Curva ROC

CURVA ROC
Como fazer e interpretar no SPSS
Paulo R. Margotto
Professor do Curso de Medicina da Escola Superior de Ciências da Saúde
(ESCS)/SES/DF
www.paulomargotto.com.bt [e-mail] Muitos exames dos nossos pacientes tem valores medidos numa escala numérica e assim a sensibilidade e a especificidade dependem de onde se coloca o ponto de corte
(cut off) entre os resultados positivos e negativos.
Uma forma mais eficiente de demonstrar a relação normalmente antagônica entre a sensibilidade e a especificidade dos exames que apresentam resultados contínuos são as Curvas de Características de Operação do Receptor (Curvas ROCReceiver Operating Characteristic). A Curva ROC é uma ferramenta poderosa para medir e especificar problemas no desempenho do diagnóstico em medicina por permitir estudar a variação da sensibilidade e especificidade para diferentes valores de corte.
A Curvas ROC foram desenvolvidas no campo das comunicações como uma forma de demonstrar as relações entre sinal-ruído. Interpretando o sinal como os verdadeiros positivos (sensibilidade) e o ruído, os falsos positivos (1-especificidade), podemos entender como este conceito pode ser aplicado em medicina.
A Curva ROC é um gráfico de sensibilidade (ou taxa de verdadeiros positivos) versus taxa de falsos positivos (Figura 1)

Fig.1.Curva de Características de Operação do
Receptor (Curva ROC)
A linha diagonal pontilhada corresponde a um teste que é positivo ou negativo, aleatoriamente. A Curva ROC Permite evidenciar os valores para os quais existe maior otimização da sensibilidade em função da especificidade que corresponde ao

ponto em que se encontra mais próxima do canto superior esquerdo do diagrama, uma vez que o o índice de positivos verdadeiro é 1 e o de falsos positivos é zero.
‘
A medida que um critério para o teste positivo tona-se mais rigoroso, o ponto da curva correspondente a sensibilidade e a especificidade (ponto A) movimenta-se para baixo e para a