CENÁRIO PRÁTICO
 
Na perspectiva de saúde pública global, um teste diagnóstico que discrimine com precisão casos positivos e negativos de COVID-19 é fundamental para alocar recursos humanos e materiais para o gerenciamento da pandemia. (1) A pandemia de COVID-19 em andamento levou ao desenvolvimento rápido de vários testes diagnósticos para detectar a infecção por SARS-CoV-2. Assim, médicos, pesquisadores e formuladores de políticas de saúde precisam entender como interpretar o nível de desempenho de tais testes diagnósticos(1) para apoiar o processo de tomada de decisão em vários níveis. Aqui, fornecemos uma visão geral de uma ferramenta comumente utilizada para avaliar a acurácia do desempenho de testes diagnósticos ou prognósticos: a curva ROC.
 
ANÁLISE ROC
 
Utilizamos a análise ROC para exibir graficamente, comparar e avaliar a acurácia de testes diagnósticos atuais e novos. Para tanto, as curvas ROC integram três medidas de precisão relacionadas: sensibilidade (verdadeiro positivo), especificidade (verdadeiro negativo) e ASC. (2) Essas medidas são calculadas para qualquer teste de diagnóstico, comparando o resultado do teste (positivo ou negativo) contra um padrão ouro bem conhecido que determina o verdadeiro estado da doença em cada caso.
 
COMPREENDENDO CURVAS ROC
 
As curvas ROC são criadas plotando-se a sensibilidade (verdadeiro positivo) no eixo y contra 1 − especificidade (verdadeiro negativo) no eixo x para cada valor encontrado em uma amostra de indivíduos com e sem a doença. Espera-se que valores mais altos sejam mais comuns entre indivíduos com a doença e valores mais baixos sejam mais comuns entre aqueles sem a doença. Em um teste perfeito, um valor de corte óbvio que diferencia os indivíduos com a doença daqueles sem a doença pode ser identificado, sendo a sensibilidade e a especificidade iguais a 100%. Essa diferenciação perfeita raramente ocorre com testes na vida real; assim, as curvas ROC traçam o equilíbrio entre sensibilidade e especificidade para todos os valores de corte possíveis e a precisão geral do teste. Para expressar numericamente a precisão diagnóstica de um teste, calculamos a ASC, que estima a probabilidade de um indivíduo aleatório com a doença ter um valor mais alto no teste do que outro sem a doença. A probabilidade varia de 0% (ASC = 0) a 100% (ASC = 1).
 
UTILIZANDO CURVAS ROC
 
As formas relativas das curvas ROC no gráfico são uma abordagem rápida para estimar e comparar a precisão entre testes diagnósticos (Figura 1). Um teste de diagnóstico perfeito (ASC = 1,0) identifica corretamente todos os resultados positivos e negativos como doentes e não doentes, respectivamente, e alcançaria o canto superior esquerdo. Por sua vez, um teste impreciso ou semelhante a um jogo de cara ou coroa resultaria em uma linha de 45 graus (ASC = 0,5). Esses dois extremos (teste perfeito e teste não informativo) são frequentemente usados como referências: as curvas ROC mais próximas de um teste diagnóstico perfeito têm uma ASC maior e são mais precisas do que aquelas mais próximas da linha de erro aleatório (ASC ~ 0,5).(2) Portanto, comparar várias curvas ROC pode ser uma estratégia intuitiva para nos ajudar a decidir qual é o teste mais preciso para nossa prática clínica. No entanto, uma vez que sempre há um equilíbrio entre sensibilidade e especificidade, os testes não devem ser avaliados apenas pela ASC. Em alguns casos, um teste é mais útil quando tem alta sensibilidade (e, portanto, menor especificidade), como quando você não pode perder o diagnóstico. Um exemplo é quando você está utilizando um teste para diagnosticar COVID-19. Nesse caso, um teste com ASC mais baixa e alta sensibilidade pode ser mais útil em certos cenários clínicos do que um teste com ASC ligeiramente mais alta mas com sensibilidade mais baixa (e maior especificidade).

1. Butler-Laporte G, Lawandi A, Schiller I, Yao M, Dendukuri N, McDonald EG, et al. Comparison of Saliva and Nasopharyngeal Swab Nucleic Acid Amplification Testing for Detection of SARS-CoV-2: A Systematic Review and Meta-analysis [published correction appears in doi: 10.1001/jamainternmed.2021.0245]. JAMA Intern Med. 2021;181(3):353-360. https://doi.org/10.1001/jamainternmed.2020.8876


2. Ferreira JC, Patino CM. Understanding diagnostic tests. Part 3. J Bras Pneumol. 2018;44(1):4. https://doi.org/10.1590/s1806-37562018000000017