt {\ln \!\left(1+\!\left({\frac {0.42}{5.33}}\right)^{2}\right)}}=0.079}$

Posteriormente, se calculan el límite inferior y superior logaritmizados, y posteriormente no logaritmizados, tal como se hace con los valores de muestra logaritmizados.

Directamente de los porcentajes de interés

Los rangos de referencia también se pueden establecer directamente a partir del percentil 2,5 y 97,5 de las mediciones del grupo de referencia. Por ejemplo, si el grupo de referencia está formado por 200 personas y se cuenta desde la medición con el valor más bajo hasta la más alta, el límite inferior del rango de referencia correspondería a la medición 5 y el límite superior a la medición 195.

Este método se puede utilizar incluso cuando los valores de medición no parecen ajustarse convenientemente a ninguna forma de distribución normal u otra función.

Sin embargo, los límites del rango de referencia estimados de esta manera tienen una varianza mayor y, por lo tanto, una confiabilidad menor que los estimados mediante una distribución aritmética o log-normal (cuando corresponde), porque estos últimos adquieren potencia estadística a partir de las mediciones de todo el grupo de referencia en lugar de solo las mediciones en los percentiles 2,5 y 97,5. Aun así, esta varianza disminuye a medida que aumenta el tamaño del grupo de referencia y, por lo tanto, este método puede ser óptimo cuando se puede reunir fácilmente un grupo de referencia grande y el modo de distribución de las mediciones es incierto.

Distribución bimodal

Distribución bimodal

En el caso de una distribución bimodal (que se ve a la derecha), es útil averiguar por qué es así. Se pueden establecer dos rangos de referencia para los dos grupos diferentes de personas, lo que permite suponer una distribución normal para cada grupo. Este patrón bimodal se observa comúnmente en pruebas que difieren entre hombres y mujeres, como el antígeno prostático específico .

Interpretación de rangos estándar en pruebas médicas

En el caso de las pruebas médicas cuyos resultados son de valores continuos, se pueden utilizar rangos de referencia para la interpretación de un resultado de prueba individual. Esto se utiliza principalmente para pruebas diagnósticas y pruebas de detección , mientras que las pruebas de seguimiento se pueden interpretar de manera óptima a partir de pruebas anteriores del mismo individuo.

Probabilidad de variabilidad aleatoria

Los rangos de referencia ayudan a evaluar si la desviación de un resultado de una prueba con respecto a la media es resultado de una variabilidad aleatoria o de una enfermedad o afección subyacente. Si se puede suponer que el grupo de referencia utilizado para establecer el rango de referencia es representativo de la persona individual en un estado de salud, entonces un resultado de una prueba de esa persona que resulte ser inferior o superior al rango de referencia puede interpretarse como que hay menos de un 2,5 % de probabilidad de que esto hubiera ocurrido por variabilidad aleatoria en ausencia de una enfermedad u otra afección, lo que, a su vez, es un fuerte indicador para considerar una enfermedad o afección subyacente como causa.

Esta consideración adicional se puede realizar, por ejemplo, mediante un procedimiento de diagnóstico diferencial basado en la epidemiología , donde se enumeran las posibles condiciones candidatas que pueden explicar el hallazgo, seguido de cálculos de la probabilidad de que hayan ocurrido en primer lugar, seguido a su vez de una comparación con la probabilidad de que el resultado hubiera ocurrido por variabilidad aleatoria.

Si el establecimiento del rango de referencia se hubiera podido realizar asumiendo una distribución normal, entonces la probabilidad de que el resultado fuera un efecto de variabilidad aleatoria se puede especificar además de la siguiente manera:

La desviación estándar , si no se proporciona ya, se puede calcular inversamente por el hecho de que el valor absoluto de la diferencia entre la media y el límite superior o inferior del rango de referencia es aproximadamente 2 desviaciones estándar (más exactamente 1,96), y por lo tanto:

Desviación estándar (de) ≈ ⁠| (Media) - (Límite superior) |/2⁠ .

