Dica do autor: O ponto chave aqui é entender como prevalência, sensibilidade e especificidade interagem para gerar valores preditivos. Sensibilidade e especificidade são propriedades intrínsecas do teste: sensibilidade alta diminui falsos negativos; especificidade alta diminui falsos positivos. Já os valores preditivos (PPV e NPV) dependem fortemente da prevalência da doença na população testada. Em doenças raras, mesmo testes com sensibilidade e especificidade excelentes terão valor preditivo positivo muito baixo — a maioria dos positivos será falso positivo — e valor preditivo negativo muito alto — negativos praticamente garantem ausência de doença. O “pulo do gato” é lembrar que baixos casos verdadeiros + baixa taxa relativa de falsos negativos resulta em NPV quase perfeita; por outro lado, uma pequena prevalência faz com que o número absoluto de falsos positivos (proporção sobre uma população grande) supere em muito os verdadeiros positivos, derrubando o PPV. Para visualizar: aplicando o teste em 1 milhão de pessoas com prevalência de 0,025% (250 casos), sensibilidade 99% e especificidade 95%, teríamos ~248 verdadeiros positivos, ~2 falsos negativos, ~49.988 falsos positivos e ~949.762 verdadeiros negativos — NPV praticamente 100% e PPV ≈ 0,5%.

Alternativa A: INCORRETA. A frase confunde sensibilidade com valor preditivo positivo. Sensibilidade alta não garante confiabilidade dos resultados positivos — ela reduz falsos negativos, não falsos positivos. Numa prevalência muito baixa, o número absoluto de falsos positivos pode ser muito maior que o de verdadeiros positivos, resultando em um PPV baixo. Portanto, não se espera grande confiabilidade nos positivos apenas por causa da sensibilidade.

Alternativa B: CORRETA. Exatamente: com prevalência baixíssima, a probabilidade pós-teste de não ter a doença diante de um resultado negativo (NPV) será muito alta, ainda mais quando o teste tem boa sensibilidade e especificidade. No exemplo numérico, quase todos os negativos são verdadeiros negativos — a confiança em um resultado negativo é enorme. Esse é o raciocínio de Bayes aplicado aos testes diagnósticos: baixa prevalência aumenta o NPV.

Alternativa C: INCORRETA. À primeira vista pode parecer verdade (prevalência baixa → poucos casos), mas a alternativa fala em “pequeno número de indivíduos com resultados positivos” sem diferenciar entre positivos verdadeiros e falsos positivos. Na prática, ao testar em massa uma população grande, o número de resultados positivos (TP + FP) pode ser alto por causa dos falsos positivos gerados pela especificidade de 95% — no nosso exemplo, haveria cerca de 50 mil resultados positivos, a maior parte falsos. Então não dá para afirmar que haverá poucos positivos.

Alternativa D: INCORRETA. A frase mistura conceitos: especificidade de 95% significa que 5% dos indivíduos sem a doença testarão positivo (falsos positivos), não que 5% dos negativos sejam positivos — isso é um contrassenso. Além disso, como o NPV será muito alto, não há justificativa para retestar rotineiramente todos os negativos; o foco, na prática, costuma ser confirmar positivos duvidosos quando a prevalência é baixa.

Resposta: Alternativa B