Curva ROC: AUC, cut-off e indice di Youden
6 Ottobre 2026 · Mario Lomele
La curva ROC (dall’inglese Receiver Operating Characteristic) è il grafico che descrive come cambiano sensibilità e specificità di un test diagnostico al variare della soglia scelta per considerarlo positivo. È lo strumento con cui si confrontano test diversi, si sceglie il cut-off più adatto a uno scopo clinico e si riassume in un solo numero la capacità discriminante di un esame. Al Concorso SSM è un argomento di epidemiologia molto amato, perché unisce concetti, grafici e piccoli ragionamenti numerici.
Che cos’è la curva ROC
Molti test diagnostici non danno una risposta “sì o no”, ma un valore continuo: una concentrazione plasmatica, un punteggio, una misura. Per trasformare il valore in una decisione bisogna fissare una soglia, il cut-off. Ogni soglia produce una coppia di valori di sensibilità e specificità. La curva ROC riporta tutte queste coppie su un grafico: sull’asse verticale la sensibilità (tasso di veri positivi), sull’asse orizzontale 1 − specificità (tasso di falsi positivi). Ogni punto della curva corrisponde a un possibile cut-off.
Il nome deriva dalla teoria della rilevazione dei segnali, nata per i radar: si trattava di distinguere un segnale vero dal rumore di fondo. Il problema clinico è lo stesso: separare i malati dai sani usando un valore che, nelle due popolazioni, si sovrappone almeno in parte. Per chi deve rinfrescare le definizioni di base, la scheda su sensibilità e specificità è il punto di partenza.
Il compromesso fra sensibilità e specificità
Immaginiamo un marcatore che tende a essere più alto nei malati. Se abbassiamo la soglia, classifichiamo come positivi quasi tutti i malati: la sensibilità sale, ma aumentano anche i sani classificati come positivi, quindi la specificità scende. Se alziamo la soglia accade il contrario: pochi falsi positivi, specificità alta, ma più malati sfuggono e la sensibilità cala. Non esiste una soglia che massimizzi entrambe, salvo nel caso ideale di popolazioni del tutto separate.
Un esempio con numeri inventati a scopo didattico chiarisce il punto. Con un cut-off basso un test ha sensibilità 95% e specificità 60%; con un cut-off intermedio sensibilità 85% e specificità 80%; con un cut-off alto sensibilità 65% e specificità 95%. Sulla curva ROC questi tre punti hanno coordinate (0,40; 0,95), (0,20; 0,85) e (0,05; 0,65). Spostandosi lungo la curva da destra verso sinistra si guadagna specificità e si perde sensibilità.
Come si legge il grafico
Il grafico è un quadrato con lati da 0 a 1. L’angolo in alto a sinistra, con coordinate (0; 1), rappresenta il test perfetto: sensibilità 100% e nessun falso positivo. La diagonale che va dall’angolo in basso a sinistra a quello in alto a destra è la linea del caso: un test che vi giace sopra non discrimina meglio del lancio di una moneta, perché per ogni soglia il tasso di veri positivi è uguale a quello di falsi positivi. Una curva che si avvicina all’angolo in alto a sinistra indica un buon test; una curva vicina alla diagonale un test scarso. Una curva sotto la diagonale indica un test che funziona “al contrario”, e basta invertire il criterio di positività per riportarla sopra.
La forma della curva dipende da quanto le distribuzioni dei valori nei sani e nei malati si sovrappongono. Più sono separate, più la curva si piega verso l’angolo ideale.
L’area sotto la curva (AUC)
Per riassumere la curva in un numero si usa l’area sotto la curva, indicata come AUC. Varia da 0,5 (test inutile, linea del caso) a 1 (test perfetto). Ha un’interpretazione intuitiva molto utile: è la probabilità che, presi a caso un malato e un sano, il test assegni al malato un valore più “anormale” che al sano. Un’AUC di 0,80 significa che nell’80% delle coppie malato-sano il test le ordina correttamente.
A titolo puramente orientativo, nei testi di epidemiologia si incontrano spesso classificazioni del tipo: AUC fra 0,5 e 0,7 discriminazione scarsa, fra 0,7 e 0,8 accettabile, fra 0,8 e 0,9 buona, oltre 0,9 eccellente. Sono convenzioni, non leggi, e il valore clinico di un test dipende anche dal contesto in cui verrà usato. L’AUC permette di confrontare due test sulla stessa popolazione: a parità di condizioni, quello con area maggiore discrimina meglio nel complesso.