La puntuación estándar para la prueba individual se puede calcular posteriormente de la siguiente manera:

Puntuación estándar ( z ) = ⁠| (Media) - (medición individual) |/Dakota del Sur⁠ .

La probabilidad de que un valor se encuentre a una cierta distancia de la media puede calcularse posteriormente a partir de la relación entre la puntuación estándar y los intervalos de predicción . Por ejemplo, una puntuación estándar de 2,58 corresponde a un intervalo de predicción del 99%, ^[12] lo que corresponde a una probabilidad del 0,5% de que un resultado se encuentre al menos a esa distancia de la media en ausencia de enfermedad.

Ejemplo

Digamos, por ejemplo, que un individuo se hace una prueba que mide el calcio ionizado en la sangre, cuyo resultado es 1,30 mmol/L, y un grupo de referencia que representa adecuadamente al individuo ha establecido un rango de referencia de 1,05 a 1,25 mmol/L. El valor del individuo es superior al límite superior del rango de referencia, y por lo tanto tiene menos de un 2,5% de probabilidad de ser resultado de variabilidad aleatoria, lo que constituye una indicación sólida para hacer un diagnóstico diferencial de posibles afecciones causales.

En este caso, se utiliza un procedimiento de diagnóstico diferencial basado en la epidemiología , y su primer paso es encontrar condiciones candidatas que puedan explicar el hallazgo.

La hipercalcemia (generalmente definida como un nivel de calcio por encima del rango de referencia) es causada principalmente por hiperparatiroidismo primario o malignidad, ^[13] y, por lo tanto, es razonable incluirlos en el diagnóstico diferencial.

Utilizando, por ejemplo, la epidemiología y los factores de riesgo del individuo, digamos que la probabilidad de que la hipercalcemia hubiera sido causada por hiperparatiroidismo primario en primer lugar se estima en 0,00125 (o 0,125%), la probabilidad equivalente para el cáncer es 0,0002 y 0,0005 para otras afecciones. Con una probabilidad dada como menor de 0,025 de que no haya enfermedad, esto corresponde a una probabilidad de que la hipercalcemia hubiera ocurrido en primer lugar de hasta 0,02695. Sin embargo, la hipercalcemia ha ocurrido con una probabilidad del 100%, lo que resulta en probabilidades ajustadas de al menos 4,6% de que el hiperparatiroidismo primario haya causado la hipercalcemia, al menos 0,7% de que haya cáncer, al menos 1,9% de que haya otras afecciones y hasta 92,8% de que no haya enfermedad y la hipercalcemia sea causada por variabilidad aleatoria.

En este caso, el procesamiento posterior se beneficia de la especificación de la probabilidad de variabilidad aleatoria:

Se supone que el valor se ajusta aceptablemente a una distribución normal, por lo que se puede suponer que la media es 1,15 en el grupo de referencia. La desviación estándar , si no se proporciona ya, se puede calcular de forma inversa sabiendo que el valor absoluto de la diferencia entre la media y, por ejemplo, el límite superior del rango de referencia, es aproximadamente 2 desviaciones estándar (más exactamente 1,96), y por lo tanto:

Desviación estándar (de) ≈ ⁠| (Media) - (Límite superior) |/2⁠ = ⁠| 1,15 - 1,25 |/2⁠ = ⁠0,1/2⁠ = 0,05 .

La puntuación estándar para la prueba individual se calcula posteriormente de la siguiente manera:

Puntuación estándar ( z ) = ⁠| (Media) - (medición individual) |/Dakota del Sur⁠ = ⁠| 1,15 - 1,30 |/0,05⁠ = ⁠0,15/0,05⁠ = 3 .

La probabilidad de que un valor sea mucho mayor que la media como para tener una puntuación estándar de 3 corresponde a una probabilidad de aproximadamente 0,14% (dada por (100% − 99,7%)/2 , donde 99,7% aquí viene dado por la regla 68–95–99,7 ).

