# Desenhe a curva ROC e relate a AUC corretamente

> Envie uma tabela com o desfecho e os marcadores. A Yila ajusta o modelo, valida-o fora da amostra, desenha a curva ROC com a AUC e seu intervalo de confiança e escolhe um ponto de corte que você consegue justificar.

URL: https://yila.ai/pt/playbooks/roc-curve

## O que você recebe

- **Figura da curva ROC** (PNG + SVG): A curva do modelo comparada a uma curva de comparação e à linha do acaso, com cada AUC e seu IC 95% na legenda e o ponto de corte escolhido marcado.
- **Tabela de métricas** (CSV): AUC com intervalo de confiança, ponto de corte, sensibilidade e especificidade de cada modelo, além das odds ratios dos preditores.
- **Validação honesta** (Método): A curva é desenhada a partir de predições fora da amostra, então a AUC não fica inflada por testar o modelo nos mesmos dados em que ele foi ajustado.
- **O script** (Script Python): A análise completa em Python (ou em R, se você pedir), pronta para o seu material suplementar.

## Como funciona

1. **Envie a tabela e indique o desfecho**: Envie à Yila um arquivo CSV ou Excel e diga o que prever e a partir de quais marcadores. Um único marcador também funciona.
2. **A Yila confere os dados e planeja a validação**: Ela conta casos e controles, procura valores ausentes e variáveis em escalas muito diferentes e decide como validar antes de ajustar qualquer modelo.
3. **Receba a curva, os números e o script**: A figura ROC e a tabela de métricas são renderizadas, conferidas e salvas com o script. Peça outra regra para o ponto de corte, um IC por bootstrap ou mais modelos na mesma conversa.

## Indicado para

- **Um estudo de acurácia diagnóstica**: Mostre quão bem um marcador ou escore separa casos de controles, com o ponto de corte e sua sensibilidade e especificidade.
- **Um artigo sobre modelo de predição**: Compare um modelo multivariável com um marcador isolado usando predições validadas, e não o ajuste no conjunto de treinamento.
- **Um capítulo de tese sobre biomarcadores**: Relate a discriminação com intervalos de confiança e um script reprodutível que a banca pode conferir.

## Perguntas frequentes

### O que é uma curva ROC e o que a AUC significa?

Uma curva ROC mostra a sensibilidade em função de 1 − especificidade em cada ponto de corte possível de um escore. A área sob a curva (AUC) é a probabilidade de que um caso escolhido aleatoriamente tenha escore maior que um controle escolhido aleatoriamente: 0,5 equivale ao acaso, e 1,0 é a separação perfeita.

### Por que validação cruzada?

Um modelo avaliado nos mesmos dados em que foi ajustado parece melhor do que será em pacientes novos. A Yila desenha a curva a partir de predições fora da partição, de modo que cada caso é pontuado por um modelo que nunca o viu. Com amostras muito pequenas, ela avisa e sugere, em vez disso, uma correção do otimismo por bootstrap.

### Como é calculado o intervalo de confiança da AUC?

No exemplo, a partir de 2.000 reamostragens bootstrap das predições da validação cruzada (intervalo percentil), e o resultado informa isso. O método de DeLong está disponível, se a sua área ou a sua revista o exigir.

### Como o ponto de corte é escolhido?

Por padrão, pelo índice de Youden, que maximiza sensibilidade + especificidade − 1. Se uma sensibilidade fixa for mais importante (no rastreamento, por exemplo), diga isso, e a Yila informa o ponto de corte que a atinge.

### Posso comparar dois marcadores ou dois modelos?

Sim. Indique-os no pedido, e eles são desenhados nos mesmos eixos, cada um com sua AUC; também é possível adicionar um teste formal da diferença.

### R ou Python?

Qualquer um dos dois. O exemplo usou Python com scikit-learn; em R, a Yila usa o pROC.

### De onde vêm os dados do exemplo?

Do conjunto de dados aberto Breast Cancer Wisconsin (Diagnostic), publicado sob a licença CC BY 4.0 no UCI Machine Learning Repository. A Yila nunca usa dados de usuários como exemplo.

---

- [Desenhe a curva ROC e relate a AUC corretamente](https://yila.ai/pt/playbooks/roc-curve)
- [llms.txt](https://yila.ai/pt/llms.txt)
