Dica do autor: A curva ROC é uma ferramenta visual e quantitativa para avaliar o poder discriminatório de testes diagnósticos que geram resultados contínuos ou ordinais. No eixo Y plotamos a sensibilidade (probabilidade de detectar verdadeiros positivos) e no eixo X o falso positivo, que é 1 − especificidade. Um teste perfeito se aproxima do canto superior esquerdo (sensibilidade 100% e especificidade 100%), o que corresponde a uma área sob a curva (AUC) igual a 1. Uma AUC de 0,5 indica desempenho equivalente ao acaso. A ROC também permite comparar testes diferentes independentemente do ponto de corte, pois resume a relação sensibilidade/especificidade ao longo de todos os limiares; para escolher um corte clínico costuma-se usar índices como o de Youden (sensibilidade + especificidade −1) ou considerar consequências clínicas dos falsos positivos/negativos. No fim das contas, bater o olho na curva e ver quão longe ela está da diagonal ajuda muito a avaliar discriminação.

Alternativa A: INCORRETA. Propõe a sequência V – V – V – F, ou seja, afirma que a última assertiva (que a ROC é construída plotando-se sensibilidade no eixo Y e 1−especificidade no eixo X) é falsa. Isso está errado: a definição clássica da curva ROC é exatamente sensibilidade (eixo Y) vs taxa de falsos positivos = 1−especificidade (eixo X). As três primeiras afirmativas dessa alternativa estariam certas, mas a quarta está errada — por isso a alternativa como um todo é incorreta.

Alternativa B: INCORRETA. Propõe V – F – F – F, ou seja, apenas a primeira seria verdadeira. Além de a segunda (é útil para comparar vários testes) ser verdadeira — já que a AUC e a forma da ROC permitem comparar desempenho global entre testes —, a terceira (teste ideal tem AUC = 1) e a quarta (eixos sensibilidade e 1−especificidade) também são verdadeiras. Logo, essa combinação falha em três afirmações e está incorreta.

Alternativa C: INCORRETA. Propõe F – V – F – V. Aqui a primeira e a terceira seriam falsas, mas na prática ambas são verdadeiras: quanto mais próxima do canto superior esquerdo, melhor a discriminação (primeira verdadeira); e um teste perfeito com sensibilidade e especificidade de 100% tem AUC = 1 (terceira verdadeira). A segunda e a quarta também são verdadeiras. Portanto essa sequência está errada.

Alternativa D: INCORRETA. Propõe F – F – F – V. Só a quarta seria considerada verdadeira nessa opção. Novamente isso é falso: as três primeiras afirmativas (proximidade ao canto superior esquerdo indica bom poder discriminatório; utilidade para comparar testes; AUC=1 para teste ideal) são todas verdadeiras. Assim, essa alternativa também é incorreta.

Alternativa E: CORRETA. Propõe V – V – V – V; todas as quatro assertivas são verdadeiras. Resumindo: curva ROC = sensibilidade (Y) vs 1−especificidade (X); quanto mais próxima do canto superior esquerdo melhor a discriminação; é útil para comparar testes porque integra desempenho ao longo de cortes; e teste perfeito tem AUC = 1.

Resposta: Alternativa E