Un limite dell’AUC
L’AUC sintetizza la prestazione su tutte le soglie possibili, comprese quelle che nessuno userebbe nella pratica. Due curve possono avere la stessa area ma incrociarsi: una può essere migliore nella zona ad alta sensibilità, l’altra in quella ad alta specificità. In questi casi conta la regione della curva rilevante per lo scopo clinico, non il numero globale.
Come si sceglie il cut-off
La soglia “migliore” non è unica: dipende da che cosa si vuole ottenere. Un criterio matematico molto citato è l’indice di Youden, pari a sensibilità + specificità − 1: il punto che lo massimizza è quello più lontano dalla diagonale e, graficamente, spesso quello più vicino all’angolo in alto a sinistra. Riprendendo i numeri illustrativi di prima, l’indice vale 0,55 per il cut-off basso, 0,65 per quello intermedio e 0,60 per quello alto: secondo Youden si sceglierebbe il cut-off intermedio.
Nella pratica clinica però contano le conseguenze degli errori. Se la malattia è grave, curabile e un falso negativo è pericoloso, si preferisce una soglia ad alta sensibilità, accettando più falsi positivi da verificare con un secondo esame: è la logica dei test di screening e di esclusione. Se invece un falso positivo porta a interventi invasivi, costosi o rischiosi, si sceglie una soglia ad alta specificità: è la logica dei test di conferma. Va ricordato che la curva ROC non dipende dalla prevalenza, mentre i valori predittivi sì: per sapere quanto un risultato positivo sia affidabile in un certo contesto bisogna passare al valore predittivo.
Limiti ed errori tipici
La curva ROC descrive l’accuratezza intrinseca di un test, ma non dice nulla sul suo impatto clinico: un test con AUC elevata può non cambiare le decisioni o gli esiti dei pazienti. Inoltre la sua stima dipende dalla popolazione in cui è stata costruita: se lo studio confronta malati gravi con sani perfetti, la curva risulta ottimistica rispetto all’uso reale, in cui i casi dubbi sono la norma (spectrum bias).
Gli errori più frequenti degli studenti sono: invertire gli assi (sull’asse orizzontale c’è 1 − specificità, non la specificità); credere che la diagonale rappresenti il test perfetto; pensare che un’AUC di 0,5 indichi un test “a metà strada” e non un test inutile; ritenere che la curva cambi con la prevalenza; scegliere sempre il punto di Youden anche quando lo scopo clinico richiede altro. Per collocare questi concetti nella cornice più ampia dell’analisi dei dati è utile la pagina di statistica medica.
Come cade la curva ROC al concorso
Le domande sulla curva ROC al Concorso SSM sono di alcuni tipi ricorrenti. Ci sono quesiti di definizione (che cosa si riporta sugli assi?), quesiti di interpretazione (che cosa significa un’AUC di 0,5? quale test è migliore fra due curve?), quesiti sulla scelta della soglia (per uno screening si sceglie il punto ad alta sensibilità) e quesiti di collegamento con prevalenza e valori predittivi. A volte viene descritto un grafico a parole e si chiede di riconoscere quale curva corrisponda al test più accurato: è quella che si avvicina di più all’angolo in alto a sinistra.
Per consolidare questi automatismi conviene esercitarsi su domande costruite come quelle ufficiali. Sulla Piattaforma Accademia trovi simulazioni commentate di epidemiologia clinica, con la spiegazione dei distrattori più insidiosi.
In sintesi
La curva ROC rappresenta, per tutti i possibili cut-off di un test, la sensibilità contro 1 − specificità. La diagonale è la linea del caso, l’angolo in alto a sinistra il test perfetto. L’area sotto la curva varia da 0,5 a 1 e indica la probabilità che il test ordini correttamente una coppia malato-sano. La soglia si sceglie in base allo scopo: alta sensibilità per escludere e per lo screening, alta specificità per confermare; l’indice di Youden offre un criterio matematico. La curva non dipende dalla prevalenza, i valori predittivi sì: è una distinzione che al concorso fa spesso la differenza.
Articolo a cura della redazione di Test Ammissione, che dal 2016 prepara medici al Concorso Nazionale SSM con manuali, simulazioni commentate e lezioni online.