Utilizando las mismas probabilidades de que la hipercalcemia hubiera ocurrido en primer lugar por las otras condiciones candidatas, la probabilidad de que la hipercalcemia hubiera ocurrido en primer lugar es 0,00335, y dado el hecho de que la hipercalcemia ha ocurrido da probabilidades ajustadas de 37,3%, 6,0%, 14,9% y 41,8%, respectivamente, para hiperparatiroidismo primario, cáncer, otras condiciones y ninguna enfermedad.

Rango de salud óptimo

El rango óptimo (de salud) o el objetivo terapéutico (que no debe confundirse con el objetivo biológico ) es un rango o límite de referencia que se basa en concentraciones o niveles que están asociados con una salud óptima o un riesgo mínimo de complicaciones y enfermedades relacionadas, en lugar del rango estándar basado en la distribución normal en la población.

Puede ser más apropiado utilizar, por ejemplo, folato , ya que aproximadamente el 90 por ciento de los norteamericanos pueden sufrir en realidad más o menos deficiencia de folato , ^[14] pero solo el 2,5 por ciento que tiene los niveles más bajos caerá por debajo del rango de referencia estándar. En este caso, los rangos reales de folato para una salud óptima son sustancialmente más altos que los rangos de referencia estándar. La vitamina D tiene una tendencia similar. Por el contrario, por ejemplo, para el ácido úrico , tener un nivel que no exceda el rango de referencia estándar todavía no excluye el riesgo de contraer gota o cálculos renales. Además, para la mayoría de las toxinas , el rango de referencia estándar es generalmente más bajo que el nivel de efecto tóxico.

Un problema con el rango óptimo de salud es la falta de un método estándar para estimar los rangos. Los límites pueden definirse como aquellos en los que los riesgos para la salud exceden un cierto umbral, pero con diferentes perfiles de riesgo entre diferentes mediciones (como el folato y la vitamina D), e incluso diferentes aspectos de riesgo para una misma medición (como la deficiencia y la toxicidad de la vitamina A ), es difícil estandarizar. Posteriormente, los rangos óptimos de salud, cuando se dan por varias fuentes, tienen una variabilidad adicional causada por varias definiciones del parámetro. Además, como con los rangos de referencia estándar, debe haber rangos específicos para diferentes determinantes que afectan los valores, como el sexo, la edad, etc. Idealmente, debería haber más bien una estimación de cuál es el valor óptimo para cada individuo, al tener en cuenta todos los factores significativos de ese individuo, una tarea que puede ser difícil de lograr mediante estudios, pero la larga experiencia clínica de un médico puede hacer que este método sea preferible al uso de rangos de referencia.

Valores de corte unilaterales

En muchos casos, sólo un lado del rango suele ser de interés, como en el caso de los marcadores patológicos, incluido el antígeno del cáncer 19-9 , en el que, por lo general, no tiene ninguna importancia clínica tener un valor por debajo de lo que es habitual en la población. Por lo tanto, estos objetivos se dan a menudo con un único límite del rango de referencia dado y, estrictamente, estos valores son más bien valores de corte o valores umbral .

Pueden representar tanto rangos estándar como rangos óptimos de salud. Además, pueden representar un valor apropiado para distinguir a una persona sana de una enfermedad específica, aunque esto da una variabilidad adicional al distinguir diferentes enfermedades. Por ejemplo, para NT-proBNP , se utiliza un valor de corte más bajo para distinguir a los bebés sanos de aquellos con cardiopatía acianótica , en comparación con el valor de corte utilizado para distinguir a los bebés sanos de aquellos con anemia no esferocítica congénita . ^[15]

Desventajas generales

Tanto para los rangos de salud estándar como para los óptimos y los puntos de corte, las fuentes de inexactitud e imprecisiones incluyen:

• Instrumentos y técnicas de laboratorio utilizados, o cómo los observadores interpretan las mediciones. Esto puede aplicarse tanto a los instrumentos, etc. utilizados para establecer los rangos de referencia como a los instrumentos, etc. utilizados para adquirir el valor para el individuo al que se aplican estos rangos. Para compensar, los laboratorios individuales deben tener sus propios rangos de laboratorio para tener en cuenta los instrumentos utilizados en el laboratorio.
• Determinantes como la edad, la dieta, etc. que no se compensan. Lo óptimo sería que existieran rangos de referencia de un grupo de referencia lo más similar posible a cada individuo al que se aplican, pero es prácticamente imposible compensar cada determinante, a menudo ni siquiera cuando los rangos de referencia se establecen a partir de múltiples mediciones del mismo individuo al que se aplican, debido a la variabilidad test-retest .

