Dica do autor: Testes diagnósticos têm propriedades básicas que a gente precisa dominar de olho: sensibilidade (capacidade de identificar quem tem a doença), especificidade (capacidade de excluir quem não tem), valores preditivos (dependentes da prevalência) e razões de verossimilhança (úteis para aplicar à probabilidade pré-teste). Quando o exame entrega um resultado em escala contínua, escolhemos um ponto de corte (cut‑off) para transformar em diagnóstico binário; mudar esse cut‑off altera sensibilidade e especificidade, gerando um trade‑off. A Curva ROC é a ferramenta gráfica que resume esse trade‑off: para cada cut‑off obtemos um par sensibilidade × (1 − especificidade) e traçamos esses pontos, obtendo a curva sensibilidade versus taxa de falsos positivos. A área sob a curva (AUC) resume a capacidade discriminativa do teste: quanto mais próxima de 1, melhor. O “pulo do gato” ao escolher o cut‑off é considerar o contexto clínico: para rastreamento privilegiamos sensibilidade (aceitando mais falsos positivos), para confirmação priorizamos especificidade. Métodos objetivos para escolher o melhor ponto incluem o índice de Youden (sensibilidade + especificidade − 1), que corresponde ao ponto da ROC que maximiza a soma das duas e, geometricamente, minimiza a distância ao canto superior esquerdo (sensibilidade 1 / especificidade 1). Sempre lembre: valores preditivos dependem de prevalência; razões de verossimilhança não dependem e ajudam a atualizar a probabilidade com base no resultado.

Alternativa A: CORRETA. A Curva ROC é justamente a representação gráfica da relação entre sensibilidade e especificidade (mais precisamente sensibilidade versus 1 − especificidade, que é a taxa de falso‑positivos). Ela mostra como essas duas medidas variam conforme o ponto de corte; portanto afirmar que a ROC representa essa relação é correto. A interpretação prática é direta: pontos mais altos e mais à esquerda indicam melhor desempenho.

Alternativa B: CORRETA. Para construir a ROC coleta‑se, para vários valores de cut‑off, os pares de sensibilidade e especificidade (ou sensibilidade e taxa de falsos positivos) e plota‑se esses pares no gráfico. Assim obtém‑se a curva que resume o comportamento do teste ao longo da escala contínua. Observação útil: no eixo x costuma figurar 1 − especificidade, mas a ideia de mapear os pares sensibilidade/especificidade para vários cut‑offs está correta.

Alternativa C: CORRETA. Quando um teste tem resultado contínuo e precisamos classificar como doente/não doente usamos um cut‑off. A escolha desse valor é arbitrada por critérios clínicos ou estatísticos (favorizar sensibilidade vs especificidade, maximizar Youden, minimizar falso‑negativos em doenças graves etc.). Esse procedimento é rotina em exames como glicemia de jejum, PSA, colesterol, entre outros.

Alternativa D: CORRETA. Testes com alta sensibilidade são indicados para rastreamento porque visam captar a maioria dos casos verdadeiros (poucos falsos‑negativos); isso implica, na prática, maior chance de falsos‑positivos, que serão eliminados por testes confirmatórios mais específicos. Ou seja: para triagem prefere‑se sensibilidade elevada, ciente do custo em especificidade.

Alternativa E: INCORRETA. O enunciado diz que o ponto de maior otimização está mais longe do canto superior esquerdo — isso está invertido. O canto superior esquerdo (sensibilidade 1 e especificidade 1, ou sensibilidade 1 e taxa de falsos positivos 0) representa o teste perfeito. O ponto ótimo na prática costuma ser o mais próximo desse canto; uma forma objetiva é escolher o cut‑off que minimiza a distância euclidiana até o canto superior esquerdo ou maximiza o índice de Youden. Portanto dizer que o ponto ótimo está "mais longe" é falso.

Resposta: Alternativa E