Geralmente, a sensibilidade e a especificidade são características difíceis de conciliar, isto é, é complicado aumentar a sensibilidade e a especificidade de um teste ao mesmo tempo. As curvas ROC (receiver operator characteristic curve) são uma forma de representar a relação, normalmente antagónica, entre a sensibilidade e a especificidade de um teste diagnóstico quantitativo, ao longo de um contínuo de valores de "cutoff point".
Para construir uma curva
ROC traça-se um diagrama que represente a sensibilidade em função da proporção
de falsos positivos (1- Especificidade) para um conjunto de valores de "cutoff
point".
Quando se tem uma variável contínua, resultado da aplicação de um teste diagnóstico quantitativo, e se pretende transforma-la numa variável dicotómica, do tipo doente / não doente, temos que utilizar um determinado valor na escala contínua que discrimine entre essas duas classes. A esse valor dá-se o nome de "cutoff point".
O valor escolhido como "cutoff point" vai influenciar as características do teste, como exemplificado na figura 3 (curva 2). No exemplo da figura 3, quanto maior é o "cutoff point" maior é a especificidade do teste mas menor é a sensibilidade (ponto C da curva 2); e quanto menor o "cutoff point" maior é a sensibilidade mas menor é a especificidade (ponto A da curva 2).
Assim, a intenção com que se utilizará o teste diagnóstico vai inluenciar a escolha do "cutoff point", logo, das características do teste. No exemplo da curva 2 da figura 3, se pretendemos um teste muito sensível e menos específico, escolhe-se um "cutoff point" menor (ponto A), obtendo-se uma menor proporção de falsos negativos e uma maior proporção de falsos positivos; se pretendemos um teste muito específico e menos sensível, escolhe-se um "cutoff point" maior (ponto C), obtendo-se uma menor proporção de falsos positivos e uma maior proporção de falsos negativos.
As curvas ROC descrevem a capacidade discriminativa de um teste diagnóstico para um determinado número de valores "cutoff point". Isto permite pôr em evidência os valores para os quais existe maior optimização da sensibilidade em função da especificidade. O ponto, numa curva ROC, onde isto acontece é aquele que se encontra mais próximo do canto superior esquerdo do diagrama (ver figura 3, ponto B da curva 2).
Por outro lado, as curvas ROC permitem quantificar a exactidão de um teste diagnóstico, já que, esta é proporcional à área sob a curva ROC, isto é, tanto maior quanto mais a curva se aproxima do canto superior esquerdo do diagrama. Sabendo isto, a curva será útil, também, na comparação de testes diagnósticos, tendo um teste uma exactidão tanto maior, quanto maior for a área sob a curva ROC (ver figura 3).
