Dica do autor: As curvas ROC (Receiver Operating Characteristic) são a ferramenta clássica para avaliar o desempenho de um teste diagnóstico ao variar seu ponto de corte. Na prática, cada corte gera uma sensibilidade (true positive rate) e uma especificidade; a ROC reúne esses pares e traça a sensibilidade em função da taxa de falso-positivos (1 − especificidade), permitindo visualizar o trade-off entre sensibilidade e especificidade. O pulo do gato está no AUC (área sob a curva): ele resume, em um único número, a capacidade discriminativa do teste (1,0 = perfeito; 0,5 = equivale ao acaso). Além disso, a curva ajuda a escolher pontos de corte que otimizem um critério (por exemplo índice de Youden = sensibilidade + especificidade − 1) e é amplamente usada para comparar testes — estatísticas como o teste de DeLong avaliam diferenças entre AUCs. Mas atenção: AUC não substitui julgamento clínico; depende do contexto (prevalência, custo de FP/ FN etc.) e pode mascarar diferenças importantes em regiões da curva relevantes para a prática clínica.

Alternativa A: INCORRETA. A afirmação é verdadeira na essência: a AUC quantifica a exatidão/discriminação de um teste diagnóstico. Dizer que "permitem quantificar a exatidão" é aceitável — a AUC é a medida resumida de quão bem o teste separa doentes de não-doentes. Observação prática: AUC avalia discriminação, não precisão absoluta em termos clínicos (não incorpora prevalência nem custos clínicos).

Alternativa B: INCORRETA. Também é verdadeira: a ROC descreve como a sensibilidade varia ao longo de diferentes pontos de corte (e, em consequência, como a especificidade varia). A curva é exatamente o conjunto de pares sensibilidade × (1 − especificidade) gerados ao testar múltiplos cut-offs, ou seja, mostra a capacidade do teste de produzir diferentes sensibilidades para diferentes valores de cut-off.

Alternativa C: INCORRETA. Verdadeira: a ROC ajuda a evidenciar os pontos de corte que otimizam a combinação sensibilidade/especificidade. Ferramentas como o índice de Youden permitem identificar numericamente o cut-off que maximiza (sensibilidade + especificidade − 1), ou seja, aquele que dá melhor compromisso entre sensibilidade e especificidade para o contexto escolhido.

Alternativa D: CORRETA. Essa é a afirmação falsa sobre ROC e, portanto, a alternativa correta da questão. Pelo contrário do que diz o enunciado, curvas ROC são muito usadas para comparar testes diagnósticos: compara‑se a AUCs de diferentes testes (ou a mesma técnica em populações distintas) para avaliar qual tem maior poder discriminativo. Existem testes estatísticos (ex.: DeLong) para comparar AUCs pareadas ou independentes, e intervalos de confiança para AUC que ajudam na inferência. Dizer que "não se prestam às comparações" é incorreto.

Alternativa E: INCORRETA. Parcialmente verdadeira: para construir a ROC traça‑se a sensibilidade para um conjunto de valores de cut-off em função da taxa de falso‑positivos (1 − especificidade). A formulação "sensibilidade e especificidade" é corriqueira na fala, mas tecnicamente o eixo x representa 1 − especificidade (ou taxa de falsos positivos). Ainda assim, a ideia de que a curva deriva de vários pares sensibilidade/especificidade gerados por diferentes cut-offs está correta.

Resposta: Alternativa D