Además, los rangos de referencia tienden a dar la impresión de umbrales definidos que separan claramente los valores "buenos" de los "malos", mientras que en realidad generalmente hay riesgos que aumentan continuamente a medida que aumenta la distancia respecto de los valores habituales u óptimos.

Teniendo esto y otros factores no compensados ​​en mente, el método ideal de interpretación del resultado de una prueba consistiría más bien en una comparación de lo que sería esperado u óptimo en el individuo al tener en cuenta todos los factores y condiciones de ese individuo, en lugar de clasificar estrictamente los valores como "buenos" o "malos" utilizando rangos de referencia de otras personas.

En un artículo reciente, Rappoport et al. ^[16] describieron una nueva forma de redefinir el rango de referencia de un sistema de registro médico electrónico . En un sistema de este tipo, se puede lograr una resolución poblacional más alta (por ejemplo, específica para edad, sexo, raza y etnia).

Ejemplos

• Rangos de referencia para análisis de sangre
• Rangos de referencia para pruebas de orina

Véase también

• Patología clínica
• Comité Mixto de Trazabilidad en Medicina de Laboratorio
• Tecnólogo médico
• Rangos de referencia para análisis de sangre

Referencias

Este artículo fue adaptado de la siguiente fuente bajo licencia CC0 (2012) (informes de los revisores): Mikael Häggström (2014). "Rangos de referencia para estradiol, progesterona, hormona luteinizante y hormona foliculoestimulante durante el ciclo menstrual" (PDF) . WikiJournal of Medicine . 1 (1). doi : 10.15347/WJM/2014.001 . ISSN  2002-4436. Wikidata  Q44275619.

