TESTES DIAGNÓSTICOS
Você sabe como um exame ou um teste é escolhido na medicina para identificar ou descartar uma doença?
Muitos estudos buscam métodos eficazes para a identificação de doenças. Para tanto, pode-se utilizar exames (laboratoriais, imagem, etc) e também um conjunto de sinais e sintomas que podem ser vistos como um teste para o diagnóstico de determinada patologia.
Para interpretar os testes diagnósticos, a medicina utiliza as leis da probabilidade.
- Exame positivo para a doença (verdadeiro positivo)
- Exame positivo na ausência de doença (falso – positivo)
- Exame negativo na ausência de doença (verdadeiro – negativo)
- Exame negativo na presença de doença (falso – negativo)
Para avaliar a qualidade de um novo método diagnóstico utiliza-se outro teste considerado padrão – ouro, ou seja, teoricamente melhor que o método em teste. Este deve ser escolhido de forma muito criteriosa. Idealmente, o teste até então considerado padrão ouro para a identificação de determinada doença não deveria apresentar resultados falsos (falso – positivo e falso – negativo). Dessa forma, deveria apresentar 100% de sensibilidade e 100% de especificidade. Mas na prática não existe esse tipo de teste.
Sendo assim, o teste capaz de assumir o menor erro de classificação – melhor desempenho de sensibilidade e especificidade é o padrão –ouro.
O cálculo dos possíveis resultados de um teste diagnóstico para identificar determinada doença é representado em tabelas do tipo 2×2, conforme descrita abaixo.
E como verificar se o teste em estudo é um bom método para ser utilizado no diagnóstico de determinada doença?
Devemos investigar suas propriedades (sensibilidade, especificidade, valores preditivos, etc) para definir se ele deve ou ser não utilizado.
- Sensibilidade
É a proporção de verdadeiros positivos entre todos os indivíduos com a doença, ou seja, é a probabilidade de um teste dar positivo na presença da doença.
O cálculo é feito através da seguinte fórmula:
Os testes que apresentam alta sensibilidade são muito utilizados para o rastreamento de doenças em grupos populacionais, como por exemplo: teste anti – HIV, teste da orelhinha, além de serem utilizados para confirmar um diagnóstico.
- Especificidade
Representa a proporção de verdadeiros negativos entre os indivíduos sem a doença, ou seja, é a probabilidade de um teste dar negativo na ausência da doença.
O cálculo é feito através da seguinte fórmula:
Os testes que apresentam alta especificidade são utilizados para confirmar um diagnóstico. Um teste muito específico raramente terá resultado positivo na ausência de doença.
Importante lembrar que frequentemente, quando um teste tem alta sensibilidade perde-se na especificidade e vice-versa.
- Valor Preditivo
A fim de verificar a probabilidade de um resultado positivo realmente ter identificado a doença, avalia-se o valor preditivo do teste.
C1) Valor Preditivo Positivo (VPP)
Representa a proporção/probabilidade de verdadeiros positivos entre todos os indivíduos que tiveram confirmação da doença (resultado positivo).
Calcula-se através da seguinte fórmula:
C2) Valor Preditivo Negativo (VPN)
Refere-se à proporção/ probabilidade de verdadeiros negativos entre todos os indivíduos que tiveram resultado negativo para determinada doença.
Calcula-se através da seguinte fórmula:
- Acurácia
A acurácia representa a proporção entre os verdadeiros positivos e negativos em relação a todos os resultados possíveis. Ela agrega valores que foram obtidos separadamente (sensibilidade e especificidade). Portanto, a acurácia torna-se pouco útil.
Calcula-se através da seguinte fórmula:
- Curva ROC
Desenvolvida na década de 50, a curva ROC (receiver operator characteristic curve) é uma forma de expressar graficamente a relação entre a sensibilidade e especificidade de um teste. É muito utilizada para comparar dois ou mais testes diagnósticos para a mesma doença.
A curva ROC só deve ser calculada para dados contínuos, como no caso da medição da glicemia, que é dado em mg/mL, pressão arterial, etc.
A curva ROC nos dá um ponto de corte (cutoff point), no qual devemos identificar qual o melhor ponto para determinado teste (o que apresenta maior sensibilidade e especificidade). Quanto mais próxima a curva e o ponto de corte estiver do canto superior esquerdo do gráfico, melhor será o poder discriminatório do teste para determinada patologia. E quanto mais distante, pior é o seu poder de identificar doentes e não doentes.
Além disso, a área sob a curva ROC auxilia a verificação do poder discriminatório do teste. Quanto maior for a área, tanto melhor será o teste diagnóstico.
Exemplo de curva ROC:
Cerda e Cifuentes (2012). Gráfico da curva ROC de dois testes diagnósticos hipotéticos (A e B) e linha de não discriminação (linha ND). Cada ponto da curva ROC (círculos vermelhos e azul) correspondem a um possível ponto de corte dos dois testes diagnósticos, e nos informa sobre sua respectiva sensibilidade (eixo Y) e especificidade 1 (eixo X). Ambos os eixos do gráfico incluem valores entre 0 e 1 (0% a 100%). A linha desenhada do ponto 0.0 ao ponto 1.1 é chamada de diagonal de referência, ou linha de não discriminação.
Além de todas essas propriedades para avaliar se um teste é bom ou ruim para determinar um diagnóstico, ainda há as razões de verossimilhança (RV + e -), testes múltiplos, testes em paralelo, em série, prevalência, etc.
Andressa Pelaquim
Mestre e Doutoranda em Ciências da Saúde – CCS/UEL
Referência
Medronho R A, Perez MA. Teste Diagnósticos. In: Epidemiologia. Medronho RA et al. São Paulo. Editora Atheneu, 2009, pp.389-402.
Cerda J, Cifuentes L. Uso de curvas ROC en investigación clínica: Aspectos teórico-prácticos. Rev. chil. infectol. 2012. 29(2): 138-41. Disponível em https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0716-10182012000200003&lng=es. http://dx.doi.org/10.4067/S0716-10182012000200003.
Quer saber mais sobre nossos projetos? Clique aqui
Gostaria de ser um apoiador para que mais pesquisas possam ser feitas? Clique aqui
Quer fazer parte desse time? Clique aqui
Quer saber mais sobre pesquisa clínica? Clique aqui