Convenhamos que estatística não é o forte de nenhum estudante da área da saúde. Mas, pelo bem geral da nação, fazemos uma forcinha nesse quesito. Bem no começo do curso, ou na hora do temido TCC, alguns conceitos de estatística são apresentados e nesse ponto entra a tal da curva ROC. Será que tem um jeito de entender essa danada? Vem comigo que vamos desmistificá-la!
Variáveis estatísticas
Seja clínica ou cirurgia, postinho ou UPA, biscoito ou bolacha, independentemente do seu time, com certeza já se deparou em algum momento com alguns dos termos: sensibilidade, especificidade, valor preditivo positivo, valor preditivo negativo, acurácia e a malandra da curva ROC. Pois bem, vamos dar uma pincelada em cada um desses tópicos até chegar na dita cuja.
Sensibilidade
A sensibilidade, usando a definição mais simples possível, é a capacidade de ocorrer qualquer evento dentro de uma amostra observada.
Ok, ainda parece confuso, vamos dar um exemplo:
Quando uma mulher está com sua menstruação atrasada e decide por um teste de farmácia, o que estamos buscando é a presença da gonadotrofina coriônica humana, e simplesmente sua presença. Ou seja, os testes de farmácia estão calibrados para acusar qualquer traço de HCG na urina da paciente. Nesse momento, não importa se iremos quantificar ou não, se queremos saber semanas etc., queremos saber se tem ou se não tem HCG na urina, para que depois façamos uma análise mais criteriosa a partir desse primeiro exame. Assim, o teste de farmácia para gravidez é um teste com alta sensibilidade.
Especificidade
Indo na contramão da sensibilidade, temos a especificidade. Podemos dizer que uma é o oposto da outra? Mais ou menos, mas vamos fazer uma breve definição para ver se facilita o raciocínio.
A especificidade é a capacidade de ocorrer um evento verdadeiro dentro de uma amostra observada.
Mas, para melhorar, vamos ao exemplo:
Seguindo o primeiro caso, imaginemos uma paciente que acusou positivo para HCG na urina. Agora precisamos de um exame que seja mais específico para identificar essa gonadotrofina no sangue da paciente, que não acuse os falsos positivos e seja determinante para o diagnóstico. Nessa hora, não basta saber se tem ou se não tem HCG, queremos saber se a paciente está ou não grávida. Nessa hora entra o exame de sangue, que é mais específico para o objetivo – identificar uma possível gravidez.
E se eu ainda estou confuso?
Mesmo com definições e exemplos, é normal a confusão.
Basicamente, usemos o exemplo da gravidez: se uma mulher deseja estar grávida e está com sua menstruação atrasada, o primeiro passo é o teste de farmácia. Se este der negativo, é estatisticamente improvável que ela esteja grávida. Agora, se o resultado for positivo, levantamos a suspeita, que será confirmada com um exame de sangue. No exame de sangue, se encontramos um resultado positivo, é estatisticamente improvável que a paciente não esteja grávida.
Esse “estatisticamente” é determinado pela sensibilidade e especificidade.
Valor preditivo positivo e negativo
Nos artigos, estudos, revisões e similares, podemos encontrar sensibilidade e especificidade expressas em valores. Com esses valores é possível calcular os valores preditivos positivos (VPP) e negativos (VPN).
Mas o que fazer com eles?
Eu ainda não entendi os dois primeiros conceitos?
Calma, querubim. Com VPP e VPN fica ainda mais fácil de entender os conceitos. E, para isso, usamos o bom e velho HCG.
Quando usamos o teste de farmácia, queremos identificar qualquer traço de HCG na urina da paciente. Mas não estamos identificando – de fato – uma gravidez. Então, dentro das pessoas que positivaram nesse exame, tem uma parcela que está grávida de fato e outra que não está grávida.
Para identificar quem realmente está grávida, usamos o VPP. E, para fins ilustrativos, vamos defini-lo como: pacientes que realmente são positivos dentre todos os positivos acusados. Ou seja, pacientes que realmente estão grávidas dentre todas que positivaram no exame.
Por sua vez, usamos o VPN para identificar quem não está grávida. Isto é, definimos VPN como: pacientes que realmente são negativos dentre todos os negativos. Ou seja, pacientes que não estão grávidas e não acusaram positivo no exame. [CB1]
Acurácia
Bom, como esses conceitos são um pouco cansativos, vamos simplificar os termos agora.
Nos termos práticos, acurácia é precisão e ponto. Sabendo disso, já fica implícito que é um valor obtido (por uns cálculos muito doidos) através de outros valores que explicamos acima. E é isso. =)
Sendo técnicos, a acurácia é: proporção de verdadeiros positivos e verdadeiros negativos dentro de uma amostra. Ou seja, o quanto de verdadeiros verdadeiros e verdadeiros negativos tem na análise.
