Dica do autor: O pulo do gato aqui é lembrar a fórmula do Teorema de Bayes aplicada ao Valor Preditivo Positivo (VPP). O VPP é a probabilidade de quem tem teste positivo realmente ter a doença e depende de sensibilidade (Se), especificidade (Sp) e da prevalência pré-teste (p): VPP = (Se·p) / [Se·p + (1−Sp)·(1−p)]. Note que ao aumentar a probabilidade pré-teste (prevalência), o numerador cresce proporcionalmente e o termo de falsos positivos [(1−Sp)·(1−p)] tende a diminuir porque (1−p) diminui. Portanto, mantidas Se e Sp, o VPP cresce monotonicamente com a prevalência: quanto maior a probabilidade pré-teste, maior a chance de um positivo ser um verdadeiro positivo. Um exemplo rápido: Se=90%, Sp=90%, p=10% → VPP ≈ 50%; se p dobra para 20% → VPP ≈ 69% — subiu, claro.

Alternativa A: INCORRETA. Dizer que o VPP diminui contraria a dependência direta do VPP com a prevalência. Aumentar p aumenta o numerador (casos verdadeiros esperados) e reduz a proporção de não-doentes na população (portanto menos impacto relativo dos falsos positivos), resultando em VPP maior, não menor.

Alternativa B: CORRETA. Correto — ao duplicar a probabilidade pré-teste (prevalência), o VPP aumenta. Não é uma relação linear fixa (não necessariamente dobra), mas a direção é clara: mais indivíduos doentes na população fazem com que um teste positivo tenha maior chance de ser verdadeiro.

Alternativa C: INCORRETA. Afirmar que o VPP não se altera ignora o papel da prevalência na fórmula de Bayes. Sensibilidade e especificidade isoladas não determinam o VPP sem conhecer a probabilidade pré-teste; portanto o VPP muda quando a prevalência muda.

Alternativa D: INCORRETA. "Cair pela metade" é o oposto do que ocorre. Duplicar a prevalência não leva o VPP a cair pela metade — pelo contrário, tende a aumentá-lo. A magnitude da mudança depende de Se, Sp e do ponto de partida da prevalência, mas a direção é aumento.

Resposta: Alternativa B