No es tan simple. Las pruebas pueden tener dos tipos de errores: falsos positivos y falsos negativos. La sensibilidad se refiere al número de positivos que están identificados correctamente. La especificidad se refiere a la cantidad de negativos que están identificados correctamente.
Es fácil crear una prueba que prediga una enfermedad con un 100% de sensibilidad. Solo prediga que cada paciente contraerá la enfermedad, y que cada paciente que realmente la reciba se habrá identificado correctamente. Tal prueba es inútil, porque la especificidad es del 0%; todos los que no contraen la enfermedad se identifican incorrectamente.
Entonces, lo primero que debe hacer es definir qué quiere decir con “más probabilidades de predecir”. Esta es en sí misma una tarea no trivial. La compensación entre sensibilidad y especificidad variará dependiendo de la configuración y el uso de la información. Por ejemplo, para una prueba de detección barata que se utilizará solo para determinar quién debe obtener una prueba más sofisticada, la alta sensibilidad es más importante que la alta especificidad.
Ahora a riesgo relativo: RR analiza el riesgo entre dos grupos. Por ejemplo, podría comparar el riesgo de autismo entre las personas que recibieron vacunas infantiles y las que no. Esto ya se ha hecho, y el RR de 1 le dice que el riesgo de desarrollar autismo es el mismo para ambos grupos. No veo cómo lo aplicarías a un examen médico.
Si hubiera varias pruebas que podría utilizar para algo, lo que realmente desea hacer es averiguar cuál le da el mejor poder predictivo, utilizando una herramienta como el índice de sensibilidad para cada prueba.
