Dica do autor: A curva ROC (Receiver Operating Characteristic) é o gráfico que relaciona sensibilidade (eixo y) com taxa de falsos positivos = 1 − especificidade (eixo x) para todos os possíveis pontos de corte do teste. O pulo do gato é entender que a ROC avalia a capacidade discriminativa do exame ao longo de todos os limiares e não apenas em um ponto específico. A área sob a curva (AUC) resume essa capacidade: quanto mais próxima de 1, melhor a discriminação entre doentes e não doentes; uma AUC de 0,5 equivale a um palpite ao acaso. Bater o olho na AUC permite comparar testes de forma global — porém, para declarar superioridade é preciso que a diferença na AUC seja consistente e, idealmente, estatisticamente significativa (ou seja, que os intervalos de confiança não se sobreponham ou que um teste estatístico confirme a diferença). Fique ligado: sensibilidade e especificidade em um ponto de corte dependem da escolha desse ponto e não definem sozinhos a performance global. A prevalência da doença influi em valores preditivos (VPP e VPN), mas não altera a forma da ROC nem a AUC.

Alternativa A: CORRETA. Esta é a maneira adequada e padrão de afirmar que um teste discrimina melhor que outro: comparar a área sob a curva ROC. Se a AUC do teste A for maior que a do teste B, isso indica melhor capacidade de separar positivos de negativos ao longo de todos os limiares. Para declarar superioridade no sentido rigoroso, a diferença deve ser consistente e preferencialmente estatisticamente significativa (comparação de AUCs com seus ICs ou teste apropriado).

Alternativa B: INCORRETA. Um único ponto de corte com maior sensibilidade não garante superioridade global, porque pode vir acompanhado de aumento importante na taxa de falsos positivos. A ROC existe justamente para mostrar esse trade‑off ao longo de todos os limiares. Um teste pode ter sensibilidade maior em um ponto e ainda assim ter AUC menor, ou vice‑versa. Logo, comparar apenas um ponto de corte é insuficiente para afirmar que um teste é melhor no geral.

Alternativa C: INCORRETA. A prevalência da doença altera valores preditivos, mas não muda a sensibilidade, especificidade, nem a forma da curva ROC ou a AUC. Portanto, para comparar A e B pela ROC não é necessário conhecer a prevalência. O erro comum é confundir discriminação (medida pela ROC/AUC) com utilidade clínica em uma população específica (medida pelos valores preditivos), que aí sim depende da prevalência.

Alternativa D: INCORRETA. Não existe requisito de “simetria” entre especificidade e sensibilidade para declarar superioridade de um teste. A forma da ROC pode ser assimétrica e um teste pode ser preferível por ter maior AUC mesmo sem equilibrar sensibilidade e especificidade. O que importa é a discriminação global ou, dependendo do contexto clínico, o desempenho em um intervalo de sensibilidades/especificidades relevantes. Exigir simetria é equivocado.

Resposta: Alternativa A