Aplicación de un modelo bayesiano para estimar la sensibilidad, especificidad y prevalencia de tres pruebas serológicas para el diagnóstico de la brucelosis porcina, sin prueba de referencia

Abstract

El diagnóstico de la brucelosis porcina se basa en la observación de los signos clínicos asociados a la serología y/o cultivo bacteriológico positivo. No existe una prueba serológica de referencia y ninguna de las disponibles ha demostrado ser confiable para el diagnóstico individual. Aunque estas pruebas son aplicables a un gran número de muestras, no han sido debidamente estandarizadas para la especie porcina. Si bien el aislamiento de Brucella suis constituye la Prueba de Referencia (PR), no siempre es posible. Existe escasa información sobre los valores de sensibilidad (S) y especificidad (E) de las pruebas serológicas utilizadas; y sólo hay reportes de relevamientos parciales pero no de prevalencia (Prev) de la enfermedad (aproximadamente del 18 % (Castro et al., 2006). En este contexto, mediante la utilización de un modelo Bayesiano es posible determinar las probabilidades posteriores de validación diagnóstica siguientes: Valor Predictivo Positivo (VPP), Falso Negativo (FN), Valor Predictivo Negativo (VPN), Falso Positivo (FP) y Prevalencia basado en datos obtenidos de trabajos previos. El objetivo de este trabajo fue estimar la S, E y Prevalencia de las pruebas: Aglutinación en placa con antígeno tamponado (BPA), Test de Rosa de Bengala (RBT) y Polarización de la Fluorescencia (FPA), para la detección de brucelosis porcina, mediante la implementación de un modelo bayesiano en ausencia de PR.MATERIALES Y MÉTODOSSe analizaron mediante las pruebas de BPA, RBT y FPA 545 muestras de sueros porcinos de distintas categorías y provenientes de 3 establecimientos (Pcia. de Bs. As). La ejecución e interpretación de las pruebas se realizó de acuerdo a la normativa establecida por SENASA. Se estimaron valores de S y E sin PR a través de información aportada por prior informativas (PI) (Praud et al., 2012). Partiendo de una Distribución Beta (DB), se desarrolló un modelo en WinBUGS (WB), utilizando la comunicación con lenguaje R (R2WinBUGS). Desde un conteo de resultados Positivos y Negativos de las muestras analizadas, se utilizaron parámetros de S, E y Prev, obtenidos de la bibliografía. Se utilizó la instrucción epi.betabuster {epiR}, en lenguaje R, para estimar las probabilidades posteriores mencionadas y al mismo tiempo, estimar la Prev. En WB, se usaron 10000 iteraciones del modelo, y se descartaron las primeras 1000. Se expresó la distribución posterior de probabilidad, como media posterior (mp), desvío estándar posterior (dep) e intervalo de credibilidad Bayesiano (ICB) del 95% para cada muestra. Para validar las pruebas y luego, comparar valores obtenidos entre las mismas, se utilizó una prueba de diferencia de proporciones Bayesiana.