Dica do autor: Quando a gente precisa comparar vários limiares de um exame diagnóstico e quer visualizar o balanço entre identificar doentes (sensibilidade) e evitar falsos positivos (1 − especificidade), o pulo do gato é a curva ROC. ROC vem de "receiver operating characteristic" e é uma representação gráfica que plota sensibilidade no eixo vertical contra a taxa de falso-positivos (1 − especificidade) no eixo horizontal, para cada possível ponto de corte do teste. A interpretação fácil: quanto mais a curva se aproxima do canto superior esquerdo, melhor o desempenho do teste. A área sob a curva (AUC) resume essa performance em um único número — AUC de 1 é teste perfeito, 0,5 é teste inútil como jogar uma moeda. Para escolher o melhor limiar na prática, usamos índices como Youden (sensibilidade + especificidade − 1), análise das consequências clínicas (custo de falsos negativos vs falsos positivos) e o contexto epidemiológico; a ROC por si só não leva em conta prevalência nem o impacto clínico das decisões, mas é ótima para comparar propriedades discriminativas entre testes ou modelos.

Alternativa A: INCORRETA. O teorema de Bayes descreve a relação entre probabilidades pré-teste e pós-teste e é essencial para atualizar a probabilidade de doença a partir de um resultado diagnóstico, através da sensibilidade, especificidade ou razões de verossimilhança. Porém não é uma forma gráfica para descrever perdas e ganhos nem representa sensibilidade vs taxa de falso-positivo para diversos limiares. Ou seja, Bayes explica a lógica probabilística por trás do raciocínio diagnóstico, mas não preenche o trecho que pede um método gráfico comparativo de desempenho de teste.

Alternativa B: CORRETA. A curva ROC é exatamente a resposta. Ela é a representação gráfica que mostra, para cada possível ponto de corte, a sensibilidade e a taxa de falso-positivo (1 − especificidade). Permite comparar testes e sumarizar desempenho pelo AUC; auxilia na seleção de limiar (via Youden ou avaliação dos riscos clínicos) e é largamente usada em diagnóstico, marcadores laboratoriais e modelos preditivos. Por isso preenche corretamente o espaço do enunciado.

Alternativa C: INCORRETA. Metanálise é um método estatístico para sintetizar resultados de estudos diferentes e gerar estimativas combinadas (por exemplo, sensibilidade e especificidade combinadas em revisões diagnósticas). Não é uma forma gráfica que descreve sensibilidade vs taxa de falso-positivos por limiar; embora revisões sistemáticas possam incluir curvas ROC agrupadas, a metanálise em si é o procedimento de combinação dos achados, não a representação gráfica pedida.

Alternativa D: INCORRETA. O modelo de Cox (regressão de riscos proporcionais) é usado para análise de sobrevivência e estima hazard ratios ao longo do tempo. É uma ferramenta para estudar tempo até evento e covariáveis associadas, não uma técnica para traçar sensibilidade versus taxa de falso-positivos de um teste diagnóstico. Portanto não preenche o trecho.

Alternativa E: INCORRETA. A razão de verossimilhança (likelihood ratio) traduz o quanto um resultado de teste muda a probabilidade de doença (é diretamente aplicável para cálculo pós-teste usando odds prévias), e é muito útil clinicamente. Contudo, não é uma forma gráfica que descreve sensibilidade e taxa de falso-positivos para diferentes limiares — embora LR seja derivada de sensibilidade/especificidade, ela não preenche o que o enunciado pede.

Resposta: Alternativa B