14.5: Gráfico de características operacionais do receptor

Um gráfico ROC (Receiver Operating Characteristic) é uma ferramenta gráfica usada para avaliar o desempenho de um modelo de classificação binária, ilustrando o trade-off entre sensibilidade (taxa de verdadeiros positivos) e especificidade (taxa de falsos positivos). Ao plotar a sensibilidade em relação à especificidade 1 – em várias configurações de limite, a curva ROC mostra o quão bem o modelo distingue entre as classes, com uma curva mais próxima do canto superior esquerdo indicando um modelo mais preciso. A área sob a curva ROC (AUC) serve como uma única medida de desempenho: valores mais próximos de 1 significam melhor discriminação, enquanto valores próximos de 0,5 sugerem baixo poder preditivo, semelhante à adivinhação aleatória.

Ao avaliar ferramentas de diagnóstico para doenças específicas, equilibrar a sensibilidade e a especificidade é essencial para determinar a precisão de um teste. A sensibilidade mede a capacidade do teste de identificar corretamente os indivíduos com a doença, enquanto a especificidade mede sua capacidade de excluir aqueles sem ela. O ajuste dos limiares de diagnóstico pode alterar esse equilíbrio, afetando a eficácia do teste. A curva ROC é particularmente útil para ilustrar como a sensibilidade e a especificidade mudam entre esses limites, ajudando a identificar o ponto de corte ideal para classificação.

Quando a variável preditora não tem associação com a doença, a sensibilidade e a especificidade 1 se alinham ao longo da linha diagonal, indicando que o modelo não tem melhor desempenho do que o acaso. No entanto, quando valores mais altos de um preditor indicam maior risco de doença, a curva ROC se eleva acima da diagonal. Se valores mais baixos sugerirem maior risco, o modelo pode ser ajustado para garantir que a curva ROC suba acima dessa linha, demonstrando melhor discriminação.

A área sob a curva ROC quantifica a capacidade da variável de distinguir entre estados doentes e saudáveis, muito parecido com R² na regressão linear, mas para resultados binários. A comparação das curvas ROC de vários modelos de classificação revela sua precisão preditiva em diferentes limites, mostrando, por exemplo, se certos métodos são igualmente eficazes em triagens de alta especificidade e baixo risco, mas divergem em precisão para diagnósticos clínicos. Idealmente, a curva ROC deve se desviar significativamente da diagonal, pois um desvio maior indica um teste diagnóstico mais preciso. Uma AUC próxima a 1 reflete uma ferramenta altamente eficaz, enquanto valores próximos a 0,5 indicam confiabilidade limitada.