Curva Característica de Operação do Receptor

Uma curva Característica de Operação do Receptor (ROC) plota a sensibilidade de um teste contra sua taxa de falso-positivos (um menos a especificidade) em todos os possíveis limiares de decisão. Ela resume como um teste construído com base em uma medida contínua ou ordinal discrimina entre pessoas com e sem uma condição, independentemente de qualquer ponto de corte único, e sua área delimitada condensa essa discriminação em um único número.

Definition

Uma curva Característica de Operação do Receptor é o gráfico da sensibilidade (taxa de verdadeiros-positivos) versus a taxa de falso-positivos (um menos a especificidade) traçada à medida que o limiar de decisão de um teste é variado em toda a sua amplitude.

Scope

Esta entrada define a curva ROC, explica como ela é gerada ao variar o limiar diagnóstico, descreve a área sob a curva (AUC) como um resumo da discriminação independente do limiar, e nota suas origens na teoria de detecção de sinais. É um tópico metodológico e não aconselha sobre o uso de qualquer teste ou limiar em particular.

Key concepts

• Troca entre sensibilidade e taxa de falso-positivos
• Limiar de decisão (ponto de corte)
• Área sob a curva (AUC)
• Discriminação independente do limiar
• Teoria de detecção de sinais
• Comparação de testes concorrentes

Mechanisms

Para um teste que produz uma pontuação contínua ou ordinal, cada limiar candidato gera um par de sensibilidade e taxa de falso-positivos; conectar esses pares em todos os limiares traça a curva ROC no quadrado unitário. Uma curva que se aproxima do canto superior esquerdo indica forte discriminação, enquanto a diagonal corresponde a um teste não melhor do que o acaso. A área sob a curva resume o desempenho em todos os limiares e pode ser interpretada como a probabilidade de que o teste atribua uma pontuação mais alta a um sujeito doente escolhido aleatoriamente do que a um sujeito não doente escolhido aleatoriamente. Como é calculada a partir da sensibilidade e especificidade, e não a partir de contagens linha a linha, a curva e sua área descrevem a discriminação independentemente da prevalência da doença, embora a escolha de um limiar operacional para uso ainda exija ponderar os custos dos falsos-positivos contra os falsos-negativos. O arcabouço deriva da teoria de detecção de sinais, onde a mesma troca entre acertos e falsos alarmes é analisada.

Clinical relevance

A análise ROC é uma ferramenta padrão para comparar testes diagnósticos e para examinar quão bem um marcador contínuo separa sujeitos doentes de não doentes antes que qualquer ponto de corte seja fixado. O conceito apoia a avaliação crítica da evidência diagnóstica; ele caracteriza a discriminação do teste e não é uma base para decisões diagnósticas ou de tratamento individuais.

Epidemiology

As curvas ROC e a área sob elas são amplamente utilizadas para relatar e comparar o desempenho discriminativo de marcadores diagnósticos e modelos de previsão. Como a área resume a discriminação, mas não a calibração ou as consequências práticas de um limiar escolhido, os padrões de relato, como o STARD, incentivam uma descrição clara de como os limiares e a acurácia foram determinados.

Evidence & guidelines

A declaração STARD abrange o relato da acurácia diagnóstica, incluindo como os limiares do teste e as medidas de acurácia, como a área sob a curva ROC, são definidos e relatados.

History

A análise ROC originou-se na teoria de detecção de sinais desenvolvida em meados do século XX para caracterizar a troca entre acertos e falsos alarmes, e foi adaptada para a tomada de decisões médicas e imagens diagnósticas na década de 1970. A exposição de Metz em 1978 estabeleceu seus princípios básicos para a medicina, o artigo de Hanley e McNeil de 1982 esclareceu o significado e o tratamento estatístico da área sob a curva, e a síntese de Swets de 1988 enquadrou os métodos ROC como uma abordagem geral para medir a acurácia diagnóstica.

Debates

A área sob a curva é um resumo suficiente do desempenho do teste?

A área condensa a discriminação em todos os limiares, mas ignora a calibração e os diferentes custos de falsos-positivos e falsos-negativos, portanto, pode ser um critério único enganoso quando um ponto de operação específico é importante.

Key figures

• Charles Metz
• James Hanley
• Barbara McNeil
• John Swets

Seminal works

• metz-1978
• hanley-mcneil-1982
• swets-1988

Frequently asked questions

O que significa a área sob a curva ROC?

É a probabilidade de que o teste atribua uma pontuação mais alta a um sujeito doente escolhido aleatoriamente do que a um sujeito não doente escolhido aleatoriamente; 0,5 indica nenhuma discriminação e 1,0 indica separação perfeita.

Por que usar uma curva ROC em vez de uma única sensibilidade e especificidade?

Um único par fixa um limiar, enquanto a curva ROC mostra toda a troca em todos os limiares, permitindo que os testes sejam comparados e um ponto de operação seja escolhido deliberadamente.