Para que usamos isso? Bom, é uma forma de definir a qualidade de um teste. Ou seja, um teste BOM tem que positivar os verdadeiros e negativar os falsos, independentemente do objeto de estudo. E a grandeza para avaliarmos isso é a acurácia.
E A CURVA ROC?
Bom, se você chegou até aqui, com certeza quer entender a curva ROC, e não irei florear.
A curva ROC é uma curva (parte óbvia da explicação) que serve, de uma forma muito simplista, para validar um teste. Se você speak English, ROC vem da sigla Receiver Operator Characteristic Curve, ou in Brazilian Portuguese, Curva Característica de Operação do Receptor. Sim, o nome é feio, mas vale a pena citar para os mais criteriosos.
Agora vamos entendê-la.
Como tudo em estatística, precisamos de um gráfico. Nesse gráfico, vamos colocar a sensibilidade no eixo Y e a especificidade no eixo X (na forma de 1-especificidade). Agora, com os eixos definidos, vamos retomar um conceito do começo desse artigo, que diz que esses conceitos são expressos em valores nos trabalhos, estudos e outros.
E, após plotarmos os respectivos valores, iremos obter uma figura em forma de curva, que é a curva ROC. E o que ela significa? Bem, fizemos uma curva cruzando os valores de diferentes testes e pegamos a sensibilidade e especificidade desses testes.
Dessa forma, se pegarmos um teste com alta sensibilidade, o ponto Y está no alto do eixo, e se o mesmo tiver alta especificidade, o ponto X está no começo do eixo (lembremos que está na forma 1-especificidade).
Assim, temos a máxima da curva ROC, que diz que quanto mais para cima e esquerda, melhor o teste.
E qual a função disso? Bom, em estatística, a curva ROC fornece valores para o cálculo de outra variável que é a AUC (Area Under the Curve), e essa tem finalidade estritamente estatística. Ou seja, saiba que ela existe, e já é o bastante. A AUC é calculada pela curva ROC.
Tudo isso para nada?
Concordo, pode parecer meio frustrante, e de fato é.
Para nós, meros estudantes da área da saúde, não é necessário saber exatamente os cálculos que cada um desses nomes significa. Contudo, é bom ter uma breve noção de cada um para podermos aprimorar nossa percepção sobre os resultados apresentados em determinado estudo ou simplesmente para termos cartas na manga quando fizermos uma prova.
Esse texto descontraído é apenas uma pincelada nos conceitos. E, quem sabe, simplificando conceitos, seu interesse não se aflore? Só o tempo nos dirá.
Pode fazer um glossário?
Claro, vamos lá. Abordamos nesse texto:
Sensibilidade – capacidade de detectar algum evento na amostra.
Especificidade – capacidade de detectar verdadeiros eventos na amostra.
Valor Preditivo Positivo – a real quantidade de resultados verdadeiros na amostra.
Valor Preditivo Negativo – a real quantidade de resultados negativos na amostra.
Acurácia – a precisão de determinado teste.
Curva ROC – a curva que se forma ao plotarmos os valores no gráfico, sendo que o melhor teste é aquele com a curva mais alta e mais para a esquerda.
Devo dar parabéns a quem chegou até aqui, ainda mais em um artigo de estatística.
Por fim, quero dizer que estatística é difícil, mas não impossível. Assim, encontre colegas que tenham esse interesse também e não desista na primeira vez.
Pegue um artigo, um pouquinho de café, ar fresco e um dicionário. Dessa forma, tenho certeza que sua percepção dos resultados será bem satisfatória.
E, por último, não tenha medo nem vergonha de perguntar. Afinal, hoje você está perguntando, amanhã estará respondendo.
Não se esqueça de conferir outros textos no nosso blog, tem bastante coisa interessante por lá.
Até a próxima e um enorme abraço.
O texto é de total responsabilidade do autor e não representa a visão da sanar sobre o assunto.
Observação: material produzido durante vigência do Programa de colunistas Sanar junto com estudantes de medicina e ligas acadêmicas de todo Brasil. A iniciativa foi descontinuada em junho de 2022, mas a Sanar decidiu preservar todo o histórico e trabalho realizado por reconhecer o esforço empenhado pelos participantes e o valor do conteúdo produzido. Eventualmente, esses materiais podem passar por atualização.
Novidade: temos colunas sendo produzidas por Experts da Sanar, médicos conceituados em suas áreas de atuação e coordenadores da Sanar Pós.
Referências:
Epidemiologia Clínica – Elementos Essenciais – 5ª Ed. 2014.
Lopes et al. Bioestatísticas: conceitos fundamentais e aplicações práticas. Revista Brasileira de Oftalmologia, 2014. Disponível em https://www.scielo.br/pdf/rbof/v73n1/0034-7280-rbof-73-01-0016.pdf
Universidade Federal de Goiás. Avaliação de testes diagnósticos. Disponível em https://files.cercomp.ufg.br/weby/up/59/o/Modulo2-Avaliacaodetestesdiagnosticos.pdf