1. Página 19 en: Stephen K. Bangert MA MB BChir MSc MBA FRCPath; William J. Marshall MA MSc MBBS FRCP FRCPath FRCPEdin FIBiol; Marshall, William Leonard (2008). Bioquímica clínica: aspectos metabólicos y clínicos . Filadelfia: Churchill Livingstone/Elsevier. ISBN 978-0-443-10186-1.{{cite book}}: CS1 maint: multiple names: authors list (link)
2. Dybkaer, R (noviembre de 1982). "Federación internacional de química clínica (IFCC)1),2) la teoría de los valores de referencia. Parte 6. Presentación de los valores observados relacionados con los valores de referencia". Revista de química clínica y bioquímica clínica . 20 (11): 841–5. PMID  7153721.
3. Davis, CQ; Hamilton, R. (2021). "Rangos de referencia para la electrofisiología clínica de la visión". Doc Ophthalmol . 143 (2): 155–170. doi : 10.1007/s10633-021-09831-1 . PMC 8494724 . PMID  33880667. 
4. Página 48 en: Sterne, Jonathan; Kirkwood, Betty R. (2003). Estadísticas médicas esenciales . Oxford: Blackwell Science. ISBN 978-0-86542-871-3.
5. Tabla 1. Características de los sujetos en: Keevil, BG; Kilpatrick, ES; Nichols, SP; Maylor, PW (1998). "Variación biológica de la cistatina C: implicaciones para la evaluación de la tasa de filtración glomerular". Química clínica . 44 (7): 1535–1539. doi : 10.1093/clinchem/44.7.1535 . PMID  9665434.
6. Página 65 en: Carl A. Burtis, David E. Bruns (2014). Fundamentos de química clínica y diagnóstico molecular de Tietz (7.ª ed.). Elsevier Health Sciences. ISBN 9780323292061.
7. Última página de Deepak A. Rao; Le, Tao; Bhushan, Vikas (2007). Primeros auxilios para el USMLE Step 1 2008 (Primeros auxilios para el USMLE Step 1) . McGraw-Hill Medical. ISBN 978-0-07-149868-5.
8. Lista de rangos de referencia del Hospital Universitario de Uppsala ("Laborationslista"). Art. n.° 40284 Sj74a. Publicado el 22 de abril de 2008
9. Enciclopedia MedlinePlus : Prueba de tolerancia a la glucosa
10. Huxley, Julian S. (1932). Problemas de crecimiento relativo . Londres. ISBN 978-0-486-61114-3.OCLC 476909537  .
11. Levitt H, Smith KG, Rosner MH (2009). "Variabilidad del calcio, fósforo y hormona paratiroidea en pacientes en hemodiálisis". Hemodial Int . 13 (4): 518–25. doi :10.1111/j.1542-4758.2009.00393.x. PMID  19758299. S2CID  24963421.{{cite journal}}: CS1 maint: multiple names: authors list (link)
12. Página 111 en: Kirkup, Les (2002). Análisis de datos con Excel: una introducción para científicos físicos . Cambridge, Reino Unido: Cambridge University Press. ISBN 978-0-521-79737-5.
13. Tabla 20-4 en: Mitchell, Richard Sheppard; Kumar, Vinay; Abbas, Abul K.; Fausto, Nelson (2007). Robbins Basic Pathology . Filadelfia: Saunders. ISBN 978-1-4160-2973-1.8va edición.
14. Ácido fólico: ¡no se quede sin él! por Hans R. Larsen, MSc ChE, consultado el 7 de julio de 2009. Citando a su vez:
    • Boushey Carol J.; et al. (1995). "Una evaluación cuantitativa de la homocisteína plasmática como factor de riesgo de enfermedad vascular". Revista de la Asociación Médica Estadounidense . 274 (13): 1049–57. doi :10.1001/jama.274.13.1049.
    • Morrison Howard I.; et al. (1996). "Folato sérico y riesgo de enfermedad cardíaca coronaria fatal". Revista de la Asociación Médica Estadounidense . 275 (24): 1893–96. doi :10.1001/jama.1996.03530480035037. PMID  8648869.
15. Detección de cardiopatías congénitas con NT-proBNP: resultados Por Emmanuel Jairaj Moses, Sharifah AI Mokhtar, Amir Hamzah, Basir Selvam Abdullah y Narazah Mohd Yusoff. Laboratory Medicine. 2011;42(2):75–80. Sociedad Estadounidense de Patología Clínica
16. Rappoport, Nadav; Paik, Hyojung; Oskotsky, Boris; Tor, Ruth; Ziv, Elad; Zaitlen, Noah; Butte, Atul J. (4 de noviembre de 2017). "Creación de intervalos de referencia específicos de la etnia para pruebas de laboratorio a partir de datos de EHR". bioRxiv 10.1101/213892 . 

Lectura adicional

• Los procedimientos y el vocabulario referentes a los intervalos de referencia: CLSI (Committee for Laboratory Standards Institute) e IFCC (International Federation of Clinical Chemistry) CLSI - Definición, establecimiento y verificación de intervalos de referencia en el laboratorio; guía aprobada - Tercera edición. Documento C28-A3 ( ISBN 1-56238-682-4 )Wayne, PA, EE. UU., 2008 
• Reference Value Advisor: Un conjunto gratuito de macroinstrucciones de Excel que permiten la determinación de intervalos de referencia de acuerdo con los procedimientos del CLSI. Basado en: Geffré, A.; Concordet, D.; Braun, JP; Trumel, C. (2011). "Reference Value Advisor: Un nuevo conjunto gratuito de macroinstrucciones para calcular intervalos de referencia con Microsoft Excel" (PDF) . Veterinary Clinical Pathology . 40 (1): 107–112. doi :10.1111/j.1939-165X.2011.00287.x. PMID  